NLP 进阶，使用 TextRNN 和 TextRNN_ATT 实现文本分类
作者：AI浩
- 2021 年 11 月 19 日
本文字数：6985 字
阅读完需：约 23 分钟
TextRNN
TextRNN 仅仅是将 Word Embedding 后，输入到双向 LSTM 中，然后对最后一位的输出输入到全连接层中，在对其进行 softmax 分类即可，模型如下图：
代码：
class RNN(nn.Module): def __init__(self, vocab_size, embedding_dim, hidden_dim, output_dim, n_layers=2, bidirectional=True, dropout=0.2, pad_idx=0): super().__init__() self.embedding = nn.Embedding(vocab_size, embedding_dim, padding_idx=pad_idx) self.rnn = nn.LSTM(embedding_dim, hidden_dim, num_layers=n_layers,batch_first=True, bidirectional=bidirectional) self.fc = nn.Linear(hidden_dim * 2, output_dim) # 这里hidden_dim乘以2是因为是双向，需要拼接两个方向，跟n_layers的层数无关。 self.dropout = nn.Dropout(dropout) def forward(self, text): # text.shape=[seq_len, batch_size] embedded = self.dropout(self.embedding(text)) # output: [batch,seq,2*hidden if bidirection else hidden] # hidden/cell: [bidirec * n_layers, batch, hidden] output, (hidden, cell) = self.rnn(embedded) # concat the final forward (hidden[-2,:,:]) and backward (hidden[-1,:,:]) hidden layers hidden = self.dropout(torch.cat((hidden[-2, :, :], hidden[-1, :, :]), dim=1)) # hidden = [batch size, hid dim * num directions]， return self.fc(hidden.squeeze(0)) # 在接一个全连接层，最终输出[batch size, output_dim]
复制代码
TextRNN_ATT
在 TextRNN 的基础上加入注意力机制，代码：
class RNN_ATTs(nn.Module): def __init__(self, vocab_size, embedding_dim, hidden_dim, output_dim, n_layers=2, bidirectional=True, dropout=0.2, pad_idx=0, hidden_size2=64): super().__init__() self.embedding = nn.Embedding(vocab_size, embedding_dim, padding_idx=pad_idx) self.lstm = nn.LSTM(embedding_dim, hidden_dim, n_layers, bidirectional=bidirectional, batch_first=True, dropout=dropout) self.tanh1 = nn.Tanh() # self.u = nn.Parameter(torch.Tensor(config.hidden_size * 2, config.hidden_size * 2)) self.w = nn.Parameter(torch.zeros(hidden_dim * 2)) self.tanh2 = nn.Tanh() self.fc1 = nn.Linear(hidden_dim * 2, hidden_size2) self.fc = nn.Linear(hidden_size2, output_dim)
def forward(self, x): emb = self.embedding(x) # [batch_size, seq_len, embeding]=[128, 32, 300] H, _ = self.lstm(emb) # [batch_size, seq_len, hidden_size * num_direction]=[128, 32, 256]
M = self.tanh1(H) # [128, 32, 256] # M = torch.tanh(torch.matmul(H, self.u)) alpha = F.softmax(torch.matmul(M, self.w), dim=1).unsqueeze(-1) # [128, 32, 1] out = H * alpha # [128, 32, 256] out = torch.sum(out, 1) # [128, 256] out = F.relu(out) out = self.fc1(out) out = self.fc(out) # [128, 64] return out
复制代码
数据集
数据集采用 cnews 数据集，包含三个文件，分别是 cnews.train.txt,cnews.val.txt,cnews,test.txt。类别：体育, 娱乐, 家居, 房产, 教育, 时尚, 时政, 游戏, 科技, 财经，共 10 个类别。网盘地址：
链接：https://pan.baidu.com/s/1awlBYclO_mxntEgL_tUF0g提取码：rtnv
构建词向量
第一步，读取预料，做分词。
思路：
1、创建默认方式的分词对象 seg。
2、打开文件，按照行读取文章。
3、去掉收尾的空格，将 label 和文章分割开。
4、将分词后的文章放到 src_data，label 放入 labels 里。
5、返回结果。
我对代码做了注解，如下：
