Meia vida Meia vida é mais do que suficiente
⌕ Search

Implementação Básica de uma CNN para Análise de Sentimentos em Python

Implementação Básica de uma CNN para Análise de Sentimentos em Python

_ 10 Jul, 2024 _

E se se eu resolvesse, de formam mambembe, implementar uma CNN em Python com ajuda do ChatGPT?

Ficou assim.

1. Instalar as Bibliotecas Necessárias

Certifique-se de ter o TensorFlow e Keras instalados em seu ambiente. Eles podem ser instalados usando o seguinte comando:

pip install tensorflow

2. Importar as Bibliotecas

No início do seu script Python, importe as bibliotecas necessárias:

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding, Conv1D, GlobalMaxPooling1D, Dense
from tensorflow.keras.datasets import imdb
from tensorflow.keras.preprocessing.sequence import pad_sequences

3. Carregar e Preparar os Dados

Carregue o conjunto de dados IMDb e prepare as sequências de texto:

# Definir parâmetros
max_features = 5000  # Número máximo de palavras
max_len = 500  # Tamanho máximo de cada texto

# Carregar o conjunto de dados IMDb
(X_train, y_train), (X_test, y_test) = imdb.load_data(num_words=max_features)

# Preencher ou truncar as sequências para o mesmo comprimento
X_train = pad_sequences(X_train, maxlen=max_len)
X_test = pad_sequences(X_test, maxlen=max_len)

4. Construir o Modelo da CNN

Defina a arquitetura da rede neural convolucional:

model = Sequential()
model.add(Embedding(input_dim=max_features, output_dim=128, input_length=max_len))
model.add(Conv1D(filters=64, kernel_size=5, activation='relu'))
model.add(GlobalMaxPooling1D())
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

5. Compilar o Modelo

Compile o modelo configurando o otimizador, a função de perda e as métricas de avaliação:

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

6. Treinar o Modelo

Treine o modelo com os dados de treino:

model.fit(X_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

7. Avaliar o Modelo

Avalie o modelo usando os dados de teste:

loss, accuracy = model.evaluate(X_test, y_test)
print(f'Test Accuracy: {accuracy:.2f}')

Apêndice: Glossário de Termos

Rede Neural Convolucional (CNN)

Um tipo de rede neural projetada para processar dados com uma estrutura de grade, como imagens ou sequências de texto.

Embedding

Uma técnica para converter palavras em vetores densos de tamanho fixo que capturam relações semânticas entre as palavras.

Conv1D

Uma camada de convolução unidimensional que aplica filtros sobre as sequências de entrada.

GlobalMaxPooling1D

Uma camada de pooling que reduz a dimensionalidade ao selecionar o valor máximo de cada filtro.

Dense

Uma camada totalmente conectada onde cada neurônio recebe entrada de todos os neurônios da camada anterior.

Sigmoid

Uma função de ativação que transforma a saída em um valor entre 0 e 1, usada para tarefas de classificação binária.

Adam

Um algoritmo de otimização que ajusta os pesos da rede neural de forma eficiente.

Binary Crossentropy

Uma função de perda utilizada em problemas de classificação binária, medindo a diferença entre a saída prevista e a saída real.

Batch Size

O número de amostras processadas antes de atualizar o modelo.

Epoch

Uma única passagem por todo o conjunto de dados de treino.

Referências

  1. Chollet, F. (2018). Deep Learning with Python. Manning Publications.
  2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
  3. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media.
  4. Brownlee, J. (2018). Deep Learning for Natural Language Processing. Machine Learning Mastery.
  5. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature , 521(7553), 436-444.
  6. Olah, C. (2015). Understanding Convolutional Neural Networks. colah's blog.
  7. Raschka, S., & Mirjalili, V. (2017). Python Machine Learning. Packt Publishing.
  8. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research , 15(1), 1929-1958.
  9. Goldberg, Y. (2017). Neural Network Methods for Natural Language Processing. Synthesis Lectures on Human Language Technologies , 10(1), 1-309.
  10. Maas, A. L., Daly, R. E., Pham, P. T., Huang, D., Ng, A. Y., & Potts, C. (2011). Learning word vectors for sentiment analysis. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies.