【源码】基于CNN和RNN的医疗科室推荐模型

项目简介

本项目采用CNN和RNN两种模型对中文问诊文本进行分类，以实现医疗科室的推荐。涵盖完整的训练流程，并基于Flask搭建简单的Web应用进行预测。

项目的主要特性和功能

1. 双模型架构：结合CNN和RNN两种模型，CNN捕捉文本关键短语或结构，RNN处理文本数据的时序依赖关系。
2. 完整训练流程：包含数据预处理、模型训练与评估等环节。
3. 性能差异：CNN训练速度快，在CPU上约5分钟；RNN训练慢，在GPU上需2小时左右。CNN在测试集准确率达70.32%，优于RNN的62.06%。
4. 预测应用：基于Flask搭建Web应用，接收文本输入并返回预测的科室类别。

安装使用步骤

假设用户已经下载了本项目的源码文件，且具备一定的Python和TensorFlow基础，可按以下步骤操作： 1. 环境准备：确保已安装Python环境以及TensorFlow库。 2. 数据准备：下载并准备好训练、验证和测试数据，同时准备好词汇表和类别信息。 3. 模型训练：运行run_cnn.py或run_rnn.py进行对应模型的训练。 4. 模型评估：运行test.py对模型在测试集上进行评估。 5. 预测应用：运行predict.py启动基于Flask的预测应用，通过Web界面进行文本分类预测。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】