下載清華大學的賓館評論數(shù)據(jù)集
from tensorflow import keras
import os
# 自動解壓笼踩,新建review_sentiment目錄
path = keras.utils.get_file('review_sentiment.v1.tgz', origin='http://nlp.csai.tsinghua.edu.cn/~lj/review_sentiment.v1.tgz',cache_subdir='review_sentiment',extract='true')
pre_path=os.path.split(path)[0]
# 得到上級目錄
print(pre_path)
# 打印文件結構
print(os.listdir(pre_path))
/root/.keras/review_sentiment
['review_sentiment.v1.tgz', 'train2', 'test2', 'train2.list', 'train2.rlabelclass', 'test2.list', 'test2.rlabelclass', 'readme.txt', 'readme.cn.txt']
處理數(shù)據(jù)文本文件
import os
import numpy as np
thu1 = thulac.thulac(seg_only=True)
max_lenth=0
def get_data(dir,label_file):
x=[]
y=[]
dir=os.path.join(pre_path,dir)
label_file=os.path.join(pre_path,label_file)
dic={}# 文件名所對應的label 詞典
f = open(label_file,'r+')
for line in f:
(key,value) = line.strip().split(' ')
dic[key] = value
f.close()
for fname in os.listdir(dir):
if fname[-4:]=='.txt':
try:
with open(os.path.join(dir,fname), encoding='gbk') as f:
text = thu1.cut(f.read()) #因為中文和英文有區(qū)別莫矗,需要進行分詞咽弦,我使用的是清華大學的thu1烛占,可以使用pip install thu1 安裝
text=' '.join(np.asarray(text)[:,0:1].reshape(-1))
x.append(text)
if dic[fname]=='+1':
y.append(1)
else:
y.append(0)
f.close()
except:
print(fname,'有問題')
return x,y
train_x,train_y=get_data('train2','train2.rlabelclass')
test_x,test_y=get_data('test2','test2.rlabelclass')
train_y=np.asarray(train_y)
test_y=np.asarray(test_y)
print('len(test_x)',len(test_x))
print('len(train_x)',len(train_x))
Model loaded succeed
56958_helen1970_2005-7-22_1.3.txt 有問題
51254_31801272_2006-9-15_1.5.txt 有問題
78674_hupu1128_2005-6-2_1.5.txt 有問題
23733_clcsandy_2006-10-7_1.8.txt 有問題
len(test_x) 4000
len(train_x) 11996
查看分詞過的數(shù)據(jù)
print(train_x[100],train_y[100])
print(train_x[6000],train_y[6000])
我 覺得 大觀園 挺 好 的 胎挎, 首先 是 房間 好 , 床 挺 舒適 的 忆家。 最 好 的 就 是 可以 免費 游園 犹菇, 還 能 免費 游泳 , 不 過 游泳 時 一定 要 帶 浴帽 不 太 符合 中國 國情 芽卿。
1
我 帶 外賓 入 住 揭芍, 外賓 說 臟 , 有 女人 頭發(fā) 卸例, 噴頭 掉 地上 等 称杨, 換 到 西苑飯店
0
將數(shù)據(jù)轉成向量
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
maxlen=200# 200漢字后截斷
max_words=5000 # 只考慮前10000個漢字
tokenizer=Tokenizer(num_words=max_words,filters='肌毅,!姑原。!"#$%&()*+,-./:;<=>?@[\]^_`{|}~\t\n')
tokenizer.fit_on_texts(train_x)
train_sequences=tokenizer.texts_to_sequences(train_x)
test_sequences=tokenizer.texts_to_sequences(test_x)
train_xx=pad_sequences(train_sequences,maxlen=200)
test_xx=pad_sequences(test_sequences,maxlen=200)
查看向量數(shù)據(jù)
print(train_xx[100],train_y[100])
print(train_xx[6000],train_y[6000])
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 5 195 255 10
1 740 3 8 10 102 255 283 1 56 10 1 15 3
42 134 18 48 134 1813 2 37 1813 85 244 22 272 4587
2 34 1028 698] 1
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 5 272 1385 53 9 1385 26 214 14 1838 1325 2438 445
1170 125 138 20] 0
創(chuàng)建模型(使用CNN和RNN)
from tensorflow.python.keras import Sequential
from tensorflow.python.keras.preprocessing import sequence
from tensorflow.keras.datasets import imdb
from tensorflow.keras import layers
