使用 Keras 进行情感分类器训练
Sentiment classifier training with Keras
我正在使用 keras(后端 tensorflow)对来自亚马逊评论的情绪进行分类。
它从一个嵌入层(使用 GloVe)开始,然后是 LSTM 层,最后是一个 Dense 层作为输出。模型总结如下:
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embedding_1 (Embedding) (None, None, 100) 2258700
_________________________________________________________________
lstm_1 (LSTM) (None, 16) 7488
_________________________________________________________________
dense_1 (Dense) (None, 5) 85
=================================================================
Total params: 2,266,273
Trainable params: 2,266,273
Non-trainable params: 0
_________________________________________________________________
Train on 454728 samples, validate on 113683 samples
当训练训练和评估时,准确率约为 74%,损失(训练和评估)约为 0.6。
我已经尝试改变 LSTM 层中元素的数量,以及包括丢失、循环丢失、正则化器和 GRU(而不是 LSTM)。然后准确率提高了一点(~76%)。
我还可以尝试什么来改善我的结果?
我在使用双向 LSTM 进行情感分析方面取得了更大的成功,它还垂直堆叠了两层,即 2 个 LSTMS 一起形成了一个深度网络,这也有助于并尝试将 lstm 元素的数量增加到 128 左右。
我正在使用 keras(后端 tensorflow)对来自亚马逊评论的情绪进行分类。
它从一个嵌入层(使用 GloVe)开始,然后是 LSTM 层,最后是一个 Dense 层作为输出。模型总结如下:
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embedding_1 (Embedding) (None, None, 100) 2258700
_________________________________________________________________
lstm_1 (LSTM) (None, 16) 7488
_________________________________________________________________
dense_1 (Dense) (None, 5) 85
=================================================================
Total params: 2,266,273
Trainable params: 2,266,273
Non-trainable params: 0
_________________________________________________________________
Train on 454728 samples, validate on 113683 samples
当训练训练和评估时,准确率约为 74%,损失(训练和评估)约为 0.6。
我已经尝试改变 LSTM 层中元素的数量,以及包括丢失、循环丢失、正则化器和 GRU(而不是 LSTM)。然后准确率提高了一点(~76%)。
我还可以尝试什么来改善我的结果?
我在使用双向 LSTM 进行情感分析方面取得了更大的成功,它还垂直堆叠了两层,即 2 个 LSTMS 一起形成了一个深度网络,这也有助于并尝试将 lstm 元素的数量增加到 128 左右。