住房城乡建设部网站诚信,邢台搜,如何网站做镜像,上海传媒公司李闪闪身价本文为#x1f517;365天深度学习训练营内部文章 原作者#xff1a;K同学啊 本次将加入Word2vec使用PyTorch实现中文文本分类#xff0c;Word2Vec 则是其中的一种词嵌入方法#xff0c;是一种用于生成词向量的浅层神经网络模型#xff0c;由Tomas Mikolov及其团队于2013年… 本文为365天深度学习训练营内部文章 原作者K同学啊 本次将加入Word2vec使用PyTorch实现中文文本分类Word2Vec 则是其中的一种词嵌入方法是一种用于生成词向量的浅层神经网络模型由Tomas Mikolov及其团队于2013年提出。Word2Vec通过学习大量文本数据将每个单词表示为一个连续的向量这些向量可以捕捉单词之间的语义和句法关系。数据示例如下: 1.加载数据 import time
import pandas as pd
import torch
from torch.utils.data import DataLoader, random_split
import torch.nn as nn
import torchvision
from torchtext.data import to_map_style_dataset
from torchvision import transforms,datasets
from torchtext.data.utils import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
from gensim.models.word2vec import Word2Vec
import numpy as np
import jieba
import warningswarnings.filterwarnings(ignore)
device torch.device(cuda if torch.cuda.is_available() else cpu)
加载本地数据train_data pd.read_csv(train.csv,sep\t,headerNone)
print(train_data.head())
# 构建数据集迭代器
def coustom_data_iter(texts,labels):for x,y in zip(texts,labels):yield x,yx train_data[0].values[:]
y train_data[1].values[:] zip 是 Python 中的一个内置函数它可以将多个序列(列表、元组等)中对应的元素打包,成一个个元组然后返回这些元组组成的一个迭代器。例如在代码中 zip(textslabels)就是将 texts 和labels 两个列表中对应位置的元素一一打包,成元组返回一个迭代器每次迭代返回一个元组(xy)其中x是 texts 中的一个元素y是 labels 中对应的一个元素。这样每次从迭代器中获取一个元素就相当于从 texts 和 labels 中获取了一组对应的数据。在这里zip 函数主要用于将输入的 texts 和labels打包成一个可迭代的数据集然后传给后续的模型训练过程使用。 2.数据预处理 1构建词典 # 1.构建词典
# 训练 Word2Vec 浅层神经网络模型
w2v Word2Vec(vector_size100, # 是指特征向量的维度默认为100min_count3) # 可以对字典做截断词频少于min_count次数的单词会被丢弃掉默认为5
w2v.build_vocab(x)
w2v.train(x,total_examplesw2v.corpus_count,epochs20) Word2Vec可以直接训练模型一步到位。这里分了三步 第一步构建一个空模型 第二步使用 build_vocab 方法根据输入的文本数据x构建词典。build_vocab 方法会统计输入文本中每个词汇出现的次数并按照词频从高到低的顺序将词汇加入词典中。 第三步使用 train 方法对模型进行训练total_examples 参数指定了训练时使用的文本数量这里使用的是 w2v.corpus_count 属性表示输入文本的数量
# 将文本转化为向量
def average_vec(text):vec np.zeros(100).reshape((1,100))for word in text:try:vec w2v.wv[word].reshape((1,100))except KeyError:continuereturn vec# 将词向量保存为Ndarray
x_vec np.concatenate([average_vec(z) for z in x])# 保存word2vec模型和词向量
w2v.save(w2v_model.pkl) 这段代码定义了一个函数 average_vec(text)它接受一个包含多个词的列表 text 作为输入并返回这些词对应词向量的平均值。该函数 首先初始化一个形状为(1100)的全零 numpy 数组来表示平均向量 然后遍历 text 中的每个词并尝试从 Word2Vec 模型 w2v 中使用 wv 属性获取其对应的词向量。如果在模型中找到了该词函数将其向量加到 vec 中。如果未找到该词函数会继续迭代下一个词 最后函数返回平均向量 vec 然后使用列表推导式将 average_vec()函数应用于列表x中的每个元素。得到的平均向量列表使用 np.concatenate()连接成一个numpy数组x vec该数组表示x中所有元素的平均向量。x vec的形状为(n18)其中n是x中元素的数量。
train_iter coustom_data_iter(x_vec,y)
print(len(x),len(x_vec))
label_name list(set(train_data[1].values[:]))
print(label_name)text_pipeline lambda x:average_vec(x)
label_pipeline lambda x:label_name.index(x) lambda 表达式的语法为:lambda arguments:expression 其中 arguments 是函数的参数可以有多个参数用逗号分隔。expression 是一个表达式它定义了函数的返回值。 text_pipeline函数:将原始文本数据转换为整数列表使用了之前构建的vocab词表和tokenizer分词器函数。具体来说它接受一个字符串x作为输入首先使用tokenizer将其分词然后将每个词在vocab词表中的索引放入一个列表中返回。 label pipeline函数:将原始标签数据转换为整数它接受一个字符串x作为输入并使用 label_name.index(x)方法获取x在label name 列表中的索引作为输出。 2生成数据批次和迭代器 # 2.生成数据批次和迭代器
