我是新手，有几个问题。我有一些用Python和Keras创建的神经网络代码片段。该模型用于情感分析。使用了标记数据的训练数据集（情感=1或0）。现在我有几个关于如何描述这个神经网络的问题。
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)我对以下许多术语不是很清楚，请不要对我太苛刻。
- 1: 有什么使这个模型成为典型的情感分析模型吗？
- 2: 它是“词袋模型”吗？（我的猜测是肯定的，因为数据是使用分词器预处理的）
- 3: 它是“卷积的”吗？
- 4: 它是深的吗？
- 5: 它是密集的 – 它有多密集？
- 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: 它是监督的/非监督的？
- 9: 在使用的顺序中，三种不同的激活函数’relu’, ‘sigmoid’, ‘softmax’背后的原因是什么？
感谢任何帮助！
回答：
分类交叉熵，这是该神经网络的损失函数，使其可用于情感分析。交叉熵损失返回不同类别的概率。在你的案例中，你需要两个可能类别的概率（0或1）。- 我不确定你是否在使用分词器，因为从你提供的代码中看不出来，但如果你在使用，那么是的，它是一个词袋模型。词袋模型本质上是为你文本中的词根创建一个存储。从维基百科看，如果以下是你的文本：
John喜欢看电影。Mary也喜欢电影。
那么，这个文本的词袋模型将是：
{“John”:1,”喜欢”:2,”看”:1,”电影”:2,”Mary”:1,”也”:1};
- 你使用的网络架构不是卷积的，而是一个前馈模型，它将一层中的所有单元连接到下一层的所有单元，提供两层值的点积。
- 没有一个被普遍接受的定义来判断一个网络是否是深的。但是，作为一个经验法则，如果一个网络有超过2个中间层（不包括输入和输出层），那么它可以被认为是深的网络。
- 在上面提供的代码中，
Dense反映了第一层中的所有单元（512）都连接到下一层中的每个其他单元，即第一层和第二层之间总共有512×256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，形成了一个512×256维的参数矩阵，使其成为密集的。但在这里使用
Dense更多的是从API的角度而不是语义的角度。同样，第二层和第三层之间的参数矩阵将是256×2维的。 - 如果你排除输入层（有512个单元）和输出层（有2个可能的输出，即0/1），那么你的网络在这里有一层，包含256个单元。
- 这个模型是监督的，因为情感分析任务与每个输入数据点相关联的输出（正面或负面）。你可以将这个输出视为网络的监督者，指示数据点的情感是正面还是负面。非监督任务与数据点没有相关联的输出信号。
- 这里使用的激活函数的目的是为网络的计算提供非线性。更详细地说，
sigmoid有一个很好的特性，它的输出可以被解释为概率。所以如果网络对一个数据点输出0.89，那么这意味着模型评估该数据点为正面的概率是0.89。使用sigmoid可能是为了教学目的，因为ReLU激活单元比sigmoid/tanh更受青睐，因为其更好的收敛特性，我没有看到使用sigmoid而不是ReLU的令人信服的理由。
