我正在使用CNN模型进行复杂的文本分类(主要是电子邮件和消息)。数据集包含分布在10个不同类上的大约100k条目。我实际的Keras顺序模型具有以下结构:
model = Sequential(
[
Embedding(
input_dim=10000,
output_dim=150,
input_length=400),
Convolution1D(
filters=128,
kernel_size=4,
padding='same',
activation='relu'),
BatchNormalization(),
MaxPooling1D(),
Flatten(),
Dropout(0.4),
Dense(
100,
activation='relu'),
Dropout(0.4),
Dense(
len(y_train[0]),
activation='softmax')])
在编译模型时,我使用Nadam优化器],categoical_crossentropy损失,并且[[LabelSmoothing设置为0.2。 在模型拟合中,我正在使用 30 Epochs
损耗:1.1673-精度:0.9674-损耗:1.2464-精度:0.8964
测试精度达到:损失:1.2461-准确性:0.8951
现在,我想提高CNN的准确性,我尝试了不同的超参数,但是到目前为止,我无法获得更高的价值。因此,我试图找出:我正在研究用于复杂文本分类(主要是电子邮件和消息)的CNN模型。数据集包含分布在10个不同类上的大约100k条目。我实际的Keras顺序模型...