摘要：摘要機器學習實戰(zhàn)篇用簡單的代碼打造屬于自己的神經(jīng)網(wǎng)絡(luò)模型是目前最受歡迎的深度學習庫之一，對人工智能的商業(yè)化做出了巨大貢獻。你學會了如何建立一個簡單的六層神經(jīng)網(wǎng)絡(luò)，可以預(yù)測電影評論的情感，其準確率達到。

摘要： 機器學習實戰(zhàn)篇：用簡單的代碼打造屬于自己的神經(jīng)網(wǎng)絡(luò)模型～

Keras是目前最受歡迎的深度學習庫之一，對人工智能的商業(yè)化做出了巨大貢獻。它使用起來非常簡單，它使你能夠通過幾行代碼就可以構(gòu)建強大的神經(jīng)網(wǎng)絡(luò)。在這篇文章中，你將了解如何通過Keras構(gòu)建神經(jīng)網(wǎng)絡(luò)，并且將用戶評論分為兩類：積極或消極來預(yù)測用戶評論的情感。這就是社交媒體所謂的情感分析，我們會用著名的imdb評論數(shù)據(jù)集來做。我們構(gòu)建的模型只需進行一些更改，就可以應(yīng)用于其他機器學習問題。

請注意，我們不會深入Keras或深度學習的細節(jié)，這對于想要進入人工智能領(lǐng)域卻沒有深厚的數(shù)學功底的程序員來說是件好事。

目錄：

1.Keras是什么？

2.什么是情緒分析？

3.imdb數(shù)據(jù)集。

4.導(dǎo)入依賴關(guān)系并獲取數(shù)據(jù)。

5.探索數(shù)據(jù)。

6.數(shù)據(jù)準備。

7.建立和訓(xùn)練模型。

Keras是一個開源的python庫，可以讓你輕松構(gòu)建神經(jīng)網(wǎng)絡(luò)。該庫能夠在TensorFlow、Microsoft Cognitive Toolkit、Theano和MXNet上運行。Tensorflow和Theano是Python中用來構(gòu)建深度學習算法的最常用的平臺，但它們可能相當復(fù)雜且難以使用。相比之下，Keras提供了一種簡單方便的方法來構(gòu)建深度學習模型。它的創(chuàng)造者Fran?oisChollet開發(fā)了它，使人們能夠盡可能快速和簡單地構(gòu)建神經(jīng)網(wǎng)絡(luò)。他專注于可擴展性、模塊化、極簡主義和python的支持。Keras可以與GPU和CPU一起使用，并支持Python 2和Python 3。Google Keras為深度學習和人工智能的商業(yè)化做出了巨大貢獻，越來越多的人正在使用它們。

借助情感分析，我們想要確定例如演講者或作家對于文檔或事件的態(tài)度（例如情感）。因此，這是一個自然語言處理問題，需要理解文本，以預(yù)測潛在的意圖。情緒主要分為積極的，消極的和中立的類別。通過使用情緒分析，我們希望根據(jù)他撰寫的評論，預(yù)測客戶對產(chǎn)品的意見和態(tài)度。因此，情緒分析廣泛應(yīng)用于諸如評論，調(diào)查，文檔等等。

imdb情緒分類數(shù)據(jù)集由來自imdb用戶的50,000個電影評論組成，標記為positive（1）或negative（0）。評論是預(yù)處理的，每一個都被編碼為一個整數(shù)形式的單詞索引序列。評論中的單詞按照它們在數(shù)據(jù)集中的總體頻率進行索引。例如，整數(shù)“2”編碼數(shù)據(jù)中第二個最頻繁的詞。50,000份評論分為25,000份訓(xùn)練和25,000份測試。該數(shù)據(jù)集由斯坦福大學的研究人員創(chuàng)建，并在2011年發(fā)表在一篇論文中，他們的準確性達到了88.89％。它也被用在2011年Kaggle競賽的“Bag of Words Meets Bags of Popcorn”方案中，并且取得了非常好的效果。

