深度学习的广泛运用之一就是对文本按照其内容进行分类。例如对新闻报道根据其性质进行划分是常见的应用领域。在本节，我们要把路透社自1986年以来的新闻数据按照46个不同话题进行划分。网络经过训练后，它能够分析一篇新闻稿，然后按照其报道内容，将其归入到设定好的46个话题之一。深度学习在这方面的应用属于典型的“单标签，多类别划分”的文本分类应用。
我们这里采用的数据集来自于路透社1986年以来的报道，数据中每一篇新闻稿附带一个话题标签，以用于网络训练，每一个话题至少含有10篇文章，某些报道它内容很明显属于给定话题，有些报道会模棱两可，不好确定它到底属于哪一种类的话题，我们先把数据加载到机器里，代码如下：
from keras.datasets import reuters
(train_data, train_label), (test_data, test_labels) = reuters.load_data(num_words=10000)
keras框架直接附带了相关数据集，通过执行上面代码就可以将数据下载下来。上面代码运行后结果如下：
这里写图片描述
从上面运行结果看，它总共有8982条训练数据和2246条测试数据。跟我们上节数据类型一样，数据里面对应的是每个单词的频率编号，我们可以通过上一节类似的代码，将编号对应的单词从字典中抽取出来结合成一篇文章，代码如下：
word_index = reuters.get_word_index()
reverse_word_index = dict([value, key] for (key, value) in word_index.items())
decoded_newswire = ' '.join([reverse_word_index.get(i-3, '?') for i in train_data[0]])
print(decoded_newswire)
上面代码运行后结果如下：
这里写图片描述
如同上一节，我们必须要把训练数据转换成数据向量才能提供给网络进行训练，因此我们像上一节一样，对每条新闻创建一个长度为一万的向量，先把元素都初始为0，然后如果某个对应频率的词在文本中出现，那么我们就在向量中相应下标设置为1，代码如下：
import numpy as np
def vectorize_sequences(sequences, dimension=10000):
results = np.zeros((len(sequences), dimension))
for i, sequence in enumerate(sequences):
results[i, sequence] = 1.
return results
x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)
print(x_train[0])
上面代码运行后，我们就把训练数据变成含有1或0的向量了：
这里写图片描述
其实我们可以直接调用keras框架提供的接口一次性方便简单的完成：
from keras.utils.np_utils import to_categorical
one_hot_train_labels = to_categorical(train_label)
one_hot_test_labels = to_categorical(test_labels)
接下来我们可以着手构建分析网络，网络的结构与上节很像，因为要解决的问题性质差不多，都是对文本进行分析。然而有一个重大不同在于，上一节我们只让网络将文本划分成两种类别，而这次我们需要将文本划分为46个类别！上一节我们构造网络时，中间层网络我们设置了16个神经元，由于现在我们需要在最外层输出46个结果，因此中间层如果只设置16个神经元那就不够用，由于输出的信息太多，如果中间层神经元数量不足，那么他就会成为信息过滤的瓶颈，因此这次我们搭建网络时，中间层网络节点扩大为6个，代码如下：
from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
#当结果是输出多个分类的概率时，用softmax激活函数,它将为46个分类提供不同的可能性概率值
model.add(layers.Dense(46, activation='softmax'))
#对于输出多个分类结果，最好的损失函数是categorical_crossentropy
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
像上一节一样，在网络训练时我们要设置校验数据集，因为网络并不是训练得次数越多越好，有了校验数据集，我们就知道网络在训练几次的情况下能够达到最优状态，准备校验数据集的代码如下：
x_val = x_train[:1000]
partial_x_train = x_train[1000:]
y_val = one_hot_train_labels[:1000]
partial_y_train = one_hot_train_labels[1000:]
有了数据，就相当于有米入锅，我们可以把数据输入网络进行训练：
history = model.fit(partial_x_train, partial_y_train, epochs=20, batch_size=512,
validation_data=(x_val, y_val))
