CNN与RNN对中文文本进行分类--基于TENSORFLOW实现

learning_rate = 1e-3 # 进修率

batch_size = 128 # 每批练习大年夜小

num_epochs = 10 # 总迭代轮次

print_per_batch = 100 # 每若干轮输出一次结不雅

save_per_batch = 10 # 每若干轮存入tensorboard

RNN模型

具体参看rnn_model.py的实现。

大年夜致构造如下：

练习与验证

运行 python run_rnn.py train，可以开端练习。

若之进步行过练习，请把tensorboard/textrnn删除，避免TensorBoard多次练习结不雅重叠。

Configuring RNN model... 
Configuring TensorBoard and Saver... 
Loading training and validation data... 
Time usage: 0:00:14 
Training and evaluating... 
Epoch: 1 
Iter:      0, Train Loss:    2.3, Train Acc:   8.59%, Val Loss:    2.3, Val Acc:  11.96%, Time: 0:00:08 * 
Iter:    100, Train Loss:   0.95, Train Acc:  64.06%, Val Loss:    1.3, Val Acc:  53.06%, Time: 0:01:15 * 
Iter:    200, Train Loss:   0.61, Train Acc:  79.69%, Val Loss:   0.94, Val Acc:  69.88%, Time: 0:02:22 * 
Iter:    300, Train Loss:   0.49, Train Acc:  85.16%, Val Loss:   0.63, Val Acc:  81.44%, Time: 0:03:29 * 
Epoch: 2 
Iter:    400, Train Loss:   0.23, Train Acc:  92.97%, Val Loss:    0.6, Val Acc:  82.86%, Time: 0:04:36 * 
Iter:    500, Train Loss:   0.27, Train Acc:  92.97%, Val Loss:   0.47, Val Acc:  86.72%, Time: 0:05:43 * 
Iter:    600, Train Loss:   0.13, Train Acc:  98.44%, Val Loss:   0.43, Val Acc:  87.46%, Time: 0:06:50 * 
Iter:    700, Train Loss:   0.24, Train Acc:  91.41%, Val Loss:   0.46, Val Acc:  87.12%, Time: 0:07:57 
Epoch: 3 
Iter:    800, Train Loss:   0.11, Train Acc:  96.09%, Val Loss:   0.49, Val Acc:  87.02%, Time: 0:09:03 
Iter:    900, Train Loss:   0.15, Train Acc:  96.09%, Val Loss:   0.55, Val Acc:  85.86%, Time: 0:10:10 
Iter:   1000, Train Loss:   0.17, Train Acc:  96.09%, Val Loss:   0.43, Val Acc:  89.44%, 	
			 5/8   首页 上一页 3 4 5 6 7 8 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