load_data
函数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,
**kwargs
)
加载 IMDB 数据集。
这是一个包含 25,000 条来自 IMDB 的电影评论的数据集,按情感(正面/负面)进行标记。评论已预处理,每条评论都编码为单词索引(整数)列表。为了方便起见,单词按其在数据集中的整体频率进行索引,例如,整数“3”表示数据集中第 3 个最常出现的单词。这允许快速过滤操作,例如:“仅考虑前 10,000 个最常见的单词,但排除前 20 个最常见的单词”。
按照惯例,“0”不代表特定单词,而是用于编码填充标记。
参数
~/.keras/dataset
)。num_words
个最常出现的单词。任何频率较低的单词都将作为序列数据中的 oov_char
值出现。如果为 None,则保留所有单词。默认为 None
。oov_char
值出现。当为 0 时,不跳过任何单词。默认为 0
。None
。1
。num_words
或 skip_top
限制而被裁剪掉的单词将替换为此字符。返回值
(x_train, y_train), (x_test, y_test)
。x_train
、x_test
:序列列表,它们是索引(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)。
注意:'超出词汇表' 字符仅用于出现在训练集中但未包含在内的单词,因为它们没有达到此处的 num_words
限制。训练集中未出现但在测试集中出现的单词已被简单地跳过。
get_word_index
函数keras.datasets.imdb.get_word_index(path="imdb_word_index.json")
检索一个将单词映射到其在 IMDB 数据集中的索引的字典。
参数
~/.keras/dataset
)。返回值
单词索引字典。键是单词字符串,值是其索引。
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])