前言

• 实现步骤
• • 1.安装tensorflow
  • 2.导入所需要的tensorflow库和其它相关模块
  • 3.设置随机种子
  • 4.定义模型相关超参数
  • 5.加载需要的数据集
  • 6.对加载的文本内容进行填充和截断
  • 7.构建自己模型
  • 8.训练构建的模型
  • 9.评估完成的模型

• CNN（卷积神经网络）在文本分类任务中具有良好的特征提取能力、位置不变性、参数共享和处理大规模数据的优势，能够有效地学习文本的局部和全局特征，提高模型性能和泛化能力，所以本文将以CNN实现文本分类。
  CNN对文本分类的支持主要提现在：

  特征提取：CNN能够有效地提取文本中的局部特征。卷积层通过应用多个卷积核来捕获不同大小的n-gram特征，从而能够识别关键词、短语和句子结构等重要信息。

  位置不变性：对于文本分类任务，特征的位置通常是不重要的。CNN中的池化层（如全局最大池化）能够保留特征的最显著信息，同时忽略其具体位置，这对于处理可变长度的文本输入非常有帮助。

  参数共享：CNN中的卷积核在整个输入上共享参数，这意味着相同的特征可以在不同位置进行识别。这种参数共享能够极大地减少模型的参数量，降低过拟合的风险，并加快模型的训练速度。

  处理大规模数据：CNN可以高效地处理大规模的文本数据。由于卷积和池化操作的局部性质，CNN在处理文本序列时具有较小的计算复杂度和内存消耗，使得它能够适应大规模的文本分类任务。

  上下文建模：通过使用多个卷积核和不同的大小，CNN可以捕捉不同尺度的上下文信息。这有助于提高模型对文本的理解能力，并能够捕捉更长范围的依赖关系。

  实现步骤之前首先安装完成tensorflow

• 使用这个代码安装的前提是你的深度学习已经环境存在
• 例如：conda、pytorch、cuda、cudnn等环境

• conda create -n tf python=3.8
  conda activate tf
  #tensorflow的安装
  pip install tensorflow-gpu -i https://pypi.douban.com/simple
  

  一. 测试tensorflow是否安装成功

• 有三种方法

• 方法一：

import tensorflow as tf 
print(tf.__version__)
#输出'2.0.0-alpha0'
print(tf.test.is_gpu_available())
#会输出True,则证明安装成功

#新版本的tf把tf.test.is_gpu_available()换成如下命令
import tensorflow as tf 
tf.config.list_physical_devices('GPU')

• 方法二：

• import tensorflow as tf 
  with tf.device('/GPU:0'):a = tf.constant(3)
  

  方法三：

• #输入python，进入python环境
  import tensorflow as tf
  #查看tensorflow版本
  print(tf.__version__)
  #输出'2.0.0-alpha0'
  #测试GPU能否调用,先查看显卡使用情况
  import os 
  os.system("nvidia-smi")
  #调用显卡
  @tf.function
  def f():pass
  f()
  #这时会打印好多日志
  #再次查询显卡
  os.system("nvidia-smi")
  可以对比两次使用情况
  

  二、打开pycharm倒入你创建的tf环境，新建py文件开始构建代码

• 1.导入所需的库和模块：

import numpy as np
import tensorflow as tf
from tensorflow.keras.preprocessing import sequence
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Embedding, Conv1D, GlobalMaxPooling1D

其中提前安装TensorFlow来用于构建和训练模型，以及Keras中的各种层和模型类

2.设置随机种子：

np.random.seed(42)

在CNN（卷积神经网络）中设置随机种子主要是为了保证实验的可重复性。由于深度学习模型中涉及大量的随机性，如权重的初始化、数据的打乱（shuffle）等，设置随机种子可以使得每次实验的随机过程都保持一致，从而使得实验结果可以复现

3.定义模型超参数：

max_features = 5000  # 词汇表大小
max_length = 100  # 文本最大长度
embedding_dims = 50  # 词嵌入维度
filters = 250  # 卷积核数量
kernel_size = 3  # 卷积核大小
hidden_dims = 250  # 全连接层神经元数量
batch_size = 32  # 批处理大小
epochs = 5  # 训练迭代次数

超参数影响模型的结构和训练过程,可自行调整。

4.加载数据集：

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.imdb.load_data(num_words=max_features)

示例中，使用的IMDB电影评论数据集，其中包含以数字表示的评论文本和相应的情感标签（正面或负面）,使用tf.keras.datasets.imdb.load_data函数可以方便地加载数据集，并指定num_words参数来限制词汇表的大小。

5.对文本进行填充和截断：

x_train = sequence.pad_sequences(x_train, maxlen=max_length)
x_test = sequence.pad_sequences(x_test, maxlen=max_length)

由于每条评论的长度可能不同，需要将它们统一到相同的长度。sequence.pad_sequences函数用于在文本序列前后进行填充或截断，使它们具有相同的长度。

6.构建模型：

model = Sequential()
model.add(Embedding(max_features, embedding_dims, input_length=max_length))
model.add(Dropout(0.2))
model.add(Conv1D(filters, kernel_size, padding='valid', activation='relu', strides=1))
model.add(GlobalMaxPooling1D())
model.add(Dense(hidden_dims, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(1, activation='sigmoid'))

这个模型使用Sequential模型类构建，依次添加了嵌入层（Embedding）、卷积层（Conv1D）、全局最大池化层（GlobalMaxPooling1D）和两个全连接层（Dense）。嵌入层将输入的整数序列转换为固定维度的词嵌入表示，卷积层通过应用多个卷积核来提取特征，全局最大池化层获取每个特征通道的最大值，而两个全连接层用于分类任务。

7.编译模型：

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

在编译模型之前，需要指定损失函数、优化器和评估指标。使用二元交叉熵作为损失函数，Adam优化器进行参数优化，并使用准确率作为评估指标。

8.训练模型：

model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(x_test, y_test))

使用fit函数对模型进行训练。需要传入训练数据、标签，批处理大小、训练迭代次数，并可以指定验证集进行模型性能评估。

9.评估模型：

scores = model.evaluate(x_test, y_test, verbose=0)
print("Test accuracy:", scores[1])

使用evaluate函数评估模型在测试集上的性能，计算并打印出测试准确率。

完整代码

import numpy as np
import tensorflow as tf
from tensorflow.keras.preprocessing import sequence
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Embedding, Conv1D, GlobalMaxPooling1D# 设置随机种子
np.random.seed(42)# 定义模型超参数
max_features = 5000  # 词汇表大小
max_length = 100  # 文本最大长度
embedding_dims = 50  # 词嵌入维度
filters = 250  # 卷积核数量
kernel_size = 3  # 卷积核大小
hidden_dims = 250  # 全连接层神经元数量
batch_size = 32  # 批处理大小
epochs = 5  # 训练迭代次数# 加载数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.imdb.load_data(num_words=max_features)# 对文本进行填充和截断，使其具有相同的长度
x_train = sequence.pad_sequences(x_train, maxlen=max_length)
x_test = sequence.pad_sequences(x_test, maxlen=max_length)# 构建模型
model = Sequential()
model.add(Embedding(max_features, embedding_dims, input_length=max_length))
model.add(Dropout(0.2))
model.add(Conv1D(filters, kernel_size, padding='valid', activation='relu', strides=1))
model.add(GlobalMaxPooling1D())
model.add(Dense(hidden_dims, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(1, activation='sigmoid'))# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])# 训练模型
model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(x_test, y_test))# 评估模型
scores = model.evaluate(x_test, y_test, verbose=0)
print("Test accuracy:", scores[1])