TensorFlow RNN循环神经网络代码nlp句子分类例子（非图像识别）_tensorflow nlp demo

关键词：非图像识别，RNN，TensorFlow，代码，句子分类，NLP、

【注意】这是一个测试数据没有实际意义，所以需要实际数据的请看我的其他博客里有说明

有问题的留言问我就好。

 

最近在看RNN的句子分类，发现网上的代码各种讲解不清楚，于是花了点时间试了试改了改网上的代码，总算对TensorFlow下的RNN有一个了解。

机器学习三大关键点，数据格式，loss定义，网络结构。我们在用tf或其他框架的时候依然只要注意这3个点就可以很容易的解决问题，理解网络。

这次我用的代码基于网上的一个普遍代码-RNN识别mnist图像，原代码的数据是图片单位，每次将一个图片放入RNN，每个时间步放入一行或一列。最后接上一个MLP转化成2分类。我的代码改了数据格式，换成通用的句子序列，用来做文本分类。

原代码中有一个RNN之前的W 和RNN之后的W，也就是说RNN的上下各有一层。RNN的上层我觉得并不需要所以在代码里没有用到，但是定义保留，RNN的下层是用来映射到二分类的softmax网络所以是必须的。

 

RNN的基本知识这里就不展开讲了，主要关注一下RNN的结构就行了。

 

数据格式：

y为【0,1】或【1,0】二分类

x为【‘100’，‘1’，‘23’，‘32’....,'55'】是一个id字符串型的序列

根据id平均数大小给序列分类。id比较大的 分成一类，比较小的为另一类别。

因为生成数据来自程序，所以理论上模型可以达到100%accuracy。数据量可以自己随意设置，如果不太懂数据的格式可以用pychram的debug模型看看。

实际上模型可以学习到不同id对应的实际word embeding。id大的word的word embedding可能就比较大。

注意这是一个测试数据没有实际意义，所以需要实际数据的请看我的其他博客里有说明

 

代码如下

 

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
 
# set random seed for comparing the two result calculations
tf.set_random_seed(1)
 
# this is data
 
MAX_SENTENCE_LENGTH =15
MAX_FEATURES = 150
# hyperparameters
lr = 0.001
training_iters = 100000
batch_size = 127
vocab_size = 200
embedding_size = 100
n_inputs = embedding_size   # MNIST data input (img shape: 28*28)
n_steps = MAX_SENTENCE_LENGTH    # time steps
n_hidden_units = 128  #