实战篇：如何用Keras建立神经网络（附全部代码）

摘要：摘要机器学习实战篇用简单的代码打造属于自己的神经网络模型是目前最受欢迎的深度学习库之一，对人工智能的商业化做出了巨大贡献。你学会了如何建立一个简单的六层神经网络，可以预测电影评论的情感，其准确率达到。

摘要： 机器学习实战篇：用简单的代码打造属于自己的神经网络模型～

Keras是目前最受欢迎的深度学习库之一，对人工智能的商业化做出了巨大贡献。它使用起来非常简单，它使你能够通过几行代码就可以构建强大的神经网络。在这篇文章中，你将了解如何通过Keras构建神经网络，并且将用户评论分为两类：积极或消极来预测用户评论的情感。这就是社交媒体所谓的情感分析，我们会用著名的imdb评论数据集来做。我们构建的模型只需进行一些更改，就可以应用于其他机器学习问题。

请注意，我们不会深入Keras或深度学习的细节，这对于想要进入人工智能领域却没有深厚的数学功底的程序员来说是件好事。

目录：

1.Keras是什么？

2.什么是情绪分析？

3.imdb数据集。

4.导入依赖关系并获取数据。

5.探索数据。

6.数据准备。

7.建立和训练模型。

Keras是一个开源的python库，可以让你轻松构建神经网络。该库能够在TensorFlow、Microsoft Cognitive Toolkit、Theano和MXNet上运行。Tensorflow和Theano是Python中用来构建深度学习算法的最常用的平台，但它们可能相当复杂且难以使用。相比之下，Keras提供了一种简单方便的方法来构建深度学习模型。它的创造者FrançoisChollet开发了它，使人们能够尽可能快速和简单地构建神经网络。他专注于可扩展性、模块化、极简主义和python的支持。Keras可以与GPU和CPU一起使用，并支持Python 2和Python 3。Google Keras为深度学习和人工智能的商业化做出了巨大贡献，越来越多的人正在使用它们。

借助情感分析，我们想要确定例如演讲者或作家对于文档或事件的态度（例如情感）。因此，这是一个自然语言处理问题，需要理解文本，以预测潜在的意图。情绪主要分为积极的，消极的和中立的类别。通过使用情绪分析，我们希望根据他撰写的评论，预测客户对产品的意见和态度。因此，情绪分析广泛应用于诸如评论，调查，文档等等。

imdb情绪分类数据集由来自imdb用户的50,000个电影评论组成，标记为positive（1）或negative（0）。评论是预处理的，每一个都被编码为一个整数形式的单词索引序列。评论中的单词按照它们在数据集中的总体频率进行索引。例如，整数“2”编码数据中第二个最频繁的词。50,000份评论分为25,000份训练和25,000份测试。该数据集由斯坦福大学的研究人员创建，并在2011年发表在一篇论文中，他们的准确性达到了88.89％。它也被用在2011年Kaggle竞赛的“Bag of Words Meets Bags of Popcorn”方案中，并且取得了非常好的效果。

我们首先导入所需的依赖关系来预处理数据并构建我们的模型。

％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

我们继续下载imdb数据集，幸好它已经被内置到Keras中。这样我们就不用将他进行5/5测试拆分，但我们也会在下载后立即将数据合并到数据和目标中，以便稍后进行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)

现在我们可以开始探索数据集了：

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

你可以在上面的输出中看到数据集被标记为两个类别，分别代表0或1，表示评论的情感。整个数据集包含9998个独特单词，平均评论长度为234个单词，标准差为173个单词。

现在我们来看一个训练样例：

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，你会看到标记为肯定（1）的数据集评论。下面的代码检索字典映射词索引回到原来的单词，以便我们可以阅读它们，它用“＃”替换每个未知的单词。它可以通过使用get_word_index（）函数来完成这一操作。

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

现在是准备我们的数据的时候了。我们将矢量化每个评论并填充零，以便它包含正好一万个数字。这意味着我们用零填充每个比10,000短的评论。我们这样做是因为大多数的评论长度差不多都在这个长度，并且我们的神经网络的每次输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")

现在我们将数据分成训练和测试集。训练集将包含40,000条评论，测试设置为10,000条。

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

我们现在可以建立我们简单的神经网络了，我们首先定义我们想要构建的模型的类型。Keras中有两种类型的模型可供使用：功能性API使用的Sequential模型和Model类。

然后我们只需添加输入层，隐藏层和输出层。在他们之间，我们使用dropout来防止过度拟合。请注意，你应始终使用20％到50％之间的dropout。在每一层，我们使用“密集层”，这意味着单元完全连接。在隐藏层中，我们使用relu函数，因为它总是一个好的开始，并且在大多数情况下会产生令人满意的结果，当然你也可以随意尝试其他激活功能。在输出层，我们使用sigmoid函数，它将0和1之间的值进行映射。请注意，我们在输入层将输入大小设置为10,000，因为我们的评论长度为10,000个整数。输入层需要10,000个输入，并以50的shape输出。

最后，我们让Keras打印我们刚刚构建的模型的摘要。

# 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
_________________________________________________________________

现在我们需要优化我们的模型，这只不过是配置训练模型,我们使用“adam”优化器。优化器是在训练期间改变权重和偏差的算法。我们也选择二进制--交叉熵作为损失（因为我们处理二进制分类）和准确性作为我们的评估指标。

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

我们现在开始训练我们的模型，我们用batch_size为500来完成这件事，并且只对两个epochs，因为我认识到如果我们训练它的时间越长，模型就会过度拟合。批量大小定义了将通过网络传播的样本数量，一个epoch是对整个训练数据的迭代。总的来说，批量大小可以加快训练速度，但并不总是快速收敛。较小的批量大小是训练速度较慢，但它可以更快地收敛。这绝对取决于问题性质，所以你需要尝试一些不同的值。如果你第一次遇到问题，我建议你首先使用批量大小为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

现在是评估我们的模型的时候了：

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

0.894750000536

真棒！有了这个简单的模型，我们已经超过了我在开始时提到的2011年论文的准确性。

你可以在下面看到整个模型的代码：

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"]))

总结
在本文中，你了解到了什么是情感分析的内容，以及为什么Keras是最常用的深度学习库之一。最重要的是，你了解到Keras对深度学习和人工智能的商业化做出了巨大贡献。你学会了如何建立一个简单的六层神经网络，可以预测电影评论的情感，其准确率达到89％。现在，你可以使用此模型对其他文本来源进行情感分析，但需要将其全部更改为10,000的长度，或者更改输入图层的输入大小。你也可以将此模型应用于其他相关机器学习问题，只需进行一些更改。

文章标题《how-to-build-a-neural-network-with-keras》

作者：Niklas Donges