IMDB 电影评论情感分类数据集

[源]

load_data 函数

tf_keras.datasets.imdb.load_data(
    path="imdb.npz",
    num_words=None,
    skip_top=0,
    maxlen=None,
    seed=113,
    start_char=1,
    oov_char=2,
    index_from=3,
    cache_dir=None,
    **kwargs
)

加载 IMDB 数据集。

该数据集包含来自 IMDB 的 25,000 条电影评论，按情感（积极/消极）标记。评论已预处理，每条评论都编码为一个词索引列表（整数）。为了方便起见，词汇根据其在数据集中的总体出现频率进行索引，例如，整数“3”编码数据中出现频率排名第三的词。这使得可以进行快速过滤操作，例如：“仅考虑前 10,000 个最常见的词，但排除前 20 个最常见的词”。

按照惯例，“0”不代表特定的词，而是用于编码填充标记。

参数

• path：数据缓存的位置（相对于 ~/.keras/dataset）。
• num_words：整数或 None。词汇根据其出现频率（在训练集中）进行排名，并且只保留 num_words 个最频繁的词。任何频率较低的词将以 oov_char 的值出现在序列数据中。如果为 None，则保留所有词。默认为 None。
• skip_top：跳过出现频率最高的 N 个词（这些词可能信息量不大）。这些词将以 oov_char 的值出现在数据集中。当为 0 时，不跳过任何词。默认为 0。
• maxlen：整数或 None。最大序列长度。任何更长的序列将被截断。None 表示不截断。默认为 None。
• seed：整数。用于可复现的数据混洗的种子。
• start_char：整数。序列的开始将用此字符标记。0 通常是填充字符。默认为 1。
• oov_char：整数。词汇表外字符 (out-of-vocabulary character)。因 num_words 或 skip_top 限制而被移除的词将被替换为此字符。
• index_from：整数。实际词汇的索引从此索引及以上开始。
• cache_dir：本地缓存数据集的目录。如果为 None，则默认为 ~/.keras/datasets。
• **kwargs：用于向后兼容性。

返回值

• Numpy 数组的元组：(x_train, y_train), (x_test, y_test)。

x_train, x_test：序列列表，每个序列是索引（整数）列表。如果指定了 num_words 参数，则最大可能的索引值为 num_words - 1。如果指定了 maxlen 参数，则最大可能的序列长度为 maxlen。

y_train, y_test：整数标签列表（1 或 0）。

抛出

• ValueError：如果 maxlen 过低导致无法保留任何输入序列。

请注意，'词汇表外'字符仅用于那些出现在训练集中但由于未达到 num_words 限制而未包含进来的词。未在训练集中出现但在测试集中的词已被简单跳过。

[源]

get_word_index 函数

tf_keras.datasets.imdb.get_word_index(path="imdb_word_index.json")

检索一个字典，该字典将 IMDB 数据集中的词汇映射到其索引。

参数

• path：数据缓存的位置（相对于 ~/.keras/dataset）。

返回值

词汇索引字典。键为词汇字符串，值为其对应的索引。

示例

# Use the default parameters to keras.datasets.imdb.load_data
start_char = 1
oov_char = 2
index_from = 3
# Retrieve the training sequences.
(x_train, _), _ = keras.datasets.imdb.load_data(
    start_char=start_char, oov_char=oov_char, index_from=index_from
)
# Retrieve the word index file mapping words to indices
word_index = keras.datasets.imdb.get_word_index()
# Reverse the word index to obtain a dict mapping indices to words
# And add `index_from` to indices to sync with `x_train`
inverted_word_index = dict(
    (i + index_from, word) for (word, i) in word_index.items()
)
# Update `inverted_word_index` to include `start_char` and `oov_char`
inverted_word_index[start_char] = "[START]"
inverted_word_index[oov_char] = "[OOV]"
# Decode the first sequence in the dataset
decoded_sequence = " ".join(inverted_word_index[i] for i in x_train[0])