原文鏈接：http://tecdat.cn/?p=8613
深度學習無處不在。在本文中，我們將使用Keras進行文本分類。
准備數據集
出於演示目的，我們將使用 20個新聞組 數據集。數據分為20個類別，我們的工作是預測這些類別。如下所示：
通常，對於深度學習，我們將訓練和測試數據分開。
導入所需的軟件包
|
1
2
3
4
5
6
7
8
9
|
import pandas as pd
import numpy as np
import pickle
from keras.preprocessing.text import Tokenizer
from keras.models import Sequential
from keras.layers import Activation, Dense, Dropout
from sklearn.preprocessing import LabelBinarizer
import sklearn.datasets as skds
from pathlib import Path
|
將數據從文件加載到Python變量
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
# For reproducibility
np.random.seed(1237)
label_index = files_train.target
label_names = files_train.target_names
labelled_files = files_train.filenames
data_tags = ["filename","category","news"]
data_list = []
# Read and add data from file to a list
data = pd.DataFrame.from_records(data_list, columns=data_tags)
|
在我們的情況下，數據無法以CSV格式提供。我們有文本數據文件，文件存放的目錄是我們的標簽或類別。
我們將使用scikit-learn load_files方法。這種方法可以為我們提供原始數據以及標簽和標簽索引。
在以上代碼的結尾，我們將有一個數據框，其中包含文件名，類別和實際數據。
拆分數據進行訓練和測試
|
1
2
3
4
5
6
7
8
9
10
|
# lets take 80% data as training and remaining 20% for test.
train_size = int(len(data) * .8)
train_posts = data['news'][:train_size]
train_tags = data['category'][:train_size]
train_files_names = data['filename'][:train_size]
test_posts = data['news'][train_size:]
test_tags = data['category'][train_size:]
test_files_names = data['filename'][train_size:]
|
標記化並准備詞匯
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# 20 news groups
num_labels = 20
vocab_size = 15000
batch_size = 100
# define Tokenizer with Vocab Size
tokenizer = Tokenizer(num_words=vocab_size)
tokenizer.fit_on_texts(train_posts)
|
在對文本進行分類時，我們首先使用Bag Of Words方法對文本進行預處理。
預處理輸出標簽/類
在將文本轉換為數字向量后，我們還需要確保標簽以神經網絡模型接受的數字格式表示。
建立Keras模型並擬合
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
model = Sequential()
|
它為輸入數據的形狀以及構成模型的圖層類型提供了簡單的配置。
這是一些適合度和測試准確性的代碼段
|
1
2
3
4
5
6
7
8
9
10
11
12
|
100/8145 [..............................] - ETA: 31s - loss: 1.0746e-04 - acc: 1.0000
200/8145 [..............................] - ETA: 31s - loss: 0.0186 - acc: 0.9950
300/8145 [>.............................] - ETA: 35s - loss: 0.0125 - acc: 0.9967
400/8145 [>.............................] - ETA: 32s - loss: 0.0094 - acc: 0.9975
500/8145 [>.............................] - ETA: 30s - loss: 0.0153 - acc: 0.9960
...
7900/8145 [============================>.] - ETA: 0s - loss: 0.1256 - acc: 0.9854
8000/8145 [============================>.] - ETA: 0s - loss: 0.1261 - acc: 0.9855
8100/8145 [============================>.] - ETA: 0s - loss: 0.1285 - acc: 0.9854
8145/8145 [==============================] - 29s 4ms/step - loss: 0.1293 - acc: 0.9854 - val_loss: 1.0597 - val_acc: 0.8742
Test accuracy: 0.8767123321648251
|
評估模型
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
for i in range(10):
prediction = model.predict(np.array([x_test[i]]))
predicted_label = text_labels[np.argmax(prediction[0])]
print(test_files_names.iloc[i])
print('Actual label:' + test_tags.iloc[i])
print("Predicted label: " + predicted_label)
|
在Fit方法訓練了我們的數據集之后，我們將如上所述評估模型。
混淆矩陣
混淆矩陣是可視化模型准確性的最佳方法之一。
保存模型
通常，深度學習的用例就像在不同的會話中進行數據訓練，而使用訓練后的模型進行預測一樣。
|
1
2
3
4
5
6
|
# creates a HDF5 file 'my_model.h5'
model.model.save('my_model.h5')
# Save Tokenizer i.e. Vocabulary
with open('tokenizer.pickle', 'wb') as handle:
pickle.dump(tokenizer, handle, protocol=pickle.HIGHEST_PROTOCOL)
|
Keras沒有任何實用程序方法可將Tokenizer與模型一起保存。我們必須單獨序列化它。
加載Keras模型
預測環境還需要注意標簽。
|
1
|
encoder.classes_ #LabelBinarizer
|
預測
如前所述，我們已經預留了一些文件進行實際測試。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
labels = np.array(['alt.atheism', 'comp.graphics', 'comp.os.ms-windows.misc',
'comp.sys.ibm.pc.hardware', 'comp.sys.mac.hardware', 'comp.windows.x',
'misc.forsale', 'rec.autos', 'rec.motorcycles', 'rec.sport.baseball',
'rec.sport.hockey', 'sci.crypt', 'sci.electronics', 'sci.med', 'sci.space',
'soc.religion.christian', 'talk.politics.guns', 'talk.politics.mideast',
'talk.politics.misc', 'talk.religion.misc'])
...
for x_t in x_tokenized:
prediction = model.predict(np.array([x_t]))
predicted_label = labels[np.argmax(prediction[0])]
print("File ->", test_files[i], "Predicted label: " + predicted_label)
i += 1
|
輸出量
|
1
2
3
|
File -> C:\DL\20news-bydate\20news-bydate-test\comp.graphics\38758 Predicted label: comp.graphics
File -> C:\DL\20news-bydate\20news-bydate-test\misc.forsale\76115 Predicted label: misc.forsale
File -> C:\DL\20news-bydate\20news-bydate-test\soc.religion.christian\21329 Predicted label: soc.religion.christian
|
我們知道目錄名是文件的真實標簽，因此上述預測是准確的。
結論
在本文中，我們使用Keras python庫構建了一個簡單而強大的神經網絡。