def read_corpus(file_path): """读取语料 :param file_path: :param type: :return: """ src_data = [] labels = [] seg = pkuseg.pkuseg() #使用默认分词方式。 with codecs.open(file_path,'r',encoding='utf-8') as fout: for line in tqdm(fout.readlines(),desc='reading corpus'): if line is not None: # line.strip()的意思是去掉每句话句首句尾的空格 # .split(‘\t’)的意思是根据'\t'把label和文章内容分开，label和内容是通过‘\t’隔开的。 # \t表示空四个字符，也称缩进，相当于按一下Tab键 pair = line.strip().split('\t') if len(pair) != 2: print(pair) continue src_data.append(seg.cut(pair[1]))# 对文章内容分词。 labels.append(pair[0]) return (src_data, labels) #返回文章内容的分词结果和labels
复制代码
经过这个步骤得到了 labels 和分词后的文章。如下代码：
src_sents, labels = read_corpus('cnews/cnews.train.txt')
复制代码
对 labels 做映射：
labels = {label: idx for idx, label in enumerate(labels)}
复制代码
得到 labels 对应的 idx 的字典，idx 的值是最后一次插入 label 的值。
第二步 构建词向量
这一步主要用到 vocab.py 的 from_corpus 方法
思路：
1、创建 vocab_entry 对象。
2、对分词后的文章统计词频，生成一个词和词频构成的字典。
3、从字典中取出 Top size - 2 个元素。
4、获取元素的词。
5、执行 add 方法将词放入 vocab_entry，生成词和 id，id 就是词对应的向量值。
代码如下：
@staticmethod def from_corpus(corpus, size, min_feq=3): """从给定语料中创建VocabEntry""" vocab_entry = VocabEntry() # chain函数来自于itertools库，itertools库提供了非常有用的基于迭代对象的函数，而chain函数则是可以串联多个迭代对象来形成一个更大的迭代对象 # *的作用：返回单个迭代器。 # word_freq是个字典，key=词，value=词频 word_freq = Counter(chain(*corpus)) # Counter 是实现的 dict 的一个子类，可以用来方便地计数,统计词频
valid_words = word_freq.most_common(size - 2) # most_common()函数用来实现Top n 功能，在这里选出Top size-2个词 valid_words = [word for word, value in valid_words if value >= min_feq] # 把符合要求的词找出来放到list里面。 print('number of word types: {}, number of word types w/ frequency >= {}: {}' .format(len(word_freq), min_feq, len(valid_words))) for word in valid_words: # 将词放进VocabEntry里面。 vocab_entry.add(word) return vocab_entry
复制代码
创建完成后将词向量保存到 json 文件中
vocab = Vocab.build(src_sents, labels, 50000, 3) print('generated vocabulary, source %d words' % (len(vocab.vocab))) vocab.save('./vocab.json')
复制代码
训练
训练使用 Train_RNN.py,先看分析 main 方法的参数。
参数
parse = argparse.ArgumentParser()
parse.add_argument("--train_data_dir", default='./cnews/cnews.train.txt', type=str, required=False) parse.add_argument("--dev_data_dir", default='./cnews/cnews.val.txt', type=str, required=False) parse.add_argument("--test_data_dir", default='./cnews/cnews.test.txt', type=str, required=False) parse.add_argument("--output_file", default='deep_model.log', type=str, required=False) parse.add_argument("--batch_size", default=4, type=int) parse.add_argument("--do_train", default=True, action="store_true", help="Whether to run training.") parse.add_argument("--do_test", default=True, action="store_true", help="Whether to run training.") parse.add_argument("--learnning_rate", default=5e-4, type=float) parse.add_argument("--num_epoch", default=50, type=int) parse.add_argument("--max_vocab_size", default=50000, type=int) parse.add_argument("--min_freq", default=2, type=int) parse.add_argument("--hidden_size", default=256, type=int) parse.add_argument("--embed_size", default=300, type=int) parse.add_argument("--dropout_rate", default=0.2, type=float) parse.add_argument("--warmup_steps", default=0, type=int, help="Linear warmup over warmup_steps.") parse.add_argument("--GRAD_CLIP", default=1, type=float) parse.add_argument("--vocab_path", default='vocab.json', type=str)