from tensorflow import keras
from tensorflow.python.keras.utils import multi_gpu_model
model = Sequential([
layers.Embedding(5000, 128, input_length=maxlen),
layers.Conv1D(32, 7, activation='relu'),
layers.MaxPool1D(5),
layers.Conv1D(32, 7, activation='relu'),
layers.GRU(32,dropout=0.1,recurrent_dropout=0.5),
layers.Dense(1, activation='sigmoid')
])
model.summary()
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embedding_39 (Embedding) (None, 200, 128) 640000
_________________________________________________________________
conv1d_51 (Conv1D) (None, 194, 32) 28704
_________________________________________________________________
max_pooling1d_25 (MaxPooling (None, 38, 32) 0
_________________________________________________________________
conv1d_52 (Conv1D) (None, 32, 32) 7200
_________________________________________________________________
gru_14 (GRU) (None, 32) 6240
_________________________________________________________________
dense_41 (Dense) (None, 1) 33
=================================================================
Total params: 682,177
Trainable params: 682,177
Non-trainable params: 0
_________________________________________________________________
訓練模型
model.compile(optimizer=keras.optimizers.Adam(), loss='binary_crossentropy', metrics=['acc'])
history = model.fit(train_xx, train_y, epochs=20, batch_size=128, validation_data=(test_xx,test_y),shuffle=True)
/usr/lib/python3.6/site-packages/tensorflow/python/ops/gradients_impl.py:100: UserWarning: Converting sparse IndexedSlices to a dense Tensor of unknown shape. This may consume a large amount of memory.
"Converting sparse IndexedSlices to a dense Tensor of unknown shape. "
Train on 11996 samples, validate on 4000 samples
Epoch 1/20
11996/11996 [==============================] - 10s 835us/step - loss: 0.6656 - acc: 0.6062 - val_loss: 0.6899 - val_acc: 0.5767
Epoch 2/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.5150 - acc: 0.7519 - val_loss: 0.4344 - val_acc: 0.8015
Epoch 3/20
11996/11996 [==============================] - 5s 383us/step - loss: 0.2847 - acc: 0.8781 - val_loss: 0.3883 - val_acc: 0.8282
Epoch 4/20
11996/11996 [==============================] - 5s 383us/step - loss: 0.1947 - acc: 0.9231 - val_loss: 0.4066 - val_acc: 0.8323
Epoch 5/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.1442 - acc: 0.9458 - val_loss: 0.3524 - val_acc: 0.8622
Epoch 6/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.1225 - acc: 0.9520 - val_loss: 0.3714 - val_acc: 0.8587
Epoch 7/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.1048 - acc: 0.9592 - val_loss: 0.3849 - val_acc: 0.8635
Epoch 8/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.0895 - acc: 0.9648 - val_loss: 0.4006 - val_acc: 0.8628
Epoch 9/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.0738 - acc: 0.9702 - val_loss: 0.4215 - val_acc: 0.8645
Epoch 10/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.0567 - acc: 0.9784 - val_loss: 0.4656 - val_acc: 0.8572
Epoch 11/20
