CNN与RNN对中文文本进行分类--基于TENSORFLOW实现

游戏 0.97 0.96 0.97 1000

娱乐 0.95 0.98 0.97 1000

avg / total 0.96 0.96 0.96 10000

Confusion Matrix...

[[991 0 0 0 2 1 0 4 1 1]

[ 0 992 0 0 2 1 0 5 0 0]

[ 0 1 996 0 1 1 0 0 0 1]

[ 0 14 0 912 7 15 9 29 3 11]

[ 2 9 0 12 892 22 18 21 10 14]

[ 0 0 0 10 1 968 4 3 12 2]

[ 1 0 0 9 4 4 971 0 2 9]

[ 1 16 0 4 18 12 1 941 1 6]

[ 2 4 1 5 4 5 10 1 962 6]

[ 1 0 1 6 4 3 5 0 1 979]]

Time usage: 0:00:05

在测试集上的精确率达到了96.04%，且各类的precision, recall和f1-score都跨越了0.9。

大年夜混淆矩阵也可以看出分类效不雅异常优良。

RNN轮回神经收集

设备项

RNN可设备的参数如下所示，在rnn_model.py中。

class TRNNConfig(object): 
    """RNN设备参数""" 
 
    # 模型参数 
    embedding_dim = 64      # 词向量维度 
    seq_length = 600        # 序列长度 
    num_classes = 10        # 类别数 
    vocab_size = 5000       # 词汇表达小 
 
    num_layers= 2           # 隐蔽层层数 
    hidden_dim = 128        # 隐蔽层神经元 
    rnn = 'gru'             # lstm 或 gru 
 
    dropout_keep_prob = 0.8 # dropout保存比例 	
			 4/8   首页 上一页 2 3 4 5 6 7 下一页 尾页	
			

　　推荐阅读
　　教你简单三招永别烦人的Windows 10自动更新
            Tech Neo技巧沙龙 | 11月25号，九州云/ZStack与您一路商量云时代收集界线治理实践
            我们在客岁的夏天，也就是微软推送Windows 10周年更新的时刻写过一篇关于若何禁用Windows 10更新的文┞仿>>>详细阅读


本文标题：CNN与RNN对中文文本进行分类--基于TENSORFLOW实现
地址：http://www.17bianji.com/lsqh/39190.html
 1/2    1