Keras入门必读教程：手把手从安装到解决实际问题( 三 ) 导读：Keras是目前深度学习研究

文章图片
▲图2-14LSTM网络结构示意图
Keras官方已经为大家准备好了LSTM模型的API ，并且提供了IMDB电影评论数据集，其中包含了评论内容和打分。下面让我们来看如何使用Keras来解决情感分析的问题。首先引入所有需要的模块。
from__future__importprint_functionfromtensorflow.keras.preprocessingimportsequencefromtensorflow.keras.modelsimportSequentialfromtensorflow.keras.layersimportDense,Embedding,LSTMfromtensorflow.keras.datasetsimportimdb准备好数据，选择最常用的20000个词作为特征数据，并将数据分为训练集和测试集。对于文本数据，这里需要进行长度统一，设置最大长度为80个词，如果超过则截断，不足则补零。
max_features=20000maxlen=80batch_size=32(x_train,y_train),(x_test,y_test)=imdb.load_data(num_words=max_features)x_train=sequence.pad_sequences(x_train,maxlen=maxlen)x_test=sequence.pad_sequences(x_test,maxlen=maxlen)数据处理完成后就可以搭建模型了。首先使用嵌入层作为模型的第一层，将输入的20000维的文字向量转换为128维的稠密向量。接着就是利用LSTM模型进行文本序列的深度学习训练。最终使用全连接层加上Sigmoid激活函数作为最终的判断输出。搭建完毕后还需要为模型设置编译的损失函数和优化器。
model=Sequential()model.add(Embedding(max_features,128))model.add(LSTM(128,dropout=0.2,recurrent_dropout=0.2))model.add(Dense(1,activation='sigmoid'))model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])然后就可以训练和评估情感分析的模型了。在Keras帮助下，通过简单的几步就可以完成基于深度学习的文本情感分析的任务。
model.fit(x_train,y_train,batch_size=batch_size,epochs=15,validation_data=https://pcff.toutiao.jxnews.com.cn/p/20210923/(x_test,y_test))score,acc=model.evaluate(x_test,y_test,batch_size=batch_size)print('Testscore:',score)print('Testaccuracy:',acc)在使用Keras框架训练完模型以后，可以通过Keras的save方法将模型保存下来。为了能够更好地让机器学习投入真实世界的应用中去，我们可以为模型封装一个外部的应用程序。在互联网时代，使用网络接入AI模型是对于用户来说成本最低的方式。
为此我们可以搭建一个基于Web的AI应用程序，将模型投入生产环境中为互联网用户提供即时的网页服务。
在Python中常用的Web编程框架是Flask ，它是一个非常流行的Python服务端程序框架，相比于在Python领域非常流行的Django ，它的特点在于更为精简，去除了一些封装好的服务，只保留了最基本的服务器程序，而其余的扩展可以通过用户自己添加第三方包实现。
关于作者：史丹青，语忆科技联合创始人兼技术负责人，毕业于同济大学电子信息工程系。拥有多年时间的AI领域创业与实战经验，具备深度学习、自然语言处理以及数据可视化等相关知识与技能。是AI技术的爱好者，并拥抱一切新兴科技，始终坚信技术分享和开源精神的力量。
本文摘编自《生成对抗网络入门指南》（第2版），经出版方授权发布。

文章图片
延伸阅读《生成对抗网络入门指南》（第2版）
推荐语：揭秘AI如何生成逼真人脸图像，追踪GAN前沿技术更新。