AI在生活中的作用：从日常便利到未来展望

发布时间：2025-06-29 08:50

利用手工制作的相册，回忆过去，展望未来。 #生活乐趣# #日常生活趣事# #手工制作的乐趣# #手工摄影教程#

python复制代码

import tensorflow as tf

from tensorflow.keras.preprocessing.text import Tokenizer

from tensorflow.keras.preprocessing.sequence import pad_sequences

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Embedding, LSTM, Dense, Dropout

import numpy as np

# 假设我们有一个简单的电影评论数据集

# reviews 是一个包含评论文本的列表

# labels 是一个与reviews相对应的标签列表，1表示积极情感，0表示消极情感

# 这里为了简化，我们使用随机生成的数据作为示例

reviews = ["I loved this movie!", "This film was terrible.", "Great acting, but the plot was boring.", ...] # 省略了其他评论

labels = [1, 0, 1, ...] # 省略了其他标签

# 数据预处理

max_words = 10000 # 只考虑最常见的10000个单词

max_len = 200 # 每条评论最多200个单词

tokenizer = Tokenizer(num_words=max_words)

tokenizer.fit_on_texts(reviews)

sequences = tokenizer.texts_to_sequences(reviews)

word_index = tokenizer.word_index

data = pad_sequences(sequences, maxlen=max_len)

labels = np.array(labels)

# 构建模型

embedding_dim = 128 # 词嵌入维度

model = Sequential()

model.add(Embedding(max_words, embedding_dim, input_length=max_len))

model.add(LSTM(128, dropout=0.2, recurrent_dropout=0.2))

model.add(Dense(1, activation='sigmoid'))

# 编译和训练模型

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(data, labels, epochs=3, batch_size=64, validation_split=0.2)

# 模型评估（这里省略了实际评估代码，因为需要真实数据集来验证）

# 通常情况下，我们会使用测试数据集来评估模型的性能