设计和训练人工智能模型的意义是什么？

前一篇：《人工智能模型训练技术，正则化！》

序言：人工智能模型的真正价值在于其实际应用，而不仅仅停留在理论阶段。本节将通过一个简单而常见的应用场景，展示如何将前面几节所设计和训练的模型应用于实际问题。我们将使用训练好的模型对句子进行分类，具体来说，识别社交平台上用户评论的类别。通过这样的技术，社交平台可以实时分析用户的情绪，迅速采取适当的响应措施，比如缓解冲突、提升用户体验，甚至优化平台的推荐算法。

接下来，我们将逐步引导您完成这一过程，从句子编码到模型预测结果的解读，展示如何将理论和实践结合起来，将人工智能的潜能充分释放。

使用模型对句子进行分类

现在你已经创建了模型，训练它，并通过优化解决了许多导致过拟合的问题，下一步就是运行模型并检查其结果。为此，你需要创建一个包含新句子的数组。例如：

sentences = [

"granny starting to fear spiders in the garden might be real",

"game of thrones season finale showing this sunday night",

"TensorFlow book will be a best seller"

]

然后使用与训练时创建词汇表时相同的 tokenizer 对这些句子进行编码。这一点很重要，因为只有使用相同的 tokenizer 才能确保使用的是模型训练时的词汇表和标记。

sequences = tokenizer.texts_to_sequences(sentences)

print(sequences)

打印输出的结果是上述句子的序列：

[[1, 81