J'ai installé Chainer, la bibliothèque Deep Learning de PFI.
Fondamentalement, selon QUICK START à http://chainer.org/
pip install chainer
L'installation est terminée avec. Super facile.
L'environnement que j'ai installé est Mac OS X Mavericks 10.9.5
https://github.com/pfnet/chainer/tree/master/examples/sentiment
Lorsque vous exécutez download.sh, les données à analyser seront téléchargées. Contient des données d'entraînement, des données de test et des données de développement. Ce 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
Commencez à apprendre à.
Le résultat d'apprentissage ressemble à ceci (résultat à mi-chemin)
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)
Cela semble fonctionner pour le moment, alors essayons-le avec vos propres données.
Recommended Posts