我們首先導(dǎo)入所需的依賴關(guān)系來預(yù)處理數(shù)據(jù)并構(gòu)建我們的模型。

％matplotlib inline 
import matplotlib 
import matplotlib.pyplot as plt
import numpy as np 
from keras.utils import to_categorical 
from keras import keras import models 
from keras import layers

我們繼續(xù)下載imdb數(shù)據(jù)集，幸好它已經(jīng)被內(nèi)置到Keras中。這樣我們就不用將他進行5/5測試拆分，但我們也會在下載后立即將數(shù)據(jù)合并到數(shù)據(jù)和目標中，以便稍后進行80/20的拆分。

from keras.datasets import imdb
(training_data, training_targets), (testing_data, testing_targets) = imdb.load_data(num_words=10000)
data = np.concatenate((training_data, testing_data), axis=0)
targets = np.concatenate((training_targets, testing_targets), axis=0)

現(xiàn)在我們可以開始探索數(shù)據(jù)集了：

print("Categories:", np.unique(targets))
print("Number of unique words:", len(np.unique(np.hstack(data))))

Categories: [0 1]
Number of unique words: 9998
length = [len(i) for i in data]
print("Average Review length:", np.mean(length))
print("Standard Deviation:", round(np.std(length)))

Average Review length: 234.75892
Standard Deviation: 173.0

你可以在上面的輸出中看到數(shù)據(jù)集被標記為兩個類別，分別代表0或1，表示評論的情感。整個數(shù)據(jù)集包含9998個獨特單詞，平均評論長度為234個單詞，標準差為173個單詞。

現(xiàn)在我們來看一個訓(xùn)練樣例：

print("Label:", targets[0])

Label: 1
print(data[0])

[1, 14, 22, 16, 43, 530, 973, 1622, 1385, 65, 458, 4468, 66, 3941, 4, 173, 36, 256, 5, 25, 100, 43, 838, 112, 50, 670
, 2, 9, 35, 480, 284, 5, 150, 4, 172, 112, 167, 2, 336, 385, 39, 4, 172, 4536, 1111, 17, 546, 38, 13, 447, 4, 192, 50
, 16, 6, 147, 2025, 19, 14, 22, 4, 1920, 4613, 469, 4, 22, 71, 87, 12, 16, 43, 530, 38, 76, 15, 13, 1247, 4, 22, 17, 
515, 17, 12, 16, 626, 18, 2, 5, 62, 386, 12, 8, 316, 8, 106, 5, 4, 2223, 5244, 16, 480, 66, 3785, 33, 4, 130, 12, 16,
 38, 619, 5, 25, 124, 51, 36, 135, 48, 25, 1415, 33, 6, 22, 12, 215, 28, 77, 52, 5, 14, 407, 16, 82, 2, 8, 4, 107, 
117, 5952, 15, 256, 4, 2, 7, 3766, 5, 723, 36, 71, 43, 530, 476, 26, 400, 317, 46, 7, 4, 2, 1029, 13, 104, 88, 4, 381
, 15, 297, 98, 32, 2071, 56, 26, 141, 6, 194, 7486, 18, 4, 226, 22, 21, 134, 476, 26, 480, 5, 144, 30, 5535, 18, 51, 
36, 28, 224, 92, 25, 104, 4, 226, 65, 16, 38, 1334, 88, 12, 16, 283, 5, 16, 4472, 113, 103, 32, 15, 16, 5345,
 19, 178, 32]

在上方，你會看到標記為肯定（1）的數(shù)據(jù)集評論。下面的代碼檢索字典映射詞索引回到原來的單詞，以便我們可以閱讀它們，它用“＃”替換每個未知的單詞。它可以通過使用get_word_index（）函數(shù)來完成這一操作。

index = imdb.get_word_index()
reverse_index = dict([(value, key) for (key, value) in index.items()]) 
decoded = " ".join( [reverse_index.get(i - 3, "#") for i in data[0]] )
print(decoded) 

