【深度学习笔记整理

【深度学习笔记整理

1.关于多分类，如果是每个数据点只能被划分到一个类别，那他就是单标签，多分类问题，反之，如果每个数据点可以被分到多个类别，那他就是一个多标签，多分类的问题。关于新闻主题分类，就是典型的单标签，多分类问题。

2.路透社数据集也是keras内置的数据集，包含46个不同的主题，每个主题有至少十个样本，共有8982个训练样本和2246个测试样本。

3.引入数据集

from keras.datasets import reuters# 取频率最高的前一万字
(train_datas,train_labels),(test_datas,test_labels) = reuters.load_data(num_words=10000) # 将数据反向解码为新闻文本查看
word_index = _word_index()
reverse_word_index = dict([(value,key) for (key,value) in word_index.items()])
text = ' '.join([reverse_(i-3,'?') for i in train_datas[0]])

4.将数据集转化为one-hot型（也可以不转使用embedding）

import numpy as npdef seq_to_one_hot(sequences,dimention):'''此函数输入为不同新闻文本词下标向量所组成的二维张量，故第一维为样本数，第二维为one_hot对应维度。'''results = np.zeros((len(sequences),dimention))for i,sequence in enumerate(sequences):results[i,sequence] = 1return resultsx_train = seq_to_one_hot(train_datas,10000)x_test = seq_to_one_hot(test_datas,10000)

5.类标转换为one_hot

y_train = seq_to_one_hot(train_labels,46)y_test = seq_to_one_hot(test_labels,46) 

当然，这里也可以使用util内置的to_categorical

 6.构建神经网络

这里构建的神经网络与上节类似，只不过最后一层的激活函数应为softmax，编译时损失函数应为categorical_crossentropy