设置一给影评数据神经网络

以下是使用IMDB影评数据集构建神经网络的示例代码：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.datasets import imdb

# 加载IMDB数据集
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)

# 将整数序列编码为二进制矩阵
def vectorize_sequences(sequences, dimension=10000):
    results = tf.zeros((len(sequences), dimension))
    for i, sequence in enumerate(sequences):
        results[i, sequence] = 1.
    return results

x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)

y_train = train_labels.astype('float32')
y_test = test_labels.astype('float32')

# 构建神经网络模型
model = keras.Sequential([
    keras.layers.Dense(16, activation='relu', input_shape=(10000,)),
    keras.layers.Dense(16, activation='relu'),
    keras.layers.Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 训练模型
history = model.fit(x_train, y_train,
                    epochs=20,
                    batch_size=512,
                    validation_data=(x_test, y_test))

# 在测试集上评估模型
results = model.evaluate(x_test, y_test)
print(results)

该模型使用了一个包含两个隐藏层的全连接神经网络，每个隐藏层包含16个神经元。最后一层是一个sigmoid激活函数，用于输出一个0到1之间的概率值。模型使用二元交叉熵作为损失函数，优化器使用RMSprop。在训练过程中，模型将在训练集和验证集上进行20个epoch的训练，并使用512个样本的小批量随机梯度下降进行优化。最后，模型在测试集上进行评估，并输出损失值和准确率。