生成深度学习IMDB数据集上的文本分类实验代码

好的，以下是使用Keras框架生成深度学习IMDB数据集上的文本分类实验代码：

from keras.datasets import imdb
from keras.preprocessing import sequence
from keras.models import Sequential
from keras.layers import Dense, Embedding, LSTM

# 加载数据集
max_features = 20000
maxlen = 80
batch_size = 32

print('Loading data...')
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)
print(len(x_train), 'train sequences')
print(len(x_test), 'test sequences')

# 填充序列，使其长度一致
print('Pad sequences (samples x time)')
x_train = sequence.pad_sequences(x_train, maxlen=maxlen)
x_test = sequence.pad_sequences(x_test, maxlen=maxlen)
print('x_train shape:', x_train.shape)
print('x_test shape:', x_test.shape)

# 构建模型
model = Sequential()
model.add(Embedding(max_features, 128, input_length=maxlen))
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'])

# 训练模型
print('Train...')
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=15,
          validation_data=(x_test, y_test))

# 评估模型
score, acc = model.evaluate(x_test, y_test,
                            batch_size=batch_size)
print('Test score:', score)
print('Test accuracy:', acc)

这段代码中，我们使用了IMDB数据集中的前20000个最常见的单词作为特征，并设置了每条评论的最大长度为80。然后我们使用Embedding层将每个单词映射为128维的向量，再使用LSTM层进行序列分类，最后使用Sigmoid激活函数输出二分类结果。我们使用binary_crossentropy作为损失函数，Adam作为优化器，并在训练过程中记录了模型的准确率。最终，我们在测试集上评估了模型的性能。