Keras 练习5 - 文本分类

文本和图片在数据有很大区别,图片对每个像素进行rgb颜色值编码,数值也在0-255之间,数据非常规整。文本长度不固定,每段文字中的单个字词又有区别。因此,对文本数据进行处理,使之适合机器学习。

文本需要经过以下几步处理:

  • 建 token:将每个字进行数字编码
  • 数字化:将文本根据token转换为数字序列
  • 统一文本长度:确定长度后,对文本截长补短
  • 嵌入数据:将每个数字转化为向量,见tensorflow的嵌入描述。在代码上,实际是通过增加一个Embedding layer来实现的

精度提高的方法:

  • 增大tokenizer数目,文本统一长度曾长
  • 需要用RNN 和 LSTM替换MLP和CNN,原因是,MLP/CNN是静态数据,当涉及到时间序列问题,则需要用RNN/LSTM

影评数据来源:http://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz

import os
import re
from keras.preprocessing import sequence
from keras.preprocessing.text import Tokenizer
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers.embeddings import Embedding
from keras.layers.recurrent import SimpleRNN
from keras.layers.recurrent import LSTM

import matplotlib.pyplot as plt
import numpy as np

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
np.random.seed(10)

def rm_tags(text):
    re_tag = re.compile(r'<[^>]+>')
    return re_tag.sub('', text)

def read_files(filetype):
    path = "data/aclImdb/"
    file_list = []

    positive_path = os.path.join(path, filetype, "pos")
    for f in os.listdir(positive_path):
        file_list += [os.path.join(positive_path, f)] 

    negative_path = os.path.join(path, filetype, "neg")
    for f in os.listdir(negative_path):
        file_list += [os.path.join(negative_path, f)]
    print("read ", filetype, " files: ", len(file_list))
    all_labels = ([1] * 12500 + [0] * 12500)

    all_text = []
    for fi in file_list:
        with open(fi, encoding = 'utf8') as file_input:
            all_text += [rm_tags(" ".join(file_input.readlines()))]
    return all_labels, all_text

y_train_label, train_text = read_files("train")
y_test_label, test_text = read_files("test")


token = Tokenizer(num_words = 2000)
token.fit_on_texts(train_text)

print(token.document_count)
#print(token.word_index)

print("*" * 20)
x_train_seq = token.texts_to_sequences(train_text)
x_test_seq = token.texts_to_sequences(test_text)

x_train = sequence.pad_sequences(x_train_seq, maxlen = 100)
x_test = sequence.pad_sequences(x_test_seq, maxlen = 100)
print(train_text[0])
print("*" * 20)
print("len = ", len(x_train_seq[0]))
print(x_train_seq[0])
print("*" * 20)
print("len = ", len(x_train[0]))
print(x_train[0])

model = Sequential()
model.add(Embedding(output_dim = 32,
                    input_dim = 2000,
                    input_length = 100))
model.add(Dropout(0.2))

# MLP, RNN, LSTM
model.add(Flatten())
#model.add(SimpleRNN(units = 16))
#model.add(LSTM(32))

model.add(Dense(units = 256,
                activation = "relu"))
model.add(Dropout(0.25))
model.add(Dense(units = 1,
                activation = "sigmoid"))

model.summary()

model.compile(loss = "binary_crossentropy",
            optimizer = "adam",
            metrics = ["accuracy"])
train_history = model.fit(x_train, y_train_label, batch_size = 100,
        epochs = 10,
        verbose = 2,
        validation_split = 0.2)

def show_train_history(train_history, train, val):
    plt.plot(train_history.history[train])
    plt.plot(train_history.history[val])
    plt.title("Train History")
    plt.ylabel(train)
    plt.xlabel("Epochs")
    plt.legend(["train", "validation"], loc="upper left")
    plt.show()

show_train_history(train_history, "acc", "val_acc")
show_train_history(train_history, "loss", "val_loss")


scores = model.evaluate(x_test, y_test_label, verbose = 1)
print("    loss: ", scores[0])
print("accuracy: ", scores[1])

predict = model.predict_classes(x_test)
print(predict[:10])

def display_test_sentiment(i):
    sem = { 1: "positive", 0: "negative"}
    print(test_text[i])
    print("   real: ", sem[y_test_label[i]])
    print("predict: ", sem[predict[i][0]])

display_test_sentiment(2)

网络结构:

_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
embedding_1 (Embedding)      (None, 100, 32)           64000
_________________________________________________________________
dropout_1 (Dropout)          (None, 100, 32)           0
_________________________________________________________________
flatten_1 (Flatten)          (None, 3200)              0
_________________________________________________________________
dense_1 (Dense)              (None, 256)               819456
_________________________________________________________________
dropout_2 (Dropout)          (None, 256)               0
_________________________________________________________________
dense_2 (Dense)              (None, 1)                 257
=================================================================
Total params: 883,713
Trainable params: 883,713
Non-trainable params: 0
_________________________________________________________________

训练结果:

精度:

  • MLP: accuracy: 0.81576
  • RNN: accuracy: 0.8096
  • LSTM: accuracy: 0.83528
    RNN似乎并没有比MLP更好,原因需要进一步研究。
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,793评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,567评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,342评论 0 338
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,825评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,814评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,680评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,033评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,687评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 42,175评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,668评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,775评论 1 332
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,419评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,020评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,978评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,206评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,092评论 2 351
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,510评论 2 343

推荐阅读更多精彩内容