好还是坏：人工智能二分类问题

上一篇文章我们介绍了深度学习的 Hello World，代码写起来相比其他语言的 Hello World 有点多，且其背后的很多原理你可能还没有完全弄懂，但从宏观上来看，整体的思想是很好理解的。接下包括本篇在内的三篇文章，我们来用深度学习解决三个实际问题，也是非常经典的三个问题，分别是：

1. 二分类问题（电影评论的好坏偏向性判断）
2. 多分类问题（将新闻按照主题分类）
3. 回归问题（根据房地产数据估算房地产价格）

我们解决这三个问题用到的训练模型为：

今天是第一篇，我们关注他们其中比较简单的二分类问题，代码在最后。

实际背景是 IMDB（互联网电影资料库，你可以理解为国外的豆瓣）有大量的关于电影的评论，但是由于数据量的问题，很难去人工手动判断一条评定是对电影的夸奖还是批评，这需要借助人工智能的帮助，根据用户评论的内容去判断用户的评论是积极的还是消极的（为使问题简化，我们取的数据是倾向性很明显的数据），数据集来自 IMDB，Numpy 数据格式：每一个单词对应一个索引数字，这样每一条评论就可以对应一个索引数字的序列，组成一维数组，也是一个一维向量，这样的多个一维向量组成二维数组，就对应对条评论。

背景介绍完了，整个过程分为如下几步，同时思考几个问题：

1. 由于每一条评论的长度不一样，每个一维向量长度不一致，这样的数据不好处理，因此需要将数据进行预处理，这里采用 one-hot 方法（one-hot 是一个常用的方法，后面会有专门的文章介绍），简单点来 one-hot 做的事情就是：假如一个数组是[1, 3, 5, 3]，需要处理成 10 维数据就是[0, 1, 0, 1, 0, 1, 0, 0, 0, 0]，对应数数组索引处的数字是 1，其他数字是 0，本实际问题中，评论处理后的数据是一个向量（25000，10000）。
2. 针对这种 one-hot 处理过的数据（0-1 类型的训练数据集），用带有 relu 激活的以 Dense 为中间层的网络进行深度学习表现很好（为什么这个表现的好，为什么 Dense 第一个参数即隐藏层的个数是 16 都是很复杂的问题，后续深入研究，这里只下结论将数据投影到 16 维空间中且是两个中间层的网络可以满足要求），随后一层是将输出格式化为 0-1 概率判断的结果。
3. 针对损失函数，因为最后输出的结果是这条评论倾向性的概率值，所以选择交叉熵作为损失函数（binary_crossentropy，二元交叉熵对于这种情况的判断训练效果表现较好）。
4. 最后，因为我们的模型是要做拟合，是一个有反馈的网络，从上图中可以看出来，因此这里选择部分数据用于提供反馈数据（反馈的意思是说先训练出一个模型，然后用另外一些数据进行测试，计算偏差，将偏差结果反馈给网络，网络进行参数调整，再一轮训练）且提供反馈的数据不应该用于训练，因此从训练集中取出一部分数据用于提供反馈。这里选择训练数据集中前一万条数据用于提供反馈数据，后一万五千条数据用于训练。
5. 最后一步是启动 fit 训练模型，fit 中 validation_data 参数是用于提供验证数据的。最后我们从训练的过程中，提取出每一轮循环得到的数据画图直观看看训练损失、验证损失、训练精度和验证精度的具体变化：

我们从图中可以看出，随着训练网络迭代的次数越来越多，训练精度越来越大，训练损失越来越小，这是我们期望的；但是同时差不多在第四次迭代后，验证损失越来越大，验证精度越来越小，这就跟期望不相符了，这不科学，那这是为什么？

这是因为由于迭代次数过多，出现了过拟合。

随着训练数据迭代次数过多，训练出的模型为了更好的拟合训练集的数据，导致一些参数设置的会过于绝对，出现了过拟合，这是我们在训练网络中经常会遇到的问题，因此我们认为在迭代四次是比较好的，类似于数学概念上的极值，更多更少的迭代次数都不够好，因此我们将 fit 中的迭代次数改为 4，再次训练网络。

