NLP网络

NLP自然语言处理学习代码汇总

想学习更多深度学习项目，可访问如下链接

1.通过自回归(AR,ARM)模型进行时间序列预测合集：https://github.com/yangwohenmai/TimeSeriesForecasting
2.通过深度学习模型进行时间序列预测合集：https://github.com/yangwohenmai/DeepLearningForTSF
3.基于LSTM的时间序列预测项目合集：https://github.com/yangwohenmai/LSTM

一、文本分类

1.IMDB_LSTM+X 4种文本分类

  1.简单LSTM分类  
  1.简单LSTM分类_通用版  
  2.LSTM层间dropout  
  3.LSTM层内dropout  
  4.LSTM+卷积网络  
  4.LSTM+卷积网络_通用版  
  vocab2.txt

txt_sentoken

  neg  
  pos

2.IMDB两个简单的文本分类示例

  1.IMDB在线数据使用方法  
  2.简单的多层感知器分类模型(在线数据)  
  3.一维卷积神经网络模型(在线数据)

3.Keras将Word嵌入层(Embidding)用于深度学习

  1.如何训练Embidding层  
  2.在Embidding层使用已训练好的词向量_glove

4.scikit-learn构造词向量的三种方法

  1.CountVectorizer计算字数  
  2.HashingVectorizer建立散列表  
  3.TfidfVectorizer统计词频(TF-IDF)

5.第三方中文分词器

  1.三种分词器

6.实例_基于word2vec词向量分类

  1.清理数据  
  2.词汇计数器  
  3.准备正面和负面评论  
  4.训练Embedding模型  
  5.调用Embedding模型分类  
  6.训练可用于嵌入层的word2vec词向量  
  7.将训练好的word2vec转化为嵌入层  
  embedding_word2vec.txt  
  vocab.txt  
  vocab2.txt

txt_sentoken

  neg  
  pos

7.实例_基于词袋模型分类

  1.清理数据  
  2.词汇计数器  
  3.准备正面和负面评论  
  4.生成词向量模型  
  5.构建NLP网络  
  6.调用词袋模型开始预测  
  vocab.txt

8.实例_文本分类的多通道CNN模型

  1.清洗评论并保存文本  
  2.训练、保存模型  
  3.三通道CNN网络分类  
  4.五通道CNN网络分类  
  test.pkl  
  train.pkl

9.使用Gensim生成词嵌入

  1.开发Word2Vec嵌入  
  2.使用PCA绘制单词向量  
  3.词向量的减法

10.网络参考代码

  IMDB文本分类  
  IMDB文本分类_改进  
  TextCNN

二、文本生成

1.基于字符的神经语言模型

  1.语言模型设计  
  2.训练语言模型  
  3.使用网络生成文本  
  char_sequences.txt  
  mapping.pkl  
  model.h5  
  rhyme.txt

2.

  01.
  02.
  03.

3.

  01.
  02.
  03.

yangwohenmai / NLP