基于 RNN 模型来解决现实应用问题代码

以下是一个基于RNN模型的文本分类代码示例：

首先，我们需要导入必要的库和数据集：

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

# 设定随机数种子，使结果可重复
np.random.seed(7)

# 加载 IMDB 数据集
top_words = 5000
(X_train, y_train), (X_test, y_test) = imdb.load_data(num_words=top_words)

接下来，我们需要对数据进行预处理，包括将每个样本的长度标准化为 500 个单词，并使用嵌入层将每个单词编码为向量：

max_review_length = 500
X_train = sequence.pad_sequences(X_train, maxlen=max_review_length)
X_test = sequence.pad_sequences(X_test, maxlen=max_review_length)

# 构建模型
embedding_vector_length = 32
model = Sequential()
model.add(Embedding(top_words, embedding_vector_length, input_length=max_review_length))
model.add(LSTM(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

# 训练模型
model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=3, batch_size=64)

# 评估模型
scores = model.evaluate(X_test, y_test, verbose=0)
print("Accuracy: %.2f%%" % (scores[1]*100))

在训练模型之后，我们可以使用测试集来评估模型的性能。