【深度學習筆記整理-3.2】Keras多分類： 路透社新聞主題

1.關於多分類，如果是每個數據點只能被劃分到一個類別，那他就是單標籤，多分類問題，反之，如果每個數據點可以被分到多個類別，那他就是一個多標籤，多分類的問題。關於新聞主題分類，就是典型的單標籤，多分類問題。

2.路透社數據集也是keras內置的數據集，包含46個不同的主題，每個主題有至少十個樣本，共有8982個訓練樣本和2246個測試樣本。

3.引入數據集

from keras.datasets import reuters

# 取頻率最高的前一萬字
(train_datas,train_labels),(test_datas,test_labels) = reuters.load_data(num_words=10000) 

# 將數據反向解碼爲新聞文本查看
word_index = reuters.get_word_index()
reverse_word_index = dict([(value,key) for (key,value) in word_index.items()])
text = ' '.join([reverse_word_index.get(i-3,'?') for i in train_datas[0]])

4.將數據集轉化爲one-hot型（也可以不轉使用embedding）

import numpy as np

def seq_to_one_hot(sequences,dimention):

    '''
          此函數輸入爲不同新聞文本詞下標向量所組成的二維張量，故第一維爲樣本數，
           第二維爲one_hot對應維度。
    '''
    results = np.zeros((len(sequences),dimention))
    for i,sequence in enumerate(sequences):
        results[i,sequence] = 1
    return results

x_train = seq_to_one_hot(train_datas,10000)

x_test = seq_to_one_hot(test_datas,10000)

5.類標轉換爲one_hot

y_train = seq_to_one_hot(train_labels,46)

y_test = seq_to_one_hot(test_labels,46) 

當然，這裏也可以使用util內置的to_categorical

 6.構建神經網絡

這裏構建的神經網絡與上節類似，只不過最後一層的激活函數應爲softmax，編譯時損失函數應爲categorical_crossentropy