# this film was just brilliant casting location scenery story direction everyone"s really suited the part they played and you could 
just imagine being there robert # is an amazing actor and now the same being director # father came from the same scottish island as
 myself so i loved the fact there was a real connection with this film the witty remarks throughout the film were great it was just 
brilliant so much that i bought the film as soon as it was released for # and would recommend it to everyone to watch and the fly 
fishing was amazing really cried at the end it was so sad and you know what they say if you cry at a film it must have been good and 
this definitely was also # to the two little boy"s that played the # of norman and paul they were just brilliant children are often 
left out of the # list i think because the stars that play them all grown up are such a big profile for the whole film but these 
children are amazing and should be praised for what they have done don"t you think the whole story was so lovely because it was 
true and was someone"s life after all that was shared with us all

現(xiàn)在是準備我們的數(shù)據(jù)的時候了。我們將矢量化每個評論并填充零，以便它包含正好一萬個數(shù)字。這意味著我們用零填充每個比10,000短的評論。我們這樣做是因為大多數(shù)的評論長度差不多都在這個長度，并且我們的神經(jīng)網(wǎng)絡(luò)的每次輸入都需要具有相同的大小。

def vectorize(sequences, dimension = 10000):
results = np.zeros((len(sequences), dimension))
for i, sequence in enumerate(sequences):
results[i, sequence] = 1
return results
 
data = vectorize(data)
targets = np.array(targets).astype("float32")

現(xiàn)在我們將數(shù)據(jù)分成訓(xùn)練和測試集。訓(xùn)練集將包含40,000條評論，測試設(shè)置為10,000條。

test_x = data[:10000]
test_y = targets[:10000]
train_x = data[10000:]
train_y = targets[10000:]

我們現(xiàn)在可以建立我們簡單的神經(jīng)網(wǎng)絡(luò)了，我們首先定義我們想要構(gòu)建的模型的類型。Keras中有兩種類型的模型可供使用：功能性API使用的Sequential模型和Model類。

然后我們只需添加輸入層，隱藏層和輸出層。在他們之間，我們使用dropout來防止過度擬合。請注意，你應(yīng)始終使用20％到50％之間的dropout。在每一層，我們使用“密集層”，這意味著單元完全連接。在隱藏層中，我們使用relu函數(shù)，因為它總是一個好的開始，并且在大多數(shù)情況下會產(chǎn)生令人滿意的結(jié)果，當然你也可以隨意嘗試其他激活功能。在輸出層，我們使用sigmoid函數(shù)，它將0和1之間的值進行映射。請注意，我們在輸入層將輸入大小設(shè)置為10,000，因為我們的評論長度為10,000個整數(shù)。輸入層需要10,000個輸入，并以50的shape輸出。

最后，我們讓Keras打印我們剛剛構(gòu)建的模型的摘要。

# Input - Layer
model.add(layers.Dense(50, activation = "relu", input_shape=(10000, )))
# Hidden - Layers
model.add(layers.Dropout(0.3, noise_shape=None, seed=None))
model.add(layers.Dense(50, activation = "relu")
model.add(layers.Dropout(0.2, noise_shape=None, seed=None))
model.add(layers.Dense(50, activation = "relu"))
# Output- Layer
model.add(layers.Dense(1, activation = "sigmoid"))model.summary()
model.summary()

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 50)                500050    
_________________________________________________________________
dropout_1 (Dropout)          (None, 50)                0         
_________________________________________________________________
dense_2 (Dense)              (None, 50)                2550      
_________________________________________________________________
dropout_2 (Dropout)          (None, 50)                0         
_________________________________________________________________
dense_3 (Dense)              (None, 50)                2550      
_________________________________________________________________
dense_4 (Dense)              (None, 1)                 51        
=================================================================
Total params: 505,201
Trainable params: 505,201
Non-trainable params: 0
_________________________________________________________________

現(xiàn)在我們需要優(yōu)化我們的模型，這只不過是配置訓(xùn)練模型,我們使用“adam”優(yōu)化器。優(yōu)化器是在訓(xùn)練期間改變權(quán)重和偏差的算法。我們也選擇二進制--交叉熵作為損失（因為我們處理二進制分類）和準確性作為我們的評估指標。

model.compile(
 optimizer = "adam",
 loss = "binary_crossentropy",
 metrics = ["accuracy"]
)

