简单的LSTM问题，能够预测一句话的下一个字词是什么

固定长度的句子，一个句子有3个词。

使用one-hot编码

各种引用

import kerasfrom keras.models import Sequentialfrom keras.layers import LSTM, Dense, Dropoutimport numpy as np

数据预处理

data = 'abcdefghijklmnopqrstuvwxyz'data_set = set(data) word_2_int = {b:a for a,b in enumerate(data_set)}int_2_word = {a:b for a,b in enumerate(data_set)} word_len = len(data_set)print(word_2_int)print(int_2_word)

一些辅助函数

def words_2_ints(words): ints = [] for itmp in words: ints.append(word_2_int[itmp]) return ints print(words_2_ints('ab')) def words_2_one_hot(words, num_classes=word_len): return keras.utils.to_categorical(words_2_ints(words), num_classes=num_classes)print(words_2_one_hot('a'))def get_one_hot_max_idx(one_hot): idx_ = 0 max_ = 0 for i in range(len(one_hot)): if max_ < one_hot[i]: max_ = one_hot[i] idx_ = i return idx_ def one_hot_2_words(one_hot): tmp = [] for itmp in one_hot: tmp.append(int_2_word[get_one_hot_max_idx(itmp)]) return "".join(tmp) print( one_hot_2_words(words_2_one_hot('adhjlkw')) )

构造样本

time_step = 3 #一个句子有3个词 def genarate_data(batch_size=5, genarate_num=100): #genarate_num = -1 表示一直循环下去,genarate_num=1表示生成一个batch的数据，以此类推 #这里，我也不知道数据有多少，就这么循环的生成下去吧。 #入参batch_size 控制一个batch 有多少数据，也就是一次要yield进多少个batch_size的数据 ''' 例如，一个batch有batch_size=5个样本，那么对于这个例子，需要yield进的数据为： abc->d bcd->e cde->f def->g efg->h 然后把这些数据都转换成one-hot形式，最终数据，输入x的形式为： [第1个batch] [第2个batch] ... [第genarate_num个batch] 每个batch的形式为： [第1句话（如abc）] [第2句话（如bcd）] ... 每一句话的形式为： [第1个词的one-hot表示] [第2个词的one-hot表示] ... ''' cnt = 0 batch_x = [] batch_y = [] sample_num = 0 while(True): for i in range(len(data) - time_step): batch_x.append(words_2_one_hot(data[i : i+time_step])) batch_y.append(words_2_one_hot(data[i+time_step])[0]) #这里数据加[0]，是为了符合keras的输出数据格式。 因为不加[0]，表示是3维的数据。 你可以自己尝试不加0，看下面的test打印出来是什么 sample_num += 1 #print('sample num is :', sample_num) if len(batch_x) == batch_size: yield (np.array(batch_x), np.array(batch_y)) batch_x = [] batch_y = [] if genarate_num != -1: cnt += 1 if cnt == genarate_num: return for test in genarate_data(batch_size=3, genarate_num=1): print('--------x:') print(test[0]) print('--------y:') print(test[1])

搭建模型并训练

model = Sequential() # LSTM输出维度为 128# input_shape控制输入数据的形态# time_stemp表示一句话有多少个单词# word_len 表示一个单词用多少维度表示，这里是26维 model.add(LSTM(128, input_shape=(time_step, word_len)))model.add(Dense(word_len, activation='softmax')) #输出用一个softmax，来分类，维度就是26，预测是哪一个字母 model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy']) model.fit_generator(generator=genarate_data(batch_size=5, genarate_num=-1), epochs=50, steps_per_epoch=10)#steps_per_epoch的意思是，一个epoch中，执行多少个batch#batch_size是一个batch中，有多少个样本。#所以，batch_size*steps_per_epoch就等于一个epoch中，训练的样本数量。(这个说法不对！再观察看看吧)#可以将epochs设置成1，或者2，然后在genarate_data中打印样本序号，观察到样本总数。

使用训练后的模型进行预测：

result = model.predict(np.array([words_2_one_hot('bcd')]))

print(one_hot_2_words(result))

可以看到，预测结果为

e

补充知识：训练集产生的onehot编码特征如何在测试集、预测集复现

数据处理中有时要用到onehot编码，如果使用pandas自带的get_dummies方法，训练集产生的onehot编码特征会跟测试集、预测集不一样，正确的方式是使用sklearn自带的OneHotEncoder。

代码

import pandas as pdfrom sklearn.preprocessing import OneHotEncoderohe = OneHotEncoder(handle_unknown='ignore')data_train=pd.DataFrame({'职业':['数据挖掘工程师','数据库开发工程师','数据分析师','数据分析师'], '籍贯':['福州','厦门','泉州','龙岩']})ohe.fit(data_train)#训练规则feature_names=ohe.get_feature_names(data_train.columns)#获取编码后的特征名data_train_onehot=pd.DataFrame(ohe.transform(data_train).toarray(),columns=feature_names)#应用规则在训练集上 data_new=pd.DataFrame({'职业':['数据挖掘工程师','jave工程师'], '籍贯':['福州','莆田']})data_new_onehot=pd.DataFrame(ohe.transform(data_new).toarray(),columns=feature_names)#应用规则在预测集上

以上这篇keras 简单 lstm实例(基于one-hot编码)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。