Keras学习---RNN模型建立篇
输入文本数据统一规整到长度maxlen=80个单词,为什么呢?
x_train = sequence.pad_sequences(x_train, maxlen=maxlen)
完整代码如下:
'''Trains a LSTM on the IMDB sentiment classification task.The dataset is actually too small for LSTM to be of any advantagecompared to simpler, much faster methods such as TF-IDF + LogReg.Notes:- RNNs are tricky. Choice of batch size is important,choice of loss and optimizer is critical, etc.Some configurations won't converge.- LSTM loss decrease patterns during training can be quite differentfrom what you see with CNNs/MLPs/etc.'''from __future__ import print_functionfrom keras.preprocessing import sequencefrom keras.models import Sequentialfrom keras.layers import Dense, Embeddingfrom keras.layers import LSTMfrom keras.datasets import imdbmax_features = 20000maxlen = 80 # cut texts after this number of words (among top max_features most common words)batch_size = 32print('Loading data...')(x_train, y_train), (x_test, y_test) = imdb.load_data(nb_words=max_features)print(len(x_train), 'train sequences')print(len(x_test), 'test sequences')print('Pad sequences (samples x time)')x_train = sequence.pad_sequences(x_train, maxlen=maxlen)x_test = sequence.pad_sequences(x_test, maxlen=maxlen)print('x_train shape:', x_train.shape)print('x_test shape:', x_test.shape)print('Build model...')model = Sequential()model.add(Embedding(max_features, 128))#model.add(LSTM(128, dropout=0.2, recurrent_dropout=0.2))
model.add(LSTM(128))model.add(Dense(1, activation='sigmoid'))# try using different optimizers and different optimizer configsmodel.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])print('Train...')model.fit(x_train, y_train,batch_size=batch_size,nb_epoch=15,validation_data=(x_test, y_test))score, acc = model.evaluate(x_test, y_test,batch_size=batch_size)print('Test score:', score)print('Test accuracy:', acc)
____________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
====================================================================================================
embedding_3 (Embedding) (None, None, 128) 2560000 embedding_input_1[0][0]
____________________________________________________________________________________________________
lstm_1 (LSTM) (None, 128) 131584 embedding_3[0][0]
____________________________________________________________________________________________________
dense_9 (Dense) (None, 1) 129 lstm_1[0][0]
====================================================================================================
Total params: 2,691,713
Trainable params: 2,691,713
Non-trainable params: 0
Keras学习---RNN模型建立篇相关推荐
- cnn stride and padding_Tensorflow学习笔记- 模型建立与训练篇(CNN)
这次就用Keras实现下CNN 一. 预备知识--CNN[1] 1. 二维互相关(cross-correlation)运算:计算 , 属于输入数组, 属于卷积窗口,n和m取决于窗口的大小. 核数组(卷 ...
- Keras学习---MLP和CNN模型建立篇
目前阶段,仅考虑线线性堆叠且单输出的网络结构,更复杂的网络有多任务(即多输出)的网络拓扑结构. 1. 最简单的MLP模型 model.add(Dense(512, input_shape=(784,) ...
- 【算法竞赛学习】气象海洋预测-Task4 模型建立之 TCNN+RNN
气象海洋预测-Task4 模型建立之 TCNN+RNN 该方案中采用的模型是TCNN+RNN. 在Task3中我们学习了CNN+LSTM模型,但是LSTM层的参数量较大,这就带来以下问题:一是参数量大 ...
- 【社区分享】从零开始学习 TinyML,建立 TensorFlow 深度学习模型(技术优化篇)
TinyML是什么?如何从零开始入门学习?本系列上一篇教程中,我们复习了 TinyML 的概念,完成了一个最简单的 ML 模型与微控制器运行.今天,本教程将与你探讨如何在实际的工程应用中对已建立的模型 ...
- Keras学习笔记:函数式模型
目录: 目录: 函数式(Functional)模型 第一个模型:全连接网络 多输入和多输出模型 让我们用函数式模型来实现这个框图 共享层 更多的例子 inception模型 卷积层的残差连接 共享视觉 ...
- Keras学习笔记:序列式模型
目录: 目录: 快速开始序列(Sequential)模型 指定输入数据的shape 编译 训练 例子 用于序列分类的栈式LSTM 采用stateful LSTM的相同模型 本系列参考官方文档官方文档 ...
- 深度学习模型建立过程_所有深度学习都是统计模型的建立
深度学习模型建立过程 Deep learning is often used to make predictions for data driven analysis. But what are th ...
- Tensorflow.Keras 时序回归模型的建立
Learn from Keras官方网站 目前tensorflow 2.0版本已经集成了keras的所有功能,所以直接安装tensorflow就可以调用Keras,非常方便. 作为Keras入门可以看 ...
- keras 受限玻尔兹曼机_目前深度学习的模型有哪几种,适用于哪些问题?
深度学习的模型有很多, 目前开发者最常用的深度学习模型与架构包括 CNN.DBN.RNN.RNTN.自动编码器.GAN 等.雷锋网搜集整理了涉及以上话题的精品文章,供初学者参考,加速深度学习新手入门. ...
最新文章
- html中div裹div,html – 围绕div包裹textarea输入
- jq定制上传按钮,选择文件就上传
- 把CheckBox的方块换成图片或其他
- Chrome渲染Transition时页面闪动Bug
- Linux配置手册(五)Linux 配置域名服务器(DNS)
- okhttp返回内容乱码_okHttp 采坑指南-interceptor(乱码)
- windows安装和使用git工具
- python 货币换算库,货币转换python代码你知道怎么写吗?
- 简历制作器App隐私政策
- Simulink 环境基础知识(四)--保存模型
- linux I2C驱动实验
- 暴雪插件占用服务器,你还在用这款插件吗?暴雪公布《魔兽世界》怀旧服卡顿原因...
- 学习笔记 | 朴素贝叶斯、拉普拉斯修正
- Unity让图片动起来
- java ipc pgsql_[转]PostgreSQL源码结构
- canoe 分析log_CANoe教程 | 分析功能-Trace窗口
- fgets 函数用法
- Linux系统调用 - 文件操作
- 压力传感器称重测力防水等级国际级精度区别及基本常识
- 时间管理软件 压力测试软件JMeter 微信小程序可视化代码生成 黑客网站
热门文章
- PBRT 学习:安装编译
- 大数据面试求职经验总结
- Java-HashMap实现原理
- 在html中解决数字四舍五入,JavaScript四舍五入及精度丢失问题
- mac怎么装java eclipse_如何在Mac系统安装eclipse并运行java程序
- 计算机主板及其硬件图,[计算机硬件及网络]intel G43主板电路图.pdf
- 如何计算像素当量_「轴承知识」如何通过静承载能力选择轴承
- 石子合并简化版(区间DP)
- css的font修改颜色,css的font字体颜色如何设置
- RDD的两种操作(Transformation和Action)