imdb数据集介绍
IMDB影评数据集中含有来自IMDB的25,000条影评，被标记为正面/负面两种评价。影评已被预处理为词下标构成的序列。方便起见，单词的下标基于它在数据集中出现的频率标定，例如整数3所编码的词为数据集中第3常出现的词。这样的组织方法使得用户可以快速完成诸如“只考虑最常出现的10,000个词，但不考虑最常出现的20个词”这样的操作
按照惯例，0不代表任何特定的词，而用来编码任何未知单词
keras中内置了imdb数据集，我们直接导入即可（由于已经下载了，这里指定path）。
由于博主之前已经有一篇文章已经对数据进行了分析，这里就不过多赘述了，感兴趣的朋友可以移步用一维卷积模型做imdb电影评论情感分析
导入数据
from keras.datasets import imdb
#只考虑出现频率最高的10000个单词，其余低频率单词会被编码为0
max_word = 10000
(train_x, train_y), (test_x, test_y) = imdb.load_data(num_words=max_word,path='/root/.keras/datasets/imdb.npz')
处理数据
from keras.preprocessing.sequence import pad_sequences
maxlen = 500
train_x = pad_sequences(train_x,maxlen=maxlen)
test_x = pad_sequences(test_x,maxlen=maxlen)
用keras中的pad_sequences方法对数据进行填充或切割，使数据序列长度的恒为500，长度不足的填充0，长度大于500的被截断。
定义回调函数
keras会在每一轮训练后调用回调函数
from keras.callbacks import EarlyStopping,ModelCheckpoint
callbacks_list = [
EarlyStopping(
monitor = 'val_accuracy', #监控验证精度
patience = 3, #如果验证精度多于三轮不改善则中断训练
),
#在训练的过程中不断得保存最优的模型
ModelCheckpoint(
filepath = 'my_model_lstm.h5', #模型保存路径
monitor = 'val_accuracy', #监控验证精度
save_best_only = True, #如果val_accuracy没有改善则不需要覆盖模型
)
]
LSTM层
长短期记忆网络（LSTM）是一种时间循环神经网络，是RNN的一个优秀的变种模型，它继承了大部分RNN模型的特性，同时解决了梯度反向传播过程中产生的梯度消失问题。它非常适合于长时间序列的特征，能分析输入信息之间的整体逻辑序列。
下面我们通过一个例子来熟悉LSTM
定义模型
from keras import Sequential
from keras.layers import LSTM
model_test = Sequential()
model_test.add(LSTM(5,input_shape=(4,3)))
model_test.compile(loss='mse',optimizer='sgd')
查看模型结构
model_test.summary()
我们定义了5个LSTM节点，它接受一个形状为（4，3）的输入，输出形状为（None，5）。
通过模型的输出
data = np.random.random((1,4,3))
print(data)
print("==========================")
print(model_test.predict(data))
输出为
[[[0.79716507 0.34357063 0.90199362]
[0.81896706 0.36259831 0.83346227]
[0.92933103 0.50251658 0.90276097]
[0.42825427 0.91050999 0.05773106]]]
==========================
[[ 0.04960854 -0.09560797 0.06205023 -0.23291263 -0.21847163]]
每个节点都会从时序的角度来提取特征，获得一个输出结果。
接下来定义我们训练imdb电影评论的模型
定义模型
from keras import layers
from keras.losses import BinaryCrossentropy
from keras.models import Sequential
model = Sequential([
layers.Embedding(max_word,32),
layers.LSTM(32),
layers.Dense(1,activation="sigmoid")
])
model.compile(optimizer="rmsprop",loss=BinaryCrossentropy(),metrics=["accuracy"])
训练模型
history = model.fit(train_x,train_y,epochs=10,batch_size = 128,validation_data=(test_x, test_y),callbacks=callbacks_list)
训练结果如下
Train on 25000 samples, validate on 25000 samples
Epoch 1/10
25000/25000 [==============================] - 135s 5ms/step - loss: 0.4738 - accuracy: 0.7788 - val_loss: 0.3055 - val_accuracy: 0.8770
Epoch 2/10
25000/25000 [==============================] - 129s 5ms/step - loss: 0.2779 - accuracy: 0.8928 - val_loss: 0.2790 - val_accuracy: 0.8867
Epoch 3/10
25000/25000 [==============================] - 134s 5ms/step - loss: 0.2286 - accuracy: 0.9123 - val_loss: 0.3296 - val_accuracy: 0.8721
Epoch 4/10
25000/25000 [==============================] - 129s 5ms/step - loss: 0.2028 - accuracy: 0.9246 - val_loss: 0.3176 - val_accuracy: 0.8810
Epoch 5/10
25000/25000 [==============================] - 129s 5ms/step - loss: 0.1777 - accuracy: 0.9356 - val_loss: 0.3551 - val_accuracy: 0.8551
可以看到在第五轮训练完成后训练就提前结束了，因为三轮验证精度都没有改善，同时训练过程中最好的模型已经被保存了，验证精度最高为0.8867。
LSTM通常用于时序较长的特征数据，常用于机器翻译，对话生成，编码，解码等。今天分享的内容就到这里了，希望能够对大家有所帮助。
PS:过两天会分享一篇文章来分析比较LSTM模型和一维卷积模型的特点。