Redes Neurais Recorrentes (RNNs) para Modelagem de Linguagem com Keras
David Cecchini
Data Scientist
API de alto nível
Roda sobre TensorFlow 2
Fácil de instalar e usar
$pip install tensorflow
Experimentação rápida:
from tensorflow import keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
keras.models.Sequential

keras.models.Model

LSTMGRUDenseDropoutEmbeddingBidirectionalkeras.preprocessing.sequence.pad_sequences(texts, maxlen=3)

Muitos conjuntos de dados úteis
E mais!
Para a lista completa e exemplos de uso, veja a documentação do keras
# Importar os módulos necessários
from tensorflow import keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# Instanciar a classe do modelo
model = Sequential()
# Adicionar as camadas
model.add(Dense(64, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
# Compilar o modelo
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])
O método .fit() treina o modelo no conjunto de treino
model.fit(X_train, y_train, epochs=10, batch_size=32)
epochs definem quantas atualizações de pesos serão feitas no modelobatch_size é o tamanho dos dados em cada passoAvaliar o modelo:
model.evaluate(X_test, y_test)
[0.3916562925338745, 0.89324]
Fazer previsões em novos dados:
model.predict(new_data)
array([[0.91483957],[0.47130653]], dtype=float32)
# Construir e compilar o modelo model = Sequential()model.add(Embedding(10000, 128)) model.add(LSTM(128, dropout=0.2)) model.add(Dense(1, activation='sigmoid'))model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# Treinamento
model.fit(x_train, y_train, epochs=5)
# Avaliação
score, acc = model.evaluate(x_test, y_test)
Redes Neurais Recorrentes (RNNs) para Modelagem de Linguagem com Keras