Python Keras数据集对于训练集和测试集具有不同的向量长度

我正在尝试使用来自

keras.datasets

的路透社和imdb数据集。标准呼叫是：

(x_train, y_train), (x_test, y_test) = imdb.load_data(path="imdb.npz",
                                                  num_words=None,
                                                  skip_top=0,
                                                  maxlen=None,
                                                  seed=113,
                                                  start_char=1,
                                                  oov_char=2,
                                                  index_from=3)

---

当我检查维度时，train数据集给出了（2500010922），这很有意义。但测试给出了（25000，）。如果转储单个测试数据集元素，如

x\u test[0]

，它将给出一个列表，而不是

numpy.array

。问题在于，每行的列表维度都会发生变化，并且始终与列向量维度不同。您应该如何将其用作测试数据？

正如您所提到的，

x\u train

和

x\u test

中的每个元素都是一个列表。该列表包含一个句子（或一个段落，或在本例中是一篇评论）的单词索引，由于句子可能有不同数量的单词，因此相应的表示也有不同的长度。让我们解码其中一个句子，看看它是什么样子，并更加熟悉数据集：

from keras.datasets import imdb

(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=10000)

# a mapping from words to their indices, for example `human`: 403
word_index = imdb.get_word_index()

# create the reverse mapping i.e. from indices to words
rev_word_index = {idx:w for w,idx in word_index.items()}

def decode_sentence(s):
    # index 0 to 2 are reserved for things like padding, unknown word, etc.
    decoded_sent = [rev_word_index.get(idx-3, '[RES]') for idx in s]
    return ' '.join(decoded_sent)

print(decode_sentence(x_train[100]))

以人类可读的形式输出所选审查：

[RES]我是大卫·林奇的超级粉丝，拥有他所拥有的一切 用dvd制作，酒店房间除外2小时双峰电影，所以什么时候 我发现了这件事，我立刻抓住了它，这是什么 这是一组由[分辨率]绘制的黑白卡通，声音洪亮 满嘴脏话，毫无幽默感也许我不知道什么好，但也许这个 只是一堆废话，在公众的名义下 大卫·林奇也赚了几块钱让我说清楚我没有 关心粗话部分，但必须保留声音 因为我的邻居们可能对这一切都很有兴趣 令人失望的发布，很可能刚刚被留在[RES] 我强烈建议你不要花你的钱 在这方面，十分之二

这些数据的使用完全取决于您和您试图解决的问题。你可以把句子按原样输入一个网络，这个网络可以处理长度可变的句子。通常由1D卷积层或LSTM层或两者的混合组成。另一种方法是通过将所有句子编码为固定长度编码，使它们具有相同的长度。下面是一个示例，其中一个热编码将每个句子编码为0和1的向量，所有句子的长度固定：

from keras.datasets import imdb
import numpy as np

# you can limit the vocabulary size by passing `num_words` argument 
# to ignore rare words and make data more manageable
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=10000)

def encode_sentences(sentences, dim):
    encodings = np.zeros((len(sentences), dim))
    for idx, sentence in enumerate(sentences):
        encodings[idx, sentence] = 1.0
    return encodings

x_train = encode_sentences(x_train, 10000)
x_test = encode_sentences(x_test, 10000)

print(x_train.shape)
print(x_test.shape)

哪些产出：

(25000, 10000)
(25000, 10000)

(25000, 500)
(25000, 500)

所有句子都已编码为长度为10000的向量，其中该向量的第i个元素表示索引为

i

的单词是否存在于相应的句子中

另一种方法是截断或填充句子，使其长度相同。以下是一个例子：

from keras.datasets import imdb
from keras import preprocessing

n_feats = 10000   # maximum number of words we want to consider in our vocabulary
max_len = 500     # maximum length of each sentence (i.e. truncate those longer
                  # than 500 words and pad those shorter than 500 words)

# you can limit the vocabulary size by passing `num_words` argument
# to ignore rare words and make it more manageable
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=n_feats)

# preprocess the sequences (i.e. truncate or pad)
x_train = preprocessing.sequence.pad_sequences(x_train, maxlen=max_len)
x_test = preprocessing.sequence.pad_sequences(x_test, maxlen=max_len)

print(x_train.shape)
print(x_test.shape)

哪些产出：

(25000, 10000)
(25000, 10000)

(25000, 500)
(25000, 500)

现在，所有25000个句子的长度都相同，可以随时使用

---

我强烈建议阅读。

我猜可能测试列表只是没有频率的单词索引？我得到了火车和测试的

（25000，）

形状datasets@bhomass我的回答有什么模棱两可的地方吗？是的，你是对的。有一行我忽略了。x_-train=np.array（[np.bincount（doc，minlength=V）表示x_-train中的doc]）谢谢，示例中参数值的选择使得理解数据集的行为更加困难。