上篇我們學習瞭如何用Tensorflow機器學習來對電影評論進行正負面情緒判斷，接下來我們將學習如何Tensorflow裡的遷移學習來解決電影評論問題。我們先在 PyCharm->File->Settings->Project裡add遷移學習庫 tensorflow-hub，輕量級資料庫tfds-nightly。
安裝tensorflow-hub
用人工智慧處理任何問題，我們知道第一步都是載入資料集，我們從tensorflow開源庫中下載imdb電影評論資料，這裡我們看到下載方法與前一篇不太一樣了，這裡我們是透過tensorflow輕量級資料庫tensorflow_datasets來完成資料下載和載入的。我們在載入資料時直接將資料集分割為兩部分了，其中60%是訓練集，40%是測試集。由於上一篇我們已經列印了資料集裡的資料，看到了資料模樣，所以這裡就不再去還原資料了，我們知道它就是由一個評論陣列和一個標籤陣列構成，評論陣列就是儲存的評論單詞索引，標籤陣列就是一堆0和1，0表示負面評論，1表示正面評論。
# 將訓練集分割成 60% 和 40%，從而最終我們將得到 15,000 個訓練樣本# 10,000 個驗證樣本以及 25,000 個測試樣本。train_data, validation_data, test_data = tfds.load( name="imdb_reviews", split=('train[:60%]', 'train[60%:]', 'test'), as_supervised=True)資料載入好後就得開始構建模型了，遷移學習與傳統機器學習最大的不同點就是“遷移”，什麼意思呢？就跟牛頓發現萬有引力一樣，牛頓說自己是站在巨人的肩膀上的。遷移學習也是如此，本來就已經有一個訓練好的模型了，站在這個模型基礎之上再去訓練，尋找一個更高效的模型，這就叫遷移學習。如下程式碼，我們直接從tensorflow-hub的模型集散中心裡拉下一個訓練好的模型 gnews，把它作為一個嵌入層，放在構建模型之前。
embedding = "https://hub.tensorflow.google.cn/google/tf2-preview/gnews-swivel-20dim/1"hub_layer = hub.KerasLayer(embedding, input_shape=[], dtype=tf.string, trainable=True)接下來構建模型時，我們把這個帶有已訓練好的模型的嵌入層放在最開始，讓我們的模型站在它的肩膀上。後面兩行model.add我們很熟悉了，就是先新增一個Relu啟用函式，再新增一個機率迴歸層。
model = tf.keras.Sequential()model.add(hub_layer)model.add(tf.keras.layers.Dense(16, activation='relu'))model.add(tf.keras.layers.Dense(1))model.summary()遷移學習的模型搭建好，我們就開始編譯模型，這與上篇一樣，設定最佳化器、損失函式和衡量指標，這裡就不再詳細解釋了。
model.compile(optimizer='adam', loss=tf.keras.losses.BinaryCrossentropy(from_logits=True), metrics=['accuracy'])模型編譯好後，就可以開始訓練了。上篇我們讓epochs=40訓練了40遍，後來觀察損失函式曲線知道，訓練次數過多導致模型過擬合了，所以這裡我們就設定20遍即可。
history = model.fit(train_data.shuffle(10000).batch(512), epochs=20, validation_data=validation_data.batch(512), verbose=1)模型訓練後，就可以讓模型跑在測試集上，呼叫model.evaluate函式對模型進行效果評估。
results = model.evaluate(test_data.batch(512), verbose=2)for name, value in zip(model.metrics_names, results): print("%s: %.3f" % (name, value))小編本想把執行結果截圖給大家看，只可惜家裡的網突然變得很差，資料集下載了半天也沒下載完。哎，要想學習人工智慧，看來不光要準備一顆熱情的心，還得準備一臺高配電腦，一根高速網線！
下載資料