路透社新闻分类

1. 数据准备和载入
2. 查看文件基本信息
3. 创建网络模型
4. 训练网络模型
5. 词向量预训练与模型优化

embedding_matrix = pd.read_csv('embedding_matrix.csv')
embedding_matrix

import numpy as np
import pandas as pd
from tkinter import _flatten
import tensorflow as tf

embedding_matrix = pd.read_csv('embedding_matrix.csv')
data = np.load('reuters.npz', allow_pickle=True)
data.files   # 查看数据文件中的数据信息
X = data['x']   # 样本自变量
y = data['y']   # 样本标签（新闻主题类别）
pd.Series(X).apply(len).describe()   # 统计新闻词语数量的分布

wordList = _flatten(X.tolist())      # 将所有新闻报道转为一个一维元组
len(list(set(wordList)))             # 对单词编码去重并统计单词数量

30979

X_padding = tf.keras.preprocessing.sequence.pad_sequences(X, maxlen=200, padding='post')   # 执行padding操作

搭建RNN模型结构

input_shape=(200, )#文档长度
mask_zero=True
trainable=False不训练这个embedding
预训练embedding
30980*128=3965440就是我们要训练的参数的个数，即参数规模，这个参数是网络输出过程中的中间产物

# 搭建RNN神经网络模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Embedding(30980, 128, input_shape=(200, ), mask_zero=True,
                              weights=[embedding_matrix.values], trainable=False),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64, return_sequences=True)),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(32)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(46, activation='softmax')
])
model.summary()   # 查看网络结构

训练网络模型从而实现文本分类

# 网络模型训练参数设置
model.compile(loss='sparse_categorical_crossentropy',
              optimizer=tf.keras.optimizers.Adam(1e-4),
              metrics=['accuracy'])
model.fit(X_padding, y, validation_split=0.2, epochs=5, batch_size=8)   # 模型训练