케라를 사용한 RNN 텍스트 분류

Question

웹에서 제공되는 자습서를 사용하여이 RNN 텍스트 분류 시스템을 keras에 작성했습니다. 그것은 잘 작동하고 또한 출력을 보여줍니다. 하지만 내 코드를 확인하고 내 구현이 맞는지 아닌지를 말해 줄 수 있습니까?

# LSTM with dropout for sequence classification 
import numpy 
from keras.models import Sequential 
from keras.layers import Dense, Activation 
from keras.layers import LSTM 
from keras.preprocessing import sequence,text 
from keras.layers.embeddings import Embedding 
import pandas as pd 


# fix random seed for reproducibility 
numpy.random.seed(7) 

#fetching sms spam dataset 
url = 'https://raw.githubusercontent.com/justmarkham/pydata-dc-2016-tutorial/master/sms.tsv' 
sms = pd.read_table(url, header=None, names=['label', 'message']) 

#binarizing 
sms['label_num'] = sms.label.map({'ham':0, 'spam':1}) 
sms.head() 

X = sms.message 
y = sms.label_num 
print(X.shape) 
print(y.shape) 

################################### 
tk = text.Tokenizer(nb_words=200, lower=True) 
tk.fit_on_texts(X) 

x = tk.texts_to_sequences(X) 

print len(tk.word_counts) 

################################### 
max_len = 80 
print "max_len ", max_len 
print('Pad sequences (samples x time)') 

x = sequence.pad_sequences(x, maxlen=max_len) 



max_features = 200 
model = Sequential() 
print('Build model...') 

model = Sequential() 
model.add(Embedding(max_features, 128, input_length=max_len, dropout=0.2)) 
model.add(LSTM(128, dropout_W=0.2, dropout_U=0.2)) 
model.add(Dense(1)) 
model.add(Activation('sigmoid')) 

model.compile(loss='binary_crossentropy', optimizer='rmsprop') 

model.fit(x, y=y, batch_size=500, nb_epoch=1, verbose=1, validation_split=0.2, show_accuracy=True, shuffle=True) 

Answer 1

구현이 좋지만 "show_accuracy = True"기능은 더 이상 사용되지 않습니다. 교육 및 테스트 중 정확성을 모니터링하려면 측정 항목으로 사용하십시오. 측정 항목은 맞춤식 일 수 있지만 정확성과 같은 항목 중 일부는 사전 구현됩니다. thise처럼 사용

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

당신이 custum 메트릭 정의하는 경우 :

def my_metric(y_pred, y_true): 
    .... 
    return metric_computed 

가이 같이 사용할 수 있습니다 그리고 그것은 정확성과 동시에 (그리고 기본적으로 손실 계산됩니다) 훈련 도중 :

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

그렇지 않으면 구현이 좋은 :)