120 практических задач - стр. 11

– Слой Embedding:

```python

model.add(layers.Embedding(input_dim=10000, output_dim=128, input_length=maxlen))

```

Этот слой преобразует входные токены в плотные векторы размерности 128.

– Первый слой LSTM:

```python

model.add(layers.LSTM(128, return_sequences=True))

```

Первый слой LSTM возвращает полную последовательность выходов, которая передается следующему слою LSTM.

– Второй слой LSTM:

```python

model.add(layers.LSTM(128, return_sequences=False))

```

Второй слой LSTM возвращает только последний выходной элемент.

– Выходной слой:

```python

model.add(layers.Dense(1, activation='sigmoid'))

```

Выходной слой с сигмоидной активацией для бинарной классификации настроений (позитивное или негативное).

4. Компиляция и обучение модели: Модель компилируется с использованием оптимизатора Adam и функции потерь binary_crossentropy. Затем модель обучается на обучающей выборке.

5. Оценка и тестирование модели: Оценивается точность модели на тестовой выборке и визуализируется процесс обучения с помощью графика.

Этот пример демонстрирует, как создать и обучить модель LSTM для анализа настроений в текстах. Модель включает слои embedding для преобразования текстовых данных в числовые векторы, два слоя LSTM для извлечения временных зависимостей и полносвязный слой для классификации. Эта архитектура позволяет эффективно анализировать тексты и предсказывать настроения на основе данных.

– Задача: Генерация рукописных цифр (набор MNIST).

Для создания простой генеративно-состязательной сети (GAN) для генерации рукописных цифр из набора данных MNIST можно использовать TensorFlow и Keras. В этом примере мы рассмотрим, как создать и обучить GAN для генерации изображений цифр.

Шаги:

1. Импорт библиотек и модулей.

2. Подготовка данных.

3. Построение генератора.

4. Построение дискриминатора.

5. Построение GAN.

6. Обучение GAN.

7. Генерация изображений.

Пример кода:

```python

import tensorflow as tf

from tensorflow.keras import layers, models

import numpy as np

import matplotlib.pyplot as plt

# Шаг 1: Импорт библиотек

import tensorflow as tf

from tensorflow.keras import layers, models

import numpy as np

import matplotlib.pyplot as plt

# Шаг 2: Подготовка данных

# Загрузка набора данных MNIST

(train_images, _), (_, _) = tf.keras.datasets.mnist.load_data()

train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')

train_images = (train_images – 127.5) / 127.5 # Нормализация изображений в диапазоне [-1, 1]

BUFFER_SIZE = 60000

BATCH_SIZE = 256

# Создание выборок

train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)

# Шаг 3: Построение генератора

def build_generator():

model = models.Sequential()

model.add(layers.Dense(7 * 7 * 256, use_bias=False, input_shape=(100,)))

model.add(layers.BatchNormalization())

model.add(layers.LeakyReLU())

model.add(layers.Reshape((7, 7, 256)))

assert model.output_shape == (None, 7, 7, 256) # Убедитесь, что выходная форма такая

model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))

model.add(layers.BatchNormalization())

model.add(layers.LeakyReLU())

model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))

model.add(layers.BatchNormalization())