复制代码
参数说明：
train_data_dir：训练集路径。
dev_data_dir：验证集路径
test_data_dir：测试集路径
output_file：输出的 log 路径
batch_size：batchsize 的大小。
do_train：是否训练，默认 True、
do_test：是否测试，默认 True
learnning_rate：学习率
num_epoch：epoch 的数量
max_vocab_size：词向量的个数
min_freq：词频，过滤低于这个数值的词
hidden_size：隐藏层的个数
embed_size：Embedding 的长度。
dropout_rate：dropout 的值。
warmup_steps：设置预热的值。
vocab_path：词向量保存的路径
构建词向量
vocab = build_vocab(args) label_map = vocab.labels print(label_map)
复制代码
build_vocab 的方法：
def build_vocab(args): if not os.path.exists(args.vocab_path): src_sents, labels = read_corpus(args.train_data_dir) labels = {label: idx for idx, label in enumerate(labels)} vocab = Vocab.build(src_sents, labels, args.max_vocab_size, args.min_freq) vocab.save(args.vocab_path) else: vocab = Vocab.load(args.vocab_path) return vocab
复制代码
创建模型
创建 CNN 模型，将模型放到 GPU 上，调用 train 方法，训练。
rnn_model = RNN_ATTs(len(vocab.vocab), args.embed_size, args.hidden_size, len(label_map), n_layers=1, bidirectional=True, dropout=args.dropout_rate) rnn_model.to(device) train(args, rnn_model, train_data, dev_data, vocab, dtype='RNN')
复制代码
对 train 方法做了一些注解，如下：
def train(args, model, train_data, dev_data, vocab, dtype='CNN'): LOG_FILE = args.output_file #记录训练log with open(LOG_FILE, "a") as fout: fout.write('\n') fout.write('==========' * 6) fout.write('start trainning: {}'.format(dtype)) fout.write('\n')
time_start = time.time() if not os.path.exists(os.path.join('./runs', dtype)): os.makedirs(os.path.join('./runs', dtype)) tb_writer = SummaryWriter(os.path.join('./runs', dtype)) # 计算总的迭代次数 t_total = args.num_epoch * (math.ceil(len(train_data) / args.batch_size)) #optimizer = bnb.optim.Adam8bit(model.parameters(), lr=0.001, betas=(0.9, 0.995)) # add bnb optimizer optimizer = AdamW(model.parameters(), lr=args.learnning_rate, eps=1e-8)#设置优化器 scheduler = get_linear_schedule_with_warmup(optimizer=optimizer, num_warmup_steps=args.warmup_steps, num_training_steps=t_total) #设置预热。 criterion = nn.CrossEntropyLoss()# 设置loss为交叉熵 global_step = 0 total_loss = 0. logg_loss = 0. val_acces = [] train_epoch = trange(args.num_epoch, desc='train_epoch') for epoch in train_epoch:#训练epoch model.train() for src_sents, labels in batch_iter(train_data, args.batch_size, shuffle=True): src_sents = vocab.vocab.to_input_tensor(src_sents, args.device) global_step += 1 optimizer.zero_grad() logits = model(src_sents) y_labels = torch.tensor(labels, device=args.device) example_losses = criterion(logits, y_labels) example_losses.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), args.GRAD_CLIP) optimizer.step() scheduler.step()
