一个 tflearn 情感分析小例子
时间:2022-05-07
本文章向大家介绍一个 tflearn 情感分析小例子,主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
学习资料: https://www.youtube.com/watch?v=si8zZHkufRY&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3&index=5
情感分析, 就是要识别出用户对一件事一个物或一个人的看法、态度,比如一个电影的评论,一个商品的评价,一次体验的感想等等。根据对带有情感色彩的主观性文本进行分析,识别出用户的态度,是喜欢,讨厌,还是中立。
关于情感分析,之前有一篇 cs224d 的小项目: 里面用 skipgram 学习出 word vector,然后用 softmax regression 进行识别: 怎样做情感分析
今天的方法是用 20 行代码实现这个过程: 用 tflearn.data_utils 的 pad_sequences 将 strings 转化成向量,用 tflearn.embedding 得到 word vector,再传递给 LSTM 得到 feature vector,经过全联接层后,再用一个分类器,loss 为 categorical_crossentropy
- 数据用 tflearn 里面预先处理好的 imdb,IMDB 是一个电影评论的数据库。
from __future__ import division, print_function, absolute_import
import tflearn
from tflearn.data_utils import to_categorical, pad_sequences
from tflearn.datasets import imdb
- path 是存储的路经,pkl 是 byte stream 格式,用这个格式在后面比较容易转换成 list 或者 tuple。 n_words 为从数据库中取出来的词个数。
# IMDB Dataset loading
train, test, _ = imdb.load_data(path='imdb.pkl', n_words=10000,
valid_portion=0.1)
trainX, trainY = train
testX, testY = test
- pad sequence 将 inputs 转化成矩阵形式,并用 0 补齐到最大维度,这样可以保持维度的一致性。
# Data preprocessing
# Sequence padding
trainX = pad_sequences(trainX, maxlen=100, value=0.)
testX = pad_sequences(testX, maxlen=100, value=0.)
- to_categorical 将 labels 转化为 01 向量
# Converting labels to binary vectors
trainY = to_categorical(trainY, nb_classes=2)
testY = to_categorical(testY, nb_classes=2)
- 输入层,batch size 设为 None,length=100=前面的max sequence length
# Network building
net = tflearn.input_data([None, 100])
- 上一层的输出作为下一层的输入,input_dim 是前面设定的从数据库中取了多少个单词,output_dim 就是得到 embedding 向量的维度
net = tflearn.embedding(net, input_dim=10000, output_dim=128)
- 模型用的 LSTM,可以保持记忆,dropout 为了减小过拟合
net = tflearn.lstm(net, 128, dropout=0.8)
- fully_connected 是指前一层的每一个神经元都和后一层的所有神经元相连, 将前面 LSTM 学习到的 feature vectors 传到全网络中,可以很轻松地学习它们的非线性组合关系 激活函数用 softmax 来得到概率值
net = tflearn.fully_connected(net, 2, activation='softmax')
- 最后应用一个分类器,定义优化器,学习率,损失函数
net = tflearn.regression(net, optimizer='adam', learning_rate=0.001,
loss='categorical_crossentropy')
# Training
# 模型初始化
model = tflearn.DNN(net, tensorboard_verbose=0)
# show_metric=True 可以看到过程中的准确率
model.fit(trainX, trainY, validation_set=(testX, testY), show_metric=True,
batch_size=32)
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- Python-matplotlib 空间栅格数据可视化
- 图解面试题:如何找到喜欢的电影?
- Java agent 与 byte buddy
- 关于TRTC云端混流的踩坑分享
- 聊聊dubbo-go的ConsistentHashLoadBalance
- R语言用WinBUGS 软件对学术能力测验(SAT)建立分层模型
- R语言使用随机技术差分进化算法优化的Nelson
- R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
- R语言和QuantLib中Nelson-Siegel模型收益曲线建模分析
- 用R语言用Nelson Siegel和线性插值模型对债券价格和收益率建模
- R语言LME4混合效应模型研究教师的受欢迎程度
- R语言Black Scholes和Cox-Ross-Rubinstein期权定价模型案例
- R语言中的风险价值模型度量指标TVaR与VaR
- R语言用线性回归模型预测空气质量臭氧数据
- R语言线性模型臭氧预测: 加权泊松回归,普通最小二乘,加权负二项式模型