1. 神经网络的相关内容:
1.词向量:一般维度在50~300维之间,维度越高,数据的精确度就越高
将神经网络想象成一个黑匣子
2.skip-gram模型可以输入值,得到相应的相应的上下文
CBOW模型可以输入上下文,得到中间的预测值
3.数据训练:通过指定的滑动窗口,持续地改变输入input和输出output
4.如何进行训练:
二级分类:输入值是两个单词,输出值是两个单词是否具有相邻关系的概率
target=1表示是正采样数据,两个词之间具有相邻关系
人为添加3~5个负采样方案(negative samples),target=0
2.构建神经网络模型代码部分
import torch
import torch.nn as nn
from torch.nn import functional as F
from torchvision import datasets,transforms
import matplotlib.pyplot as plt
import numpy as np
from torch.utils import data as data
import torch.optim as optim
#第一步:读取数据:
# 分别构建训练集和测试集
# DataLoader来迭代取数据
#定义超参数
input_size=28#表示输入图像的尺寸是28*28*1
num_classes=10#标签的种类数
num_epochs=3#训练的总循环周期为3次
batch_size=64#一个批次的大小,64张图片
#训练集
train_dataset=datasets.MNIST(
root='./train-images-idx3-ubyte',
train=True,
transform=transforms.ToTensor(),
download=True
)
#测试集
test_dataset=datasets.MNIST(
root='./train-images-idx3-ubyte',
train=False,
transform=transforms.ToTensor()
)
#构建batch数据
train_loader=data.DataLoader(
dataset=train_dataset,
shuffle=True
)
test_loader=data.DataLoader(
dataset=test_dataset,
shuffle=True
)
#第二步:卷积网络模块构建
# 一般卷积层,Relu层可以写成一个套餐
# 注意卷积最后结果还是一个特征图,需要把图转换成向量才能够做做分类或回归任务
# (conv+relu)*2+pooling
class CNN(nn.Module):
def __init__(self):
super(CNN,self).__init__()
#第一个卷积模块conv1:
self.conv1=nn.Sequential(#输入大小是1*28*28
nn.Conv2d( #Conv2d表示二维卷积模块,通常被用于图像处理,Conv1d表示一维卷积模块,用于语言文本的处理
in_channels=1, #灰度图:通道数是1
out_channels=16, #要得到多少个特征图
kernel_size=5, #卷积核的大小为5
stride=1, #步长为1
padding=2 #如果希望卷积后的大小和原来的一样,需要设置padding=(kernel_size-1)/2,if stride=1
),
#第一次二维卷积后得到的特征图是16*28*28
nn.ReLU(), #Relu操作
nn.MaxPool2d(kernel_size=2),#池化操作,输出结果是16*14*14
)
#第二个卷积模块conv2
self.conv2=nn.Sequential(
nn.Conv2d(
16, #第一次卷积模块的out_channels=16,作为第二次卷积模块的in_channels
32, #第二次二维卷积得到的特征图的通道数是32
5, #卷积核的大小是5
1, #卷积的步长是1
2 #保证输出图像的大小与输入图像的大小一致,padding=(kernel_size-1)/2,if stride=1
#经过卷积后图像的尺寸大小=(输入图像尺寸大小-kernel_size+2*padding)/stride+1
),
#第二个卷积模块的二维卷积得到的特征图的大小是32*14*14
nn.ReLU(),
nn.MaxPool2d(kernel_size=2),#池化操作,输出结果是32*7*7
)
#全连接得到的结果
self.out=nn.Linear(32*7*7,10)#10表示10个类别
#
def forward(x):
x=self.conv1(x) #经过第一个卷积模块
x=self.conv2(x) #经过第二个卷积模块
x=x.view(x.size(0),-1) #flatten操作,结果是:(batch_size,32*7*7),将立体的图像(32,7,7)扁平化成一个矩阵
output=self.out(x)
return output
#第三步:准确率作为评估标准
def accuracy(predictions,labels):
pred=torch.max(predictions.data,1)[1]
rights=pred.eq(labels.data.view_as(pred)).sum()
return rights,len(labels)
#第四步:训练网络模型
#实例化
net=CNN()
#损失函数
criterion=nn.CrossEntropyLoss()#自动计算出softmax(),得到交叉熵,交叉熵越高,所含的信息量就越少
#优化器:定义优化器,普遍的随机梯度下降算法
optimizer=optim.Adam(net.parameters(),lr=0.001)
#开始训练循环epochs=3
for epoch in range(num_epochs):
train_rights=[]#将当前epoch的结果记录下来
#更新权重操作
for batch_idx,(data,target) in enumerate(train_loader):#针对容器中的每一个batch进行循环
net.train()
output=net(data)
loss=criterion(output,target)
optimizer.zero_grad()
loss.backward()
optimizer.step()
right=accuracy(output,target)#得到准确率
train_rights.append(right)
if batch_idx%100==0:#每隔100次来看验证集的效果
net.eval()
val_rights=[]
for(data,target) in test_loader:
output=net(data)
right=accuracy(output,target)
val_rights.append(right)
#准确率计算:
train_r=(sum([tup[0] for tup in train_rights]),sum([tup[1] for tup in train_rights]))
val_r=(sum([tup[0] for tup in val_rights]),sum([tup[1] for tup in val_rights]))
print("当前epoch:{} [{}/{} ({:.Of}%)]\t损失:{:.6f}\t训练集准确率:{:.2f}%\t测试集准确率:{:.2f}%".format(
epoch,batch_idx*batch_size,len(train_loader.dataset),
100.*batch_idx/len(train_loader),
loss.data,
100*train_r[0].numpy()/train_r[1],
100.*val_r[0].numpy()/val_r[1]
))