def collate_batch(batch):label_list,text_list [],[]for (_text,_label) in batch:# 标签列表label_list.append(label_pipeline(_label))# 文本列表processed_text torch.tensor(text_pipeline(_text),dtypetorch.float32)text_list.append(processed_text)label_list torch.tensor(label_list,dtypetorch.int64)text_list torch.cat(text_list)return text_list.to(device),label_list.to(device)# 数据加载器
dataloader DataLoader(train_iter,batch_size8,shuffleFalse,collate_fncollate_batch) 3.构建模型 由于这次我们使用了Word2Vec方法构建词向量作为词嵌入的方法因此这次的模型不需要嵌入层。选取最简单的模 # 1.定义模型(此时不需要嵌入层了)
class TextClassificationModel(nn.Module):def __init__(self,num_class):super(TextClassificationModel,self).__init__()self.fc nn.Linear(100,num_class)def forward(self,text):return self.fc(text)# 2.定义实例
num_class len(label_name)
vocab_size 100000
em_size 12
model TextClassificationModel(num_class).to(device)# 3.定义训练函数和评估函数
def train(dataloader):model.train()total_acc,train_loss,total_count 0,0,0log_interval 50start_time time.time()for idx,(text,label) in enumerate(dataloader):predicted_label model(text)optimzer.zero_grad() # grad属性归零loss criterion(predicted_label,label) # 计算网络输出和真实值之间的差距loss.backward() # 反向传播nn.utils.clip_grad_norm(model.parameters(),0.1) # 梯度裁剪optimzer.step() # 每一步自动更新# 记录acc与Losstotal_acc (predicted_label.argmax(1) label).sum().item()train_loss loss.item()total_count label.size(0)if idx % log_interval 0 and idx 0:elapsed time.time() - start_timeprint(| epoch {:1d} | {:4d}/{:4d} batches | train_acc {:4.3f} train_loss {:4.5f}.format(epoch,idx,len(dataloader),total_acc/total_count,train_loss/total_count))total_acc,train_loss,total_count 0,0,0start_time time.time()def evaluate(dataloader):model.eval()total_acc, train_loss, total_count 0, 0, 0with torch.no_grad():for idx, (text,label) in enumerate(dataloader):predicted_label model(text)loss criterion(predicted_label, label) # 计算网络输出和真实值之间的差距# 记录acc与Losstotal_acc (predicted_label.argmax(1) label).sum().item()train_loss loss.item()total_count label.size(0)return total_acc/total_count,train_loss/total_count 4.训练模型 # 1.拆分数据集并运行模型
EPOCHS 10
LR 5
BATCH_SIZE 64criterion torch.nn.CrossEntropyLoss()
optimzer torch.optim.SGD(model.parameters(),lrLR)
scheduler torch.optim.lr_scheduler.StepLR(optimzer,1.0,gamma0.1)
total_accu None# 构建数据集
train_iter coustom_data_iter(train_data[0].values[:],train_data[1].values[:])
train_dataset to_map_style_dataset(train_iter)
split_train_,split_valid_ random_split(train_dataset,[int(len(train_dataset)*0.8),int(len(train_dataset)*0.2)])
train_dataloader DataLoader(split_train_,batch_sizeBATCH_SIZE,shuffleTrue,collate_fncollate_batch)
valid_dataloader DataLoader(split_valid_,batch_sizeBATCH_SIZE,shuffleTrue,collate_fncollate_batch)for epoch in range(1,EPOCHS1):epoch_start_time time.time()train(train_dataloader)val_acc,val_loss evaluate(valid_dataloader)# 获取当前的学习率lr optimzer.state_dict()[param_groups][0][lr]if total_accu is not None and total_accu val_acc:scheduler.step()else:total_accu val_accprint(-*69)print(| epoch {:1d} | time:{:4.2f}s | valid_acc {:4.3f} valid_loss {:4.3f}.format(epoch,time.time()-epoch_start_time,val_acc,val_loss))print(-*69)# 2.使用测试数据集评估模型
print(Checking the results of test dataset.)
