深度学习之二分类问题
目录
IMDB 数据集
IMDB 数据集包含来自互联网电影数据库(IMDB)的 50 000 条严重两极分化的评论。
数据集被分为用于训练的 25 000 条评论与用于测试的 25 000 条评论,训练集和测试集都包含 50% 的正面评论和 50% 的负面评论。
为什么区分训练集和测试集
不应该将训练机器学习模型的同一批数据再用于测试模型!
模型在训练数据上的表现很好,并不意味着它在前所未见的数据上也会表现得很好,而且我们真正关心的是模型在新数据上的性能(因为已经知道了训练数据对应的标签,显然不再需要模型来进行预测)。
例如,模型最终可能只是记住了训练样本和目标值之间的映射关 系,但这对在前所未见的数据上进行预测毫无用处。
与 MNIST 数据集一样, IMDB 数据集也内置于 Keras 库。
Python enumerate() 函数
enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。
使用例子：
>>> seasons = ['Spring', 'Summer', 'Fall', 'Winter']
>>> list(enumerate(seasons))
[(0, 'Spring'), (1, 'Summer'), (2, 'Fall'), (3, 'Winter')]
>>> list(enumerate(seasons, start=1)) # 下标从 1 开始
[(1, 'Spring'), (2, 'Summer'), (3, 'Fall'), (4, 'Winter')]下载数据
使用一下代码下载数据：
from keras.datasets import imdb
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)参数 num_words=10000 的意思是仅保留训练数据中前 10 000 个最常出现的单词。低频单词将被舍弃。这
样得到的向量数据不会太大,便于处理。
得到的数据被分为train_data和test_data．
看一下数据内容：
train_data[0]
train_labels[0]执行结果：
image.png
由于限定为前 10 000 个最常见的单词,单词索引都不会超过 10 000。
构建数据
将我们得到的数据构建成可以被神经网络处理的数据，也就是张量数据．需要通过一些方法：
- 填充列表,使其具有相同的长度,再将列表转换成形状为 (samples, word_indices)的整数张量,然后网络第一层使用能处理这种整数张量的层(即 Embedding )。
- 对列表进行 one-hot 编码,将其转换为 0 和 1 组成的向量。举个例子,序列 [3, 5] 将会被转换为 10 000 维向量,只有索引为 3 和 5 的元素是 1,其余元素都是 0。然后网络第一层可以用 Dense 层,它能够处理浮点数向量数据。
本次采用第二种方式实现张量化．
这里涉及到一个二维列表的使用方式，下面简单说明．
二维列表使用方法
res = np.zeros((2, 10))
mm = [3,4,5,6]
res[1, mm ] = 1
res创建一个二维矩阵，然后再创建个一维列表，通过列表来设定举证里的值． 运行结果：
根据这个特性来构建输入数据．
填充数据为张量
使用如下代码：
from keras.datasets import imdb
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(
num_words=10000)
import numpy as np
def vectorize_sequences(sequences, dimension=10000):
results = np.zeros((len(sequences), dimension))
for i, sequence in enumerate(sequences):
results[i, sequence] = 1
return results
x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)
然后再将标签向量化：
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')构建网络
有了输入数据，接下来就是构建网络了．
这里使用激活函数为relu的全连接层．比 如 Dense(16, activation='relu') 。
全连接网络的介绍参考文章深度学习之神经网络（反向传播算法）（三）
传入 Dense 层的参数(16)是该层隐藏单元的个数。一个隐藏单元(hidden unit)是该层表示空间的一个维度。
16 个隐藏单元对应的权重矩阵 W 的形状为(input_dimension, 16) ,与 W 做点积相当于将输入数据投影到 16 维表示空间中(然后再加上偏置向量 b 并应用 relu 运算)。
网络可以描述为;
本次使用顺序模型进行编程．
Keras构建网络
在 Keras 中有两类主要的模型：Sequential 顺序模型 和 使用函数式 API 的 Model 类模型。
Sequential 顺序模型
顺序模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。
方法一 使用以下代码可以简单创建个Sequential模型：
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential([
Dense(32, input_shape=(784,)),
Activation('relu'),
Dense(10),
Activation('softmax'),
])Activation是激活函数．
方法二
也可以使用.add()方法将各层添加到模型中：
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：选择损失函数和优化器。
由于面对的是一个二分类问题,网络输出是一个概率值(网络最后一层使用 sigmoid 激活函数,仅包含一个单元),那么最好使用 binary_crossentropy (二元交叉熵)损失。
当然这不是唯一可行的选择,比如还可以使用 mean_squared_error (均方误差)。但对于输出概率值的模型,交叉熵(crossentropy)往往是最好的选择。
详细说明参考文章<<深度学习之二元交叉熵损失函数>>
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])这样就可以在训练数据上训练模型了：
# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
model.fit(x_train, y_train, epochs=5, batch_size=32)实战
#!/usr/bin/python
# -*- coding: UTF-8 -*-
from keras.datasets import imdb
import numpy as np
from keras import models
from keras import layers
import matplotlib.pyplot as plt
## 构建数据
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)
def vectorize_sequences(sequences, dimension=10000):
results = np.zeros((len(sequences), dimension))
for i, sequence in enumerate(sequences):
results[i, sequence] = 1
return results
x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')
## 构建网络
model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
## 构建优化算法和损失算法
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
x_val = x_train[:10000]
partial_x_train = x_train[10000:]
y_val = y_train[:10000]
partial_y_train = y_train[10000:]
## 训练模型
history = model.fit(partial_x_train,partial_y_train,epochs=20,
batch_size=512,
validation_data=(x_val, y_val))
## 显示训练数据
history_dict = history.history
loss_values = history_dict['loss']
val_loss_values = history_dict['val_loss']
epochs = range(1, len(loss_values) + 1)
plt.plot(epochs, loss_values, 'bo', label='Training loss')
plt.plot(epochs, val_loss_values, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()运行结果：