total_loss += example_losses.item() if global_step % 100 == 0: loss_scalar = (total_loss - logg_loss) / 100 logg_loss = total_loss
with open(LOG_FILE, "a") as fout: fout.write("epoch: {}, iter: {}, loss: {},learn_rate: {}\n".format(epoch, global_step, loss_scalar, scheduler.get_lr()[0])) print("epoch: {}, iter: {}, loss: {}, learning_rate: {}".format(epoch, global_step, loss_scalar, scheduler.get_lr()[0])) tb_writer.add_scalar("lr", scheduler.get_lr()[0], global_step) tb_writer.add_scalar("loss", loss_scalar, global_step)
print("Epoch", epoch, "Training loss", total_loss / global_step) eval_loss, eval_result = evaluate(args, criterion, model, dev_data, vocab) # 评估模型 with open(LOG_FILE, "a") as fout: fout.write("EVALUATE: epoch: {}, loss: {},eval_result: {}\n".format(epoch, eval_loss, eval_result)) eval_acc = eval_result['acc'] if len(val_acces) == 0 or eval_acc > max(val_acces): # 如果比之前的acc要da，就保存模型 print("best model on epoch: {}, eval_acc: {}".format(epoch, eval_acc)) torch.save(model.state_dict(), "classifa-best-{}.th".format(dtype)) val_acces.append(eval_acc)
time_end = time.time() print("run model of {},taking total {} m".format(dtype, (time_end - time_start) / 60)) with open(LOG_FILE, "a") as fout: fout.write("run model of {},taking total {} m\n".format(dtype, (time_end - time_start) / 60))
复制代码
重点注释了一下 batch_iter 方法，如下：
def batch_iter(data, batch_size, shuffle=False): """ batch数据 :param data: list of tuple :param batch_size: :param shuffle: :return: """ batch_num = math.ceil(len(data) / batch_size)# 计算迭代的次数 index_array = list(range(len(data))) #按照data的长度，映射list if shuffle:#是否打乱顺序 random.shuffle(index_array)
for i in range(batch_num): indices = index_array[i*batch_size:(i+1)*batch_size]# 选出batchsize个index examples = [data[idx] for idx in indices]# 通过index找到对应的data examples = sorted(examples,key=lambda x: len(x[1]),reverse=True)#按照label排序 src_sents = [e[0] for e in examples] #把data中的文章放到src_sents labels = [label_map[e[1]] for e in examples] #将标题映射label_map对应的value yield src_sents, labels
复制代码
下面一个重要的方法是 vocab.vocab.to_input_tensor，核心思路：
1、将数据通过 self.words2indices 方法转为词对应的数值。
2、找出一个 batch 中最长的数据，剩下的数据后面补 0，形成统一的长度。
3、将第二步得到的结果放入 torch.tensor
代码如下：
def to_input_tensor(self, sents: List[List[str]], device: torch.device): """ 将原始句子list转为tensor,同时将句子PAD成max_len :param sents: list of list<str> :param device: :return: """ sents = self.words2indices(sents) sents = pad_sents(sents, self.word2id['<PAD>']) sents_var = torch.tensor(sents, device=device) return sents_var
复制代码
开始训练：
验证
将 do_train 改为 False，do_test 改为 True 就可以开启验证模型，TextRNN 能达到 0.96 的成绩。
parse.add_argument("--do_train", default=False, action="store_true", help="Whether to run training.")
复制代码
完整代码链接：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/40816205
划线
评论
复制
发布于: 18 分钟前阅读数: 3
版权声明: 本文为 InfoQ 作者【AI浩】的原创文章。
原文链接:【http://xie.infoq.cn/article/31958ab6324459bf0348b0159】。文章转载请联系作者。
AI浩
关注
还未添加个人签名 2021.11.08 加入
还未添加个人简介
评论