1.10　情感分析

我们用基于IMDb数据集开发的情感分析示例代码来测试Colab。IMDb数据集包括来自Internet Movie Database的50 000条影评。每条评论可能是正面的或负面的（例如，竖起大拇指或不赞成）。数据集分为25 000条训练用评论和25 000条测试用评论。我们的目标是构建一个根据给定文本预测二元判断结果的分类器。可通过tf.keras轻松加载IMDb，并将评论中的单词序列转换为整数序列，其中每个整数代表字典中的一个特定单词。另外，还有一种简便的方式将所有文本语句长度限制为max_len，从而可将所有句子（无论长短）作为采用固定长度输入向量的神经网络的输入（详见第8章）：

现在我们将使用一些将在第8章中详细解释的层类型来创建一个模型。目前，假设Embedding()层能把评论文本中单词的稀疏空间映射为一个稠密空间。这会使得计算更加容易。另外，还将用到GlobalMaxPooling1D()层，该层提取n_words个特征中的每个特征向量的最大值。除此之外，还有两个Dense()层，最后一个Dense()层是由具有sigmoid激活函数的单个神经元组成的，用于最终的二元估计：

现在需要训练上述模型，这段代码与我们之前使用MNIST数据集时所做的非常类似：

查看神经网络的结构，然后运行几次迭代，结果如图1-36所示。

图1-36　若干次迭代后神经网络的结果

如图1-37所示，达到了85%的准确度，这对于一个简单网络来说还不错。

图1-37　测试简单神经网络的准确度