代码进行了20个周期的循环训练，由于数据量比上一节小，因此速度快很多，与上一节一样，网络的训练并不是越多越好，它会有一个拐点，训练次数超出后，效果会越来越差，我们把训练数据图形化，以便观察拐点从哪里开始：
import matplotlib.pyplot as plt
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(loss) + 1)
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()
上面代码运行后结果如下：
这里写图片描述
通过上图观察我们看到，以蓝点表示的是网络对训练数据的判断准确率，该准确率一直在不断下降，但是蓝线表示的是网络对校验数据判断的准确率，仔细观察发现，它一开始是迅速下降的，过了某个点，达到最低点后就开始上升，这个点大概是在epochs=9那里，所以我们把前面对网络训练的循环次数减少到9：
from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
#当结果是输出多个分类的概率时，用softmax激活函数,它将为46个分类提供不同的可能性概率值
model.add(layers.Dense(46, activation='softmax'))
#对于输出多个分类结果，最好的损失函数是categorical_crossentropy
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit(partial_x_train, partial_y_train, epochs=9, batch_size=512,
validation_data=(x_val, y_val))
完成训练后，我们把结果输出看看：
results = model.evaluate(x_test, one_hot_test_labels)
print(results)
上面两句代码运行结果为：
这里写图片描述
右边0.78表示，我们网络对新闻进行话题分类的准确率达到78%，差一点到80%。我们从测试数据集中拿出一条数据，让网络进行分类，得到结果再与其对应的正确结果比较看看是否一致：
predictions = model.predict(x_test)
print(predictions[0])
print(np.sum(predictions[0]))
print(np.argmax(predictions[0]))
print(one_hot_test_labels[0])
我们让网络对每一条测试数据一一进行判断，并把它对第一条数据的判断结果显示出来，最后我们打印出第一条测试数据对应的分类，最后看看网络给出去的结果与正确结果是否一致，上面代码运行后结果如下：
这里写图片描述
从上面运行结果看到，网络对第一条数据给出了属于46个分类的概率，其中下标为3的概率值最大，也就是第一条数据属于分类4的概率最大，最后打印出来的测试数据对应的正确结果来看，它也是下标为3的元素值为1，也就是说数据对应的正确分类是4，由此我们网络得到的结果是正确的。
前面提到过，由于网络最终输出结果包含46个元素，因此中间节点的神经元数目不能小于46，因为小于46，那么有关46个元素的信息就会遭到挤压，于是在层层运算后会导致信息丢失，最后致使最终结果的准确率下降，我们试试看是不是这样：
from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(4, activation='relu'))
#当结果是输出多个分类的概率时，用softmax激活函数,它将为46个分类提供不同的可能性概率值
model.add(layers.Dense(46, activation='softmax'))
#对于输出多个分类结果，最好的损失函数是categorical_crossentropy
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit(partial_x_train, partial_y_train, epochs=9, batch_size=512,
validation_data=(x_val, y_val))
results = model.evaluate(x_test, one_hot_test_labels)
print(results)
上面代码运行后，输出的results结果如下：
[1.4625472680649796, 0.6705253784505788]
从上面结果看到，我们代码几乎没变，致使把第二层中间层神经元数量改成4，最终结果的准确率就下降10个点，所以中间层神经元的减少导致信息压缩后，最后计算的准确度缺失。反过来你也可以试试用128个神经元的中间层看看准确率有没有提升。
到这里不知道你发现没有，神经网络在实际项目中的运用有点类似于乐高积木，你根据实际需要，通过选定参数，用几行代码配置好基本的网络结构，把训练数据改造成合适的数字向量，然后就可以输入到网络中进行训练，训练过程中记得用校验数据监测最优训练次数，防止过度拟合。
在网络的设计过程中，其背后的数学原理我们几乎无需了解，只需要凭借经验，根据项目的性质，设定网络的各项参数，最关键的其实在根据项目数据性质对网络进行调优，例如网络设置几层好，每层几个神经元，用什么样的激活函数和损失函数等等，这些操作与技术无关，取决以个人经验，属于“艺术”的范畴。
更多技术信息，包括操作系统，编译器，面试算法，机器学习，人工智能，请关照我的公众号：
这里写图片描述
