IMDB电影评论数据集 文本情感分类 循环神经网络 代码

好的，以下是使用循环神经网络（RNN）对IMDB电影评论数据集进行文本情感分类的代码：

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

# 设置超参数
max_features = 20000  # 只考虑最常见的20,000个单词
max_len = 80  # 每个评论最多包含80个单词
embedding_size = 128  # 词向量的维度

# 加载IMDB电影评论数据集
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)

# 对数据进行预处理
x_train = sequence.pad_sequences(x_train, maxlen=max_len)
x_test = sequence.pad_sequences(x_test, maxlen=max_len)

# 构建模型
model = Sequential()
model.add(Embedding(max_features, embedding_size, input_length=max_len))
model.add(LSTM(units=128))
model.add(Dense(units=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=32, epochs=5, validation_data=(x_test, y_test))

这个代码中，我们首先导入了所需的库和类。然后，我们设置了一些超参数，包括每个评论最多包含的单词数、词向量的维度和我们要考虑的最常见的单词数。

接下来，我们使用 `imdb.load_data()` 函数从Keras中加载IMDB电影评论数据集，并将其分成训练集和测试集。

然后，我们对数据进行了预处理，使用 `sequence.pad_sequences()` 函数将每个评论的长度统一设置为 `max_len`，并使用零值填充序列。

接着，我们构建了一个简单的RNN模型，包括一个嵌入层、一个LSTM层和一个全连接层。我们使用 `model.compile()` 函数来编译模型，指定了损失函数、优化器和评价指标。

最后，我们使用 `model.fit()` 函数来训练模型，并在测试集上进行了验证。在这个例子中，我们将模型训练了5个epoch，使用批大小为32。