### 使用 Keras 和 Reuters 数据集构建和训练神经网络 要使用 Keras 中的 `reuters` 数据集来构建和训练神经网络，可以按照以下方式操作： #### 1. 导入必要的库 首先需要导入所需的 Python 库以及 Keras 的模块。 ```python import numpy as np from tensorflow.keras.datasets import reuters from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from tensorflow.keras.utils import to_categorical from tensorflow.keras.preprocessing.sequence import pad_sequences ``` #### 2. 加载和处理数据 加载 `reuters` 数据集，并对其进行预处理以便于后续建模。 ```python # 设置最大单词数量和每条新闻的最大长度 max_words = 10000 max_len = 500 # 加载数据 (x_train, y_train), (x_test, y_test) = reuters.load_data(num_words=max_words) # 对序列进行填充以统一输入长度 x_train = pad_sequences(x_train, maxlen=max_len) x_test = pad_sequences(x_test, maxlen=max_len) # 将标签转换为 one-hot 编码形式 y_train = to_categorical(y_train, 46) y_test = to_categorical(y_test, 46) ``` 此处的数据被截断到固定长度 (`max_len`) 并进行了填充[^1]。同时，类别标签也被转换为了独热编码的形式。 #### 3. 构建模型 定义一个简单的深度神经网络结构用于分类任务。 ```python model = Sequential() model.add(Dense(64, activation='relu', input_shape=(max_len,))) model.add(Dropout(0.5)) model.add(Dense(64, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(46, activation='softmax')) # 输出层有 46 个节点对应 46 类别 ``` 此模型包含了两个隐藏层，每一层都有 dropout 层防止过拟合[^2]。 #### 4. 编译模型 配置模型的学习过程，指定优化器、损失函数和评估指标。 ```python model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` #### 5. 训练模型 通过调用 `fit()` 方法开始训练模型。 ```python history = model.fit(x_train, y_train, epochs=9, # 根据引用[2]的经验设定 epoch 数量 batch_size=32, validation_split=0.2) ``` 这里设置了 `epochs=9` 是因为之前的实验表明，在大约第 9 轮之后继续增加训练次数可能会导致过拟合现象发生[^2]。 #### 6. 查看训练结果 可以通过绘制历史记录中的准确性或损失值曲线来分析模型的表现。 ```python import matplotlib.pyplot as plt # 绘制训练与验证的准确率变化趋势 plt.plot(history.history['accuracy'], label='Training Accuracy') plt.plot(history.history['val_accuracy'], label='Validation Accuracy') plt.title('Accuracy over Epochs') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend() # 显示图像 plt.show() ``` 以上代码会生成一张图表展示每次迭代后的性能表现情况。 --- ### 总结 上述流程展示了如何利用 Keras 来完成基于 `reuters` 数据集上的文本分类任务。从加载数据至最终绘图显示效果均有所涉及。