我們現(xiàn)在開始訓(xùn)練我們的模型，我們用batch_size為500來完成這件事，并且只對兩個epochs，因為我認識到如果我們訓(xùn)練它的時間越長，模型就會過度擬合。批量大小定義了將通過網(wǎng)絡(luò)傳播的樣本數(shù)量，一個epoch是對整個訓(xùn)練數(shù)據(jù)的迭代。總的來說，批量大小可以加快訓(xùn)練速度，但并不總是快速收斂。較小的批量大小是訓(xùn)練速度較慢，但它可以更快地收斂。這絕對取決于問題性質(zhì)，所以你需要嘗試一些不同的值。如果你第一次遇到問題，我建議你首先使用批量大小為32。

results = model.fit(
 train_x, train_y,
 epochs= 2,
 batch_size = 500,
 validation_data = (test_x, test_y)
)
Train on 40000 samples, validate on 10000 samples
Epoch 1/2
40000/40000 [==============================] - 5s 129us/step - loss: 0.4051 - acc: 0.8212 - val_loss: 0.2635 - val_acc: 0.8945
Epoch 2/2
40000/40000 [==============================] - 4s 90us/step - loss: 0.2122 - acc: 0.9190 - val_loss: 0.2598 - val_acc: 0.8950

現(xiàn)在是評估我們的模型的時候了：

print(np.mean(results.history["val_acc"]))

0.894750000536

真棒！有了這個簡單的模型，我們已經(jīng)超過了我在開始時提到的2011年論文的準確性。

你可以在下面看到整個模型的代碼：

import numpy as np
from keras.utils import to_categorical
from keras import models
from keras import layers
from keras.datasets import imdb
(training_data, training_targets), (testing_data, testing_targets) = imdb.load_data(num_words=10000)
data = np.concatenate((training_data, testing_data), axis=0)
targets = np.concatenate((training_targets, testing_targets), axis=0)
def vectorize(sequences, dimension = 10000):
 results = np.zeros((len(sequences), dimension))
 for i, sequence in enumerate(sequences):
 results[i, sequence] = 1
 return results
 
test_x = data[:10000]
test_y = targets[:10000]
train_x = data[10000:]
train_y = targets[10000:]
model = models.Sequential()
# Input - Layer
model.add(layers.Dense(50, activation = "relu", input_shape=(10000, )))
# Hidden - Layers
model.add(layers.Dropout(0.3, noise_shape=None, seed=None))
model.add(layers.Dense(50, activation = "relu"))
model.add(layers.Dropout(0.2, noise_shape=None, seed=None))
model.add(layers.Dense(50, activation = "relu"))
# Output- Layer
model.add(layers.Dense(1, activation = "sigmoid"))
model.summary()
# compiling the model
model.compile(
 optimizer = "adam",
 loss = "binary_crossentropy",
 metrics = ["accuracy"]
)
results = model.fit(
 train_x, train_y,
 epochs= 2,
 batch_size = 500,
 validation_data = (test_x, test_y)
)
print("Test-Accuracy:", np.mean(results.history["val_acc"]))

總結(jié)
在本文中，你了解到了什么是情感分析的內(nèi)容，以及為什么Keras是最常用的深度學習庫之一。最重要的是，你了解到Keras對深度學習和人工智能的商業(yè)化做出了巨大貢獻。你學會了如何建立一個簡單的六層神經(jīng)網(wǎng)絡(luò)，可以預(yù)測電影評論的情感，其準確率達到89％。現(xiàn)在，你可以使用此模型對其他文本來源進行情感分析，但需要將其全部更改為10,000的長度，或者更改輸入圖層的輸入大小。你也可以將此模型應(yīng)用于其他相關(guān)機器學習問題，只需進行一些更改。

文章標題《how-to-build-a-neural-network-with-keras》

作者：Niklas Donges