Question

我正在尝试使用keras.datasets中的路透社和imdb数据集。标准呼叫是：

(x_train, y_train), (x_test, y_test) = imdb.load_data(path="imdb.npz",
                                                  num_words=None,
                                                  skip_top=0,
                                                  maxlen=None,
                                                  seed=113,
                                                  start_char=1,
                                                  oov_char=2,
                                                  index_from=3)

当我检查尺寸时，火车数据集给出（25000，10922），这很有意义。但是测试给出（25000，）。如果转储x_test[0]之类的单个测试数据集元素，它将给出一个列表，而不是numpy.array。麻烦的是，列表维的每一行都会发生变化，并且总是与火车矢量维不同。您应该如何将其用作测试数据？

Answer 1

好吧，正如您提到的，x_train和x_test中的每个元素都是一个列表。该列表包含句子（或段落，在此情况下为评论）的单词索引，并且由于句子可能具有不同数量的单词，因此此对应表示形式的长度也可变。让我们解码其中一个句子以查看其外观并更加熟悉数据集：

from keras.datasets import imdb

(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=10000)

# a mapping from words to their indices, for example `human`: 403
word_index = imdb.get_word_index()

# create the reverse mapping i.e. from indices to words
rev_word_index = {idx:w for w,idx in word_index.items()}

def decode_sentence(s):
    # index 0 to 2 are reserved for things like padding, unknown word, etc.
    decoded_sent = [rev_word_index.get(idx-3, '[RES]') for idx in s]
    return ' '.join(decoded_sent)

print(decode_sentence(x_train[100]))

以可读格式输出所选评论：

[RES]我是David Lynch的忠实粉丝，拥有他所拥有的一切用DVD制作，除了酒店房间，还有2小时的双峰电影，所以当我发现了这个，我立即抓住了它，这是什么这是一堆[RES]绘制的黑白卡通，声音很大，而且嘴巴不舒服，也许我不知道有什么好处，但是也许这只是一群[RES]在公众名下的废话大卫·林奇（David Lynch）也赚了几美元，让我说清楚我没有关心肮脏的语言部分，但必须保留[RES]声音因为我的邻居可能全部拥有这一切令人失望的发布，很可能只剩下[RES] 出于好奇而设置的包装盒我强烈建议您不要花钱在这10之2

此数据的使用完全取决于您以及您要解决的问题。您可以将句子直接馈入网络，该网络可以处理长度可变的句子。通常由一维卷积层或LSTM层或两者的混合组成。另一种方法是通过将所有句子编码为固定长度编码，使所有句子具有相同的长度。这是一个示例，将所有句子一词热编码为一个0和1的向量，所有句子的长度都是固定的：

from keras.datasets import imdb
import numpy as np

# you can limit the vocabulary size by passing `num_words` argument 
# to ignore rare words and make data more manageable
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=10000)

def encode_sentences(sentences, dim):
    encodings = np.zeros((len(sentences), dim))
    for idx, sentence in enumerate(sentences):
        encodings[idx, sentence] = 1.0
    return encodings

x_train = encode_sentences(x_train, 10000)
x_test = encode_sentences(x_test, 10000)

print(x_train.shape)
print(x_test.shape)

输出：

(25000, 10000)
(25000, 10000)

所有句子已被编码为长度为10000的向量，其中该向量的第i个元素指示相应的句子中是否存在带有索引i的单词。

另一种方法是截断或填充句子以使其长度相同。这是一个示例：

from keras.datasets import imdb
from keras import preprocessing

n_feats = 10000   # maximum number of words we want to consider in our vocabulary
max_len = 500     # maximum length of each sentence (i.e. truncate those longer
                  # than 500 words and pad those shorter than 500 words)

# you can limit the vocabulary size by passing `num_words` argument
# to ignore rare words and make it more manageable
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=n_feats)

# preprocess the sequences (i.e. truncate or pad)
x_train = preprocessing.sequence.pad_sequences(x_train, maxlen=max_len)
x_test = preprocessing.sequence.pad_sequences(x_test, maxlen=max_len)

print(x_train.shape)
print(x_test.shape)

输出：

(25000, 500)
(25000, 500)

现在，所有25000个句子的长度都相同，可以使用了。

我强烈建议您阅读the Keras documentation on this dataset。

Keras数据集的训练和测试集的向量长度不同

1 个答案: