嵌入向量能提升效能
嵌入層是否能提升模型的準確率？我們用同一份 IMDB 資料來驗證。
這個模型已經訓練了 10 個 epoch，設定與先前使用 simpleRNN 元件的模型相同。為了比較模型，環境中提供了測試集 (X_test, y_test)，以及舊模型 simpleRNN_model。舊模型的準確率已載入在變數 acc_SimpleRNN。
所有需要的模組與函式都已載入到環境中：keras.models 的 Sequential()、keras.layers 的 Embedding 與 Dense，以及 keras.layers 的 SimpleRNN。
本練習屬於課程
使用 Keras 建立語言模型的循環神經網路（RNN）
練習說明
- 在模型中加入嵌入層。
- 計算模型的準確率並存入變數
acc_embeddings。 - 印出舊模型與新模型的準確率。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Create the model with embedding
model = Sequential(name="emb_model")
model.add(____(input_dim=max_vocabulary, output_dim=wordvec_dim, input_length=max_len))
model.add(SimpleRNN(units=128))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# Load pre-trained weights
model.load_weights('embedding_model_weights.h5')
# Evaluate the models' performance (ignore the loss value)
_, ____ = model.evaluate(X_test, y_test, verbose=0)
# Print the results
print("SimpleRNN model's accuracy:\t{0}\nEmbeddings model's accuracy:\t{1}".format(acc_simpleRNN, ____))