「PythonによるLong Short-Term Memoryのマスタリング：NLPでのLSTMの力を解き放つ」

「美しさとファッションのプロが語る：魅力的なビューティーワールドとファッションのトレンド」

Pythonで自然言語処理のためのLSTMレイヤーを理解し、実装する包括的なガイド

この作品は私のRNNとPythonによるNLPの記事の続きです。単純な再帰レイヤーを使用したディープラーニングネットワークから、ディープラーニングネットワークにLong Short Term Memory（略してLSTM）レイヤーに進むことは自然な進化です。

RNNとNLPと同様に、LSTMレイヤーを詳細に説明し、レイヤーの順方向パスをゼロからコーディングしようとします。

すべてのコードはこちらでご覧いただけます：https://github.com/Eligijus112/NLP-python

前の記事と同じデータセット¹で作業します：

• クラウドファーストデータサイエンス：データの分析とモデリングのための現代的なアプローチ
• 「Amazon SageMaker Canvasを使用したノーコードでSalesforce Data CloudでのMLの民主化」
• 「Amazon SageMaker Data Wranglerを使用して、生成型AIのデータ準備をシンプルにする」

# データ整理import pandas as pd# データの読み込み d = pd.read_csv('input/Tweets.csv', header=None)# カラムの追加 d.columns = ['INDEX', 'GAME', "SENTIMENT", 'TEXT']# ポジティブとネガティブの評価のみを残す d = d[d['SENTIMENT'].isin(['Positive', 'Negative'])]# ポジティブを0、ネガティブを1としてエンコード d['SENTIMENT'] = d['SENTIMENT'].apply(lambda x: 0 if x == 'Positive' else 1)# 欠損値を削除 d = d.dropna()

SENTIMENT=1はネガティブの評価であり、SENTIMENT=0はポジティブの評価です。

テキストデータを整数のシーケンスに変換する必要があります。ただし、前の記事とは異なり、単語ではなく個々の文字のシーケンスを作成します。

たとえば、「Nice Game」というテキストは、次の例のベクトルに変換できます：

[1, 2, 3, 4, 5, 6, 7, 8, 3]

空白や句読点を含む個々の文字はインデックスを持ちます。

def create_word_index(    x: str,     shift_for_padding: bool = False,     char_level: bool = False) -> Tuple[dict, dict]:     """    ターゲットになるテキストをスキャンし、以下の2つの辞書を作成する関数です：    - word2idx: 単語から整数への辞書マッピング...-

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!