11996/11996 [==============================] - 5s 383us/step - loss: 0.0487 - acc: 0.9802 - val_loss: 0.5072 - val_acc: 0.8605
Epoch 12/20
11996/11996 [==============================] - 5s 383us/step - loss: 0.1366 - acc: 0.9488 - val_loss: 0.4496 - val_acc: 0.8602
Epoch 13/20
11996/11996 [==============================] - 5s 385us/step - loss: 0.0462 - acc: 0.9813 - val_loss: 0.5016 - val_acc: 0.8587
Epoch 14/20
11996/11996 [==============================] - 5s 383us/step - loss: 0.0369 - acc: 0.9837 - val_loss: 0.5263 - val_acc: 0.8583
Epoch 15/20
11996/11996 [==============================] - 5s 383us/step - loss: 0.0326 - acc: 0.9852 - val_loss: 0.5504 - val_acc: 0.8622
Epoch 16/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.0304 - acc: 0.9864 - val_loss: 0.5893 - val_acc: 0.8568
Epoch 17/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.0401 - acc: 0.9810 - val_loss: 0.6242 - val_acc: 0.8480
Epoch 18/20
11996/11996 [==============================] - 5s 384us/step - loss: 0.0289 - acc: 0.9861 - val_loss: 0.6144 - val_acc: 0.8558
Epoch 19/20
11996/11996 [==============================] - 5s 383us/step - loss: 0.0266 - acc: 0.9872 - val_loss: 0.6810 - val_acc: 0.8525
Epoch 20/20
11996/11996 [==============================] - 5s 383us/step - loss: 0.0241 - acc: 0.9882 - val_loss: 0.6731 - val_acc: 0.8522
查看錯誤的預測
predict_y=np.max(model.predict_classes(test_xx),axis=1)
result=np.equal(predict_y,test_y)
index_wrong=np.where(result==False)
wrong_text=np.asarray(test_x)[index_wrong]
wrong_predict_y=predict_y[index_wrong]
wrong_test_y=test_y[index_wrong]
dict_label={0:'否定',1:'肯定'}
for wt,wpy,wty in zip(wrong_text[0:10],wrong_predict_y[0:10],wrong_test_y[0:10]):
print(wt.strip().replace(' ',''),'\t\t預測:'+dict_label[wpy],'實際:'+dict_label[wty])
什么都好悬而,就是凌晨5店多有騷擾電話吃不消。希望酒店加強管理锭汛。給客人一個清靜的休息環(huán)境笨奠。順便提一下,健身房一流唤殴! 預測:否定 實際:肯定
有一點意見大堂總是有飯菜味道,五星級酒店不應該. 預測:否定 實際:肯定
位置絕佳,房間再精雕細刻一些就更好了,大小合適,床也夠大. 預測:否定 實際:肯定
如果所有員工都面帶微笑會更加理想. 預測:否定 實際:肯定
房間還行艰躺,價格一般,早餐不錯眨八,希望提高服務質量 預測:否定 實際:肯定
酒店不錯,就是設施陳舊了點,服務還可以,房間很大~~ 預測:否定 實際:肯定
世界各地喜來登也住了不少腺兴,這所座落在蘇州的具有園林特色的酒店讓人耳目一新。酒店大堂里現(xiàn)場民樂show很有特色廉侧,唯有的兩個小缺憾:1.挺有名氣的自助餐廳吃的那叫啥?!完全和昂貴的價格不符页响。2.房間內設備略顯陳舊。
BTW:前臺周小姐是我所入住過的世界各地所有酒店里態(tài)度最好段誊,笑容最甜美的服務人員闰蚕。 預測:否定 實際:肯定
迎賓樓好像重新裝修過了,環(huán)境不錯连舍。房間居然還有一臺電腦没陡,只不過屏幕是CRT的,不是液晶索赏,相對瘦型的主機來講盼玄,好像頭大身子小的大頭娃娃。網(wǎng)絡速度還算是不錯的潜腻,只是安裝的軟件全都太老了埃儿,無法直接使用,而且機器采用無盤工作站的方式融涣,安裝的是WINME操作系統(tǒng)童番,不算太好用,打游戲或者做做字處理工作威鹿,配合U盤還算不錯了剃斧。至于酒店各部門服務人員的態(tài)度還算不錯,夠5星水準了忽你。 預測:否定 實際:肯定
可能是溫州最好的酒店幼东。服務比較規(guī)范。中餐廳不錯。 預測:否定 實際:肯定
前臺小姑娘服務很好筋粗,會和客人小聊幾句,不刻板很人性化炸渡。
行李員服務到位娜亿,解釋送地圖很快捷,金鑰匙水平蚌堵;但是一次坐出租車晚上回來买决,司機停車不當上了逆行,一個門僮小伙子直接用力敲擊前窗吼畏,讓人惱火督赤;客人坐在里面,不尊重出租車也要尊重客人泻蚊。
裝潢顯舊了(不知“2005裝修”在哪里)躲舌,電梯里面干凈就是視覺亂七八糟。房間設施還可以性雄。
早餐92元没卸,現(xiàn)優(yōu)惠60元,基本可以秒旋。
位置優(yōu)勢明顯约计,海景、情侶大道迁筛。價格可以接收煤蚌。
補充點評2007年1月11日:補充:浴室衛(wèi)生紙架太靠后,取用不方便细卧。 預測:否定 實際:肯定
后記
- 使用一維的卷積很快尉桩,筆者顯卡gtx 750ti,運行起來也很快速
- 預測錯誤的數(shù)據(jù)贪庙,觀察得知大部分魄健,是因為評論中說了不好的,也說的好的插勤,其實這些分類可以歸為新的分類
- 如果不使用分詞工具分詞話沽瘦,正確率不會很高,先分詞农尖,然后用空格分隔析恋,這樣就和英文單詞一樣了,就可以參考imdb數(shù)據(jù)了