Python 需要帮助定义一个简单的神经网络吗

我对这个很陌生，我有几个问题。我有一个用keras创建的python神经网络的代码片段。该模型用于情绪分析。使用标记数据的训练数据集（情绪=1或0）。 现在我有几个关于如何描述神经网络的问题

  model = Sequential()
  model.add(Dense(512, input_shape=(max_words,), activation='relu'))
  model.add(Dropout(0.5))
  model.add(Dense(256, activation='sigmoid'))
  model.add(Dropout(0.5))
  model.add(Dense(2, activation='softmax'))


  model.compile(loss='categorical_crossentropy',
                optimizer='adam',
                metrics=['accuracy'])

  model.fit(train_x, train_y,
            batch_size=32,
            epochs=5,
            verbose=1,
            validation_split=0.1,
            shuffle=True)

我不太清楚以下许多条款，所以不要对我太苛刻

• 1：这是情绪分析的典型模式吗
• 2：这是“一袋话”吗？（我的猜测是肯定的，因为数据是使用标记器预处理的）
• 3：是“集合”吗
• 4:深吗
• 5：密度有多大
• 6：密度（？）的原因是什么？数字：512、256、2
• 7：它有多少层（包括/不包括输入和输出层？）
• 8：是否有监督/无监督
• 9：使用顺序中三种不同激活功能“relu”、“sigmoid”、“softmax”的原因是什么

谢谢你的帮助

分类交叉熵

，这是该神经网络的损失函数，可用于情绪分析。交叉熵损失返回不同类别的概率。在您的例子中，需要两个可能的类的概率（

0

或

1

）

我不确定您是否使用了标记器，因为从您提供的代码中看不出它，但是如果您使用了标记器，那么是的，这是一个糟糕的单词模型。单词袋模型实质上是为文本中的词根创建存储空间。 从，如果以下是您的文本：

约翰喜欢看电影。玛丽也喜欢电影

那么，这篇文章的主题是：

{“John”：1，“likes”：2，“to”：1，“watch”：1，“movies”：2，“Mary”：1，“too”：1}

您使用的网络架构不是，而是一个前馈模型，它将一层中的所有单元连接到下一层中的所有单元，提供两层值的点积

没有一个公认的网络深度定义。但是，根据经验，如果一个网络有两个以上的中间层（不包括输入和输出层），那么它可以被视为一个深层网络

在上面提供的代码中，

Dense

反映了这样一个事实，即第一层（512）中的所有单元都连接到下一层中的每一个其他单元，即第一层和第二层之间总共有512x256个连接

是的，第一层中的512个单元与第二层中的256个单元之间的连接导致512x256维的参数矩阵，这使得它非常密集。但是这里使用的

Dense

更多的是从API的角度，而不是语义角度。类似地，第二层和第三层之间的参数矩阵为256x2维

如果排除输入层（有512个单位）和输出层（有2个可能的输出，即0/1），则此处的网络有一个层，有256个单位

由于情绪分析任务具有与每个输入数据点相关联的输出（正或负），因此该模型受到监督。您可以将此输出视为网络的主管，指示数据点的情绪是积极的还是消极的。无监督任务没有与数据点关联的输出信号

这里使用的激活函数用于为网络计算提供非线性。更详细地说，

sigmoid

有一个很好的特性，它的输出可以解释为概率。因此，如果网络输出数据点的概率为0.89，则意味着模型评估该数据点为正，概率为0.89。 使用sigmoid可能是出于教学目的，因为ReLU激活单元比sigmoid/tanh更受青睐，因为它具有更好的收敛特性，我看不到使用sigmoid代替ReLU的令人信服的理由

---

我还建议你浏览博客。这将帮助你巩固你的概念。非常感谢。这回答了我所有的问题。非常感谢您抽出时间！