120 практических задач
Шрифт:
model.add(layers.LSTM(128, return_sequences=False))
model.add(layers.Dense(1, activation='sigmoid'))
# Шаг 4: Компиляция и обучение модели
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
history = model.fit(X_train, y_train, epochs=10, batch_size=32,
validation_data=(X_test, y_test))
# Шаг 5: Оценка модели
loss, accuracy = model.evaluate(X_test, y_test, verbose=2)
print(f'\nТочность на тестовых данных: {accuracy}')
# Визуализация процесса обучения
plt.plot(history.history['accuracy'], label='Точность
plt.plot(history.history['val_accuracy'], label='Точность на валидационном наборе')
plt.xlabel('Эпоха')
plt.ylabel('Точность')
plt.legend(loc='lower right')
plt.show
```
Пояснение:
1. Импорт библиотек: Импортируются необходимые библиотеки TensorFlow, Keras, pandas, matplotlib и другие.
2. Подготовка данных: Загрузка данных из CSV файла, содержащего тексты и метки настроений. Тексты токенизируются с использованием `Tokenizer`, и последовательности приводятся к одинаковой длине с помощью `pad_sequences`.
3. Построение модели LSTM: Модель строится с использованием слоя `Embedding` для преобразования токенов в плотные векторы, двух слоев LSTM для обработки последовательностей и одного полносвязного слоя для выдачи прогноза.
– Слой Embedding:
```python
model.add(layers.Embedding(input_dim=10000, output_dim=128, input_length=maxlen))
```
Этот слой преобразует входные токены в плотные векторы размерности 128.
– Первый слой LSTM:
```python
model.add(layers.LSTM(128, return_sequences=True))
```
Первый слой LSTM возвращает полную последовательность выходов, которая передается следующему слою LSTM.
– Второй слой LSTM:
```python
model.add(layers.LSTM(128, return_sequences=False))
```
Второй слой LSTM возвращает только последний выходной элемент.
– Выходной слой:
```python
model.add(layers.Dense(1, activation='sigmoid'))
```
Выходной слой с сигмоидной активацией для бинарной классификации настроений (позитивное или негативное).
4. Компиляция и обучение модели: Модель компилируется с использованием оптимизатора Adam и функции потерь binary_crossentropy. Затем модель обучается на обучающей выборке.
5. Оценка и тестирование модели: Оценивается точность модели на тестовой выборке и визуализируется процесс обучения с помощью графика.
Этот пример демонстрирует, как создать и обучить модель LSTM для анализа настроений в текстах. Модель включает слои embedding для преобразования текстовых данных в числовые векторы, два слоя LSTM для извлечения временных зависимостей и полносвязный слой для классификации. Эта архитектура позволяет эффективно анализировать тексты и предсказывать настроения на основе данных.
7. Создание простой GAN для генерации изображений
– Задача: Генерация рукописных цифр (набор MNIST).
Для создания простой генеративно-состязательной
сети (GAN) для генерации рукописных цифр из набора данных MNIST можно использовать TensorFlow и Keras. В этом примере мы рассмотрим, как создать и обучить GAN для генерации изображений цифр.Шаги:
1. Импорт библиотек и модулей.
2. Подготовка данных.
3. Построение генератора.
4. Построение дискриминатора.
5. Построение GAN.
6. Обучение GAN.
7. Генерация изображений.
Пример кода:
```python
import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import matplotlib.pyplot as plt
# Шаг 1: Импорт библиотек
import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import matplotlib.pyplot as plt
# Шаг 2: Подготовка данных
# Загрузка набора данных MNIST
(train_images, _), (_, _) = tf.keras.datasets.mnist.load_data
train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')
train_images = (train_images – 127.5) / 127.5 # Нормализация изображений в диапазоне [-1, 1]
BUFFER_SIZE = 60000
BATCH_SIZE = 256
# Создание выборок
train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)
# Шаг 3: Построение генератора
def build_generator:
model = models.Sequential
model.add(layers.Dense(7 * 7 * 256, use_bias=False, input_shape=(100,)))
model.add(layers.BatchNormalization)
model.add(layers.LeakyReLU)
model.add(layers.Reshape((7, 7, 256)))
assert model.output_shape == (None, 7, 7, 256) # Убедитесь, что выходная форма такая
model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))
model.add(layers.BatchNormalization)
model.add(layers.LeakyReLU)
model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))
model.add(layers.BatchNormalization)
model.add(layers.LeakyReLU)
model.add(layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))
assert model.output_shape == (None, 28, 28, 1)
return model
# Шаг 4: Построение дискриминатора
def build_discriminator:
model = models.Sequential
model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same', input_shape=[28, 28, 1]))
model.add(layers.LeakyReLU)
model.add(layers.Dropout(0.3))
model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))
model.add(layers.LeakyReLU)
model.add(layers.Dropout(0.3))
model.add(layers.Flatten)
model.add(layers.Dense(1, activation='sigmoid'))
return model
# Построение генератора и дискриминатора
generator = build_generator