14、深度学习文本分类：从预训练词嵌入到CNN模型

深度学习文本分类：从预训练词嵌入到CNN模型

预训练GloVe嵌入的使用示例

在自然语言处理领域，使用预训练的词嵌入可以提升模型的性能。Keras的Embedding层可以利用在其他地方学习到的词嵌入。例如，GloVe方法的研究人员在其网站上提供了一套预训练的词嵌入，以公共领域许可发布。

最小的嵌入包为822兆字节，名为glove.6B.zip，它在包含10亿个标记（单词）的数据集上进行训练，词汇量达40万个单词，有50、100、200和300维等不同的嵌入向量大小。

下面是使用预训练GloVe嵌入的具体步骤：
1. 定义并编码文档 ：

from numpy import asarray
from numpy import zeros
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers import Embedding

# 定义文档
docs = ['Well done!',
        'Good work',
        'Great effort',
        'nice work',
        'Excellent!',
        'W