如何解决如何将计数向量化器添加到简单 RNN 模型中？
对于我的 NLP 项目，我使用 CountVectorizer 从数据集中使用 vectorizer = CountVectorizer(stop_words='english') 和 all_features = vectorizer.fit_transform(data.Text) 从数据集中提取特征，我还写了使用 keras 的简单 RNN 模型，但我不确定如何进行填充和标记器步骤并在模型上训练数据。
我的 RNN 代码是：
model.add(keras.layers.recurrent.SimpleRNN(units = 1000,activation='relu',use_bias=True))
model.add(keras.layers.Dense(units=1000,input_dim = 2000,activation='sigmoid'))
model.add(keras.layers.Dense(units=500,input_dim=1000,activation='relu'))
model.add(keras.layers.Dense(units=2,input_dim=500,activation='softmax'))
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
return model
有人可以给我一些建议吗？
谢谢
解决方法
添加集成 - 你不计算矢量化，你使用集成
https://github.com/dnishimoto/python-deep-learning/blob/master/UFO%20.ipynb
docs=ufo_df["summary"] #text
LABELS=['Egg','Cross','Sphere','Triangle','Disk','Oval','Rectangle','Teardrop']
#LABELS=['Triangle']
target=ufo_df[LABELS]
#print([len(d) for d in docs])
encoded_docs=[one_hot(d,vocab_size) for d in docs]
#print([np.max(d) for d in encoded_docs])
padded_docs = pad_sequences(encoded_docs,maxlen=max_length,padding='post')
#print([d for d in padded_docs])
model=Sequential()
model.add(Embedding(vocab_size,8,input_length=max_length))
model.add(Flatten())
model.add(Dense(8,activation='softmax'))
#model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
model.fit(padded_docs,target,epochs=50,verbose=0)
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。