TensorFlow NLP 文本分类示例

文本分类是自然语言处理（NLP）中的一个重要任务，它可以帮助我们将文本数据分类到预定义的类别中。TensorFlow NLP 提供了一系列的工具和示例，以帮助开发者构建自己的文本分类模型。

以下是一个简单的文本分类示例，我们将使用 TensorFlow NLP 的工具来对文本进行分类。

数据准备

在进行文本分类之前，我们需要准备一些数据。以下是一个简单的数据集示例：

类别1: 这是一个例子。
类别2: 另一个例子。

你可以通过以下链接查看更多关于数据准备的信息：数据准备指南

模型构建

在 TensorFlow NLP 中，我们可以使用 tf.keras 来构建模型。以下是一个简单的文本分类模型示例：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding, GlobalAveragePooling1D, Dense

# 构建模型
model = Sequential([
    Embedding(input_dim=vocab_size, output_dim=embedding_dim, input_length=max_length),
    GlobalAveragePooling1D(),
    Dense(24, activation='relu'),
    Dense(num_classes, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

更多关于模型构建的信息，请参考：模型构建指南

训练模型

在准备好数据和模型之后，我们可以开始训练模型：

# 训练模型
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

更多关于模型训练的信息，请参考：模型训练指南

预测

训练完成后，我们可以使用模型进行预测：

# 预测
predictions = model.predict(x_test)

更多关于模型预测的信息，请参考：模型预测指南