最后在另外的两万五千条测试集上进行验证，效果还可以，基本满足要求，问题得到解答。更多的细节已经写在了下面代码相关注释内容部分了，有兴趣请自行阅读。

#!/usr/bin/env python3
​
import matplotlib.pyplot as plt
import numpy as np
from keras import layers
from keras import models
from keras.datasets import imdb
​
​
# IMDB 数据集，分类一个评论是正面的还是反面的
def comment():
    # num_words = 10000 代表取前一万高频词，加入低频词数据量会过大且作用较小，暂不考虑
    # 25000 条训练数据，25000 条测试数据
    (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)
​
    # 训练集被处理成整数数列，每条数据表示一条评论中单词出现的次数（如 good 出现次数是 5 次）
    # [1, 14, 22, ... 19, 178, 32]
    # print(train_data[0])
​
    # 用 0 代表负面评论，1 代表正面评论
    # print(train_labels[0])
    # print(max([max(sequence) for sequence in train_data]))
​
    # 单词与索引对照表
    # word_index = imdb.get_word_index()
    # reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])
    # decoded_review = ' '.join([reverse_word_index.get(i - 3, '?') for i in train_data[0]])
​
    # 将评论翻译成可读语言
    # this film was just brilliant casting location scenery story direction everyone's really suited the part they
    # print(decoded_review)
​
    # one-hot 方法预处理数据为向量
    x_train = vectorize_sequences(train_data)
    x_test = vectorize_sequences(test_data)
    y_train = np.asarray(train_labels).astype('float32')
    y_test = np.asarray(test_labels).astype('float32')
​
    # 构造网络
    model = models.Sequential()
    model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
    model.add(layers.Dense(16, activation='relu'))
    model.add(layers.Dense(1, activation='sigmoid'))
    # 创建编译模型
    model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])
    model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])
    # model.compile(optimizer=optimizers.RMSprop(lr=0.001), loss='binary_crossentropy', metrics=['accuracy'])
    # model.compile(optimizer=optimizers.RMSprop(lr=0.001), loss=losses.binary_crossentropy,
    #               metrics=[metrics.binary_accuracy])
​
    # 由于这里有反馈，因此需要有一定的数据进行数据进行验证，这里取前一万个数据进行验证操作
    x_val = x_train[:10000]
    partial_x_train = x_train[10000:]
    y_val = y_train[:10000]
    partial_y_train = y_train[10000:]
​
    # validation_data 用于传递验证数据
    history = model.fit(partial_x_train, partial_y_train, epochs=4, batch_size=512, validation_data=(x_val, y_val))
​
    # History 是训练过程中的所有数据
    history_dict = history.history
    print(history_dict.keys())
    history_dict = history.history
    loss_values = history_dict['loss']
    val_loss_values = history_dict['val_loss']
    epochs = range(1, len(loss_values) + 1)
​
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.plot(epochs, loss_values, 'bo', label='训练损失')
    plt.plot(epochs, val_loss_values, 'b', label='验证损失')
    plt.title('训练和验证损失')
    plt.xlabel('迭代')
    plt.ylabel('损失')
    plt.legend()
    plt.show()
​
    plt.clf()
    acc = history_dict['acc']
    val_acc = history_dict['val_acc']
    plt.plot(epochs, acc, 'bo', label='训练精度')
    plt.plot(epochs, val_acc, 'b', label='验证精度')
    plt.title('训练和验证精度')
    plt.xlabel('迭代')
    plt.ylabel('精度')
    plt.legend()
    plt.show()
​
    results = model.evaluate(x_test, y_test)
    # [0.3329389461231232, 0.8639600276947021]
    print(results)
    # [[0.1754326], [0.9990357], [0.855113]...]
    print(model.predict(x_test))
​
​
def vectorize_sequences(sequences, dimension=10000):
    results = np.zeros((len(sequences), dimension))
    for i, sequence in enumerate(sequences):
        results[i, sequence] = 1.
    return results
​
​
if __name__ == "__main__":
    comment()

• 本文首发自微信公众号：RAIS