奇番TensorFlow实现文本情感分析

      文本和图像有什么共同之处？

      乍一看很少。

版权声明：本文著作权归原作者所有，qfanw奇番小编欢迎大家分享本文，您的收藏是对我们的信任，奇番网谢谢大家支持！

       如何能够将文本表示为矩阵？

      这很简单：矩阵的每一行都是一个表示文本的向量。需要定义一个基本单位，一个简单方法是将基本单位表示为字符。另一种做法是将一个单词看作基本单位，将相似的单词聚合在一起，然后用表示符号表示每个聚合（有时称为聚类或嵌入）。

      无论如何选择基本单位，都需要完成一个从基本单位到整数值地址的一一映射，以便可以将文本视为矩阵。例如，有10行文字，每行都是一个100维的嵌入，那么将其表示为10×100的矩阵。在这个特别的文本图像中，一个像素表示该句子x在位置y处有相应的嵌入。

      文本矩阵与图像的主要差异是什么？

      文本并不是一个真正的矩阵，而是一个矢量，因为位于相邻行中的两个单词几乎没有什么关联。实际上，位于相邻列中的两个单词最有可能具有某种相关性，这是文本矩阵与图像的主要差异。

      如果把文本当成一个向量，但是这样做就失去了这个词的位置信息，这样可以吗？

     实践证明，在很多真实的应用程序中，知道一个句子是否包含一个特定的基本单位（一个字符、一个单词或一个聚合体）是非常准确的信息，即使不去记住其在句子中的确切位置。

      本文将使用 keras创建一个基于 CNN 的情感分析深度学习网络。这里的 CNN 是一维的；使用 IMDb 数据集，收集 45000 个高度受欢迎的电影评论样本进行训练，并用 5000 个样本进行测试。TFLearn有从网络自动下载数据集的库，便于创建卷积网络，所以可以直接编写代码。

其他代码部分和CNN模型代码一样，不赘述

网络打印：

_________________________________________________________________

Layer (type)                 Output Shape              Param #   

=================================================================

embedding_1 (Embedding)      (None, 400, 50)           250000    

_________________________________________________________________

flatten_1 (Flatten)          (None, 20000)             0         

_________________________________________________________________

dense_1 (Dense)              (None, 500)               10000500  

_________________________________________________________________

dense_2 (Dense)              (None, 500)               250500    

_________________________________________________________________

dense_3 (Dense)              (None, 200)               100200    

_________________________________________________________________

dense_4 (Dense)              (None, 50)                10050     

_________________________________________________________________

dense_5 (Dense)              (None, 1)                 51        

=================================================================

Total params: 10,611,301

Trainable params: 10,611,301

Non-trainable params: 0

部分训练结果打印（精准度比cnn）：

24960/25000 - ETA: 50s - loss: 0.1175 - acc: 0.9592

从上实验，文本的分类使用MLP虽然参数比CNN多，但是训练时间更短...