《python深度学习》笔记（七）：多分类问题

本节使用路透社数据集，它包含许多新闻及其对应的主题，由路透社在1986年发布。它是一个简单的、广泛使用的文本分类数据集。包括46个主题：某些主题的样本更多，但训练集中每个主题都至少10个样本。

因为有多个类别，所以这是多分类问题。因为每个数据点只能划分到一个类别，所以这又是单标签、多分类问题。

完整代码实现：

from keras.datasets import reuters
import numpy as np

#  第一步：加载数据
(train_data, train_labels), (test_data, test_labels) = reuters.load_data(num_words=10000)

#  第二步：编码数据，输入数据


def vectorize_sequences(sequences, dimension=10000):  # 定义一个向量化序列函数，将所有评论都向量化成一样的维度
    results = np.zeros((len(sequences), dimension))  # 创建一个零矩阵，二维张量
    for i, sequence in enumerate(sequences):  # 将一个可遍历的数据对象组合成一个索引序列。
        results[i, sequence] = 1.
    return results  # 例如，序列[3,5,6]将被转化为1000维向量，只有索引为3,5,6的元素才为1，其他都为0.


# 数据向量化
x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)


def to_one_hot(labels, dimension=46):  # 标签有46类
    results = np.zeros((len(labels), dimension))
    for i, label in enumerate(labels):
        results[i, label] = 1.
        return results


# 标签向量化
one_hot_train_labels = to_one_hot(train_labels)
one_hot_test_labels = to_one_hot(test_labels)

from keras.utils.np_utils import to_categorical

one_hot_train_labels = to_categorical(train_labels)
one_hot_test_labels = to_categorical(test_labels)

# 第三步：构建网络模型
# 定义模型
from keras import models
from keras import layers

model = models.Sequential()
"""
Q: 为什么此处输入单元数要使用64，为什么不使用电影评论分类时使用的16？
A：16维空间对于这个例子来说太小了，无法学会区分46个不同的类别。
   这种维度较小的层可能成为信息瓶颈，永久地丢失相关信息。
   如果是三分类，四分类问题你依然可以使用16个隐藏单元
Q：我能不能设置为640个单元？
A：单元数不是越大越好，网络容量越大，网络就越容易记住训练过的数据。
   网络会在训练过的数据上表现优异，但是在没有见过的数据上的表现则不容乐观。
   因此单元数不是越大越好，需要在欠拟合与过拟合之间找到一个平衡点。
"""
model.add(layers.Dense(64, activation='relu', input_shape=(10000, )))
model.add(layers.Dense(4, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))

# 编译模型
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

# 第四步：训练模型，绘制图像
# 留出验证集
x_val = x_train[:1000]
partial_x_train = x_train[1000:]

y_val = one_hot_train_labels[:1000]
partial_y_train = one_hot_train_labels[1000:]

# 训练模型
history = model.fit(partial_x_train, partial_y_train, epochs=20, batch_size=512, validation_data=(x_val, y_val))


# 绘制训练损失和验证损失
import matplotlib.pyplot as plt

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs = range(1, len(loss)+1)

plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')

plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()


# 绘制训练精度和验证精度
plt.clf()

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()


# 重新训练模型
model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000, )))
model.add(layers.Dense(4, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))

model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit(partial_x_train, partial_y_train, epochs=8, batch_size=512, validation_data=(x_val, y_val))
# 观察在测试集上表现
results = model.evaluate(x_test, one_hot_test_labels)
print(results)
# [0.9868815943054715, 0.7862867116928101]
# 80%左右的精度


# 采取随机预测的方式
import copy
test_labels_copy = copy.copy(test_labels)
np.random.shuffle(test_labels_copy)
hits_array = np.array(test_labels) == np.array(test_labels_copy)
print(float(np.sum(hits_array)) / len(test_labels))
# 0.18788958147818344
# 20%的精度，可以看出模型的预测效果好得多