test_acc,test_loss evaluate(valid_dataloader)
print(test accuracy {:8.3f}.format(test_acc))# 3.测试指定数据
def predict(text,text_pipeline):with torch.no_grad():text torch.tensor(text_pipeline(text),dtypetorch.float32)print(text.shape)output model(text)return output.argmax(1).item()ex_text 开始打王者荣耀啦
model model.to(cpu)
print(该文本的类别是%s%label_name[predict(ex_text,text_pipeline)])
| epoch 1 | 50/ 152 batches | train_acc 0.733 train_loss 0.02502
| epoch 1 | 100/ 152 batches | train_acc 0.831 train_loss 0.01846
| epoch 1 | 150/ 152 batches | train_acc 0.827 train_loss 0.01916
---------------------------------------------------------------------
| epoch 1 | time:0.88s | valid_acc 0.828 valid_loss 0.022
---------------------------------------------------------------------
| epoch 2 | 50/ 152 batches | train_acc 0.829 train_loss 0.01900
| epoch 2 | 100/ 152 batches | train_acc 0.844 train_loss 0.01736
| epoch 2 | 150/ 152 batches | train_acc 0.847 train_loss 0.01747
---------------------------------------------------------------------
| epoch 2 | time:0.91s | valid_acc 0.827 valid_loss 0.019
---------------------------------------------------------------------
| epoch 3 | 50/ 152 batches | train_acc 0.879 train_loss 0.00987
| epoch 3 | 100/ 152 batches | train_acc 0.900 train_loss 0.00786
| epoch 3 | 150/ 152 batches | train_acc 0.892 train_loss 0.00829
---------------------------------------------------------------------
| epoch 3 | time:0.92s | valid_acc 0.876 valid_loss 0.011
---------------------------------------------------------------------
| epoch 4 | 50/ 152 batches | train_acc 0.904 train_loss 0.00655
| epoch 4 | 100/ 152 batches | train_acc 0.903 train_loss 0.00710
| epoch 4 | 150/ 152 batches | train_acc 0.886 train_loss 0.00707
---------------------------------------------------------------------
| epoch 4 | time:0.91s | valid_acc 0.875 valid_loss 0.010
---------------------------------------------------------------------
| epoch 5 | 50/ 152 batches | train_acc 0.906 train_loss 0.00592
| epoch 5 | 100/ 152 batches | train_acc 0.903 train_loss 0.00603
| epoch 5 | 150/ 152 batches | train_acc 0.905 train_loss 0.00581
---------------------------------------------------------------------
| epoch 5 | time:0.93s | valid_acc 0.877 valid_loss 0.009
---------------------------------------------------------------------
| epoch 6 | 50/ 152 batches | train_acc 0.913 train_loss 0.00576
| epoch 6 | 100/ 152 batches | train_acc 0.907 train_loss 0.00562
| epoch 6 | 150/ 152 batches | train_acc 0.904 train_loss 0.00591
---------------------------------------------------------------------
| epoch 6 | time:0.86s | valid_acc 0.875 valid_loss 0.009
---------------------------------------------------------------------
| epoch 7 | 50/ 152 batches | train_acc 0.909 train_loss 0.00552
| epoch 7 | 100/ 152 batches | train_acc 0.907 train_loss 0.00578
| epoch 7 | 150/ 152 batches | train_acc 0.905 train_loss 0.00572
---------------------------------------------------------------------
| epoch 7 | time:0.87s | valid_acc 0.876 valid_loss 0.009
---------------------------------------------------------------------
| epoch 8 | 50/ 152 batches | train_acc 0.907 train_loss 0.00556
| epoch 8 | 100/ 152 batches | train_acc 0.914 train_loss 0.00549
| epoch 8 | 150/ 152 batches | train_acc 0.901 train_loss 0.00588
---------------------------------------------------------------------
| epoch 8 | time:0.90s | valid_acc 0.877 valid_loss 0.009
---------------------------------------------------------------------
| epoch 9 | 50/ 152 batches | train_acc 0.908 train_loss 0.00552
| epoch 9 | 100/ 152 batches | train_acc 0.904 train_loss 0.00605
| epoch 9 | 150/ 152 batches | train_acc 0.909 train_loss 0.00534
---------------------------------------------------------------------
| epoch 9 | time:0.91s | valid_acc 0.877 valid_loss 0.009
---------------------------------------------------------------------
| epoch 10 | 50/ 152 batches | train_acc 0.907 train_loss 0.00575
| epoch 10 | 100/ 152 batches | train_acc 0.904 train_loss 0.00578
| epoch 10 | 150/ 152 batches | train_acc 0.911 train_loss 0.00541
---------------------------------------------------------------------
| epoch 10 | time:0.93s | valid_acc 0.877 valid_loss 0.009
---------------------------------------------------------------------
