На этом шаге мы подведем некоторые итоги по разобранному примеру.
Вот какие выводы вы должны сделать из этого примера.
- Обычно исходные данные приходится подвергать некоторой предварительной обработке, чтобы передать их в нейронную сеть в виде тензоров. Последовательности
слов можно преобразовать в бинарные векторы, но существуют и другие варианты.
- Стек слоев Dense с функцией активации relu способен решать широкий круг задач (включая классификацию настроений), и вы, вероятно,
чаще всего будете использовать именно эту комбинацию.
- В задаче бинарной классификации (с двумя выходными классами) в конце вашей модели должен находиться слой Dense с одним нейроном и
функцией активации sigmoid: результатом работы сети должно быть скалярное значение в диапазоне между 0 и 1, представляющее вероятность.
- С таким скалярным результатом, получаемым с помощью сигмоидной функции, в задачах бинарной классификации следует использовать функцию потерь
binary_crossentropy.
- В общем случае оптимизатор rmsprop является наиболее подходящим выбором для любого типа задач.
- По мере улучшения результатов на обучающих данных нейронные сети рано или поздно начинают переобучаться, демонстрируя ухудшение на данных,
которые они прежде не видели. Поэтому всегда контролируйте качество работы сети на данных не из обучающего набора.
Со следующего шага мы начнем рассмотривать пример классификации новостных лент.
