Ich habe Chainer installiert, die Deep Learning-Bibliothek von PFI.
Grundsätzlich gemäß QUICK START unter http://chainer.org/
pip install chainer
Die Installation ist abgeschlossen mit. Super einfach.
Die von mir installierte Umgebung ist Mac OS X Mavericks 10.9.5
https://github.com/pfnet/chainer/tree/master/examples/sentiment
Wenn Sie download.sh ausführen, werden die Daten für die Analyse heruntergeladen. Enthält Trainingsdaten, Testdaten und Entwicklungsdaten. Dieses Format.
(3 (2 (2 The) (2 Rock)) (4 (3 (2 is) (4 (2 destined) (2 (2 (2 (2 (2 to) (2 (2 be) (2 (2 the) (2 (2 21st) (2 (2 (2 Century) (2 's)) (2 (3 new) (2 (2 ``) (2 Conan)))))))) (2 '')) (2 and)) (3 (2 that) (3 (2 he) (3 (2 's) (3 (2 going) (3 (2 to) (4 (3 (2 make) (3 (3 (2 a) (3 splash)) (2 (2 even) (3 greater)))) (2 (2 than) (2 (2 (2 (2 (1 (2 Arnold) (2 Schwarzenegger)) (2 ,)) (2 (2 Jean-Claud) (2 (2 Van) (2 Damme)))) (2 or)) (2 (2 Steven) (2 Segal))))))))))))) (2 .)))
python train_sentiment.py
Fangen Sie an zu lernen.
Das Lernergebnis sieht so aus (halbes Ergebnis)
Epoch: 0 loss: 272091.89 15.52 iters/sec, 550.39 sec
Epoch: 1 loss: 231616.00 16.56 iters/sec, 516.08 sec
Epoch: 2 loss: 214706.52 19.19 iters/sec, 445.15 sec
Epoch: 3 loss: 203173.80 14.26 iters/sec, 599.03 sec
Epoch: 4 loss: 193821.91 19.16 iters/sec, 445.83 sec
Train data evaluation: Node accuracy: 77.93 %% (248,265/318,582) Root accuracy: 39.56 %% (3,380/8,544) Develop data evaluation: Node accuracy: 74.72 %% (30,968/41,447) Root accuracy: 34.15 %% (376/1,101)
Es scheint vorerst zu funktionieren, also versuchen wir es mit Ihren eigenen Daten.