从零开始的 NLP使用字符级 RNN 对名称进行分类

定义函数findFile(path)用来寻找文件，此函数返回一个文件路径列表。输出如：['file1.txt', 'file2.txt', ...]。

all_letters是字符串变量，包含了所有的字母、空格和一些常见的标点符号。
n_letters代表字符串变量all_letters的长度。

定义函数unicodeToAscii(s)用来将unicode字符串转换为ASCII字符串。比如说，将 Unicode 字符串 “Café” 转换为 ASCII 字符串 “Cafe”。此函数返回转换后的字符串。

建立一个名为category_lines的字典，该字典的键为语言名称，值为一个列表，包含语言的所有名字。
all_categories是一个列表。

定义函数readLines(filename)用来读取一个文件并将其分割成行列表。此函数返回一个经过unicodeToAscii函数转换后的新列表。

将数据读取到内存中。其中category为文件名，all_categories为全部文件名包含在一起的列表，category_lines的键为category，值为对应的文件内容。n_categories是文件的数量。

把所有名称转换为张量，用one-hot vector来表示单个字母，向量大小为<1 x n_letters>。
一个单词的张量为<line_length x 1 x n_letters>。
定义函数letterToIndex(letter)，用于寻找字母在all_letters中的下标，再定义函数letterToTensor(letter) 将一个字母转换成<1 x n_letters>的张量，该函数返回该张量。函数lineToTensor(line)将一个单词转换成一个大小为<line_length x 1 x n_letters>的张量，该函数返回该张量。

定义一个名为RNN的神经网络模型，其中 __init__(self, input_size, hidden_size, output_size)函数用于初始化input_size，hidden_size，output_size，即输入维度大小，隐藏层维度大小和输出维度大小。同时还定义了模型的两个层，一个LSTM层，一个线性层（用于将LSTM层输出的隐藏状态转换到输出的维度output_size）。

模型中forward(self, input, hidden, context):函数有三个参数，input为输入数据张量，hidden为LSTM的隐藏状态张量，context为LSTM的单元状态张量。该函数返回output，hidden以及context。

该模型还有一个函数initHidden，用于初始化隐藏状态和单元状态，该函数返回形状为<1 x 1 x hidden_size>的全零张量座位初始的隐藏状态和单元状态。

接下来，通过指定隐藏层的维度 n_hidden、输入维度 n_letters 和输出维度 n_categories 来创建一个 RNN 模型对象 rnn。

使用函数initHidden来初始化hidden和context，令input为一个lineToTensor函数返回的<line_length x 1 x n_letters>张量。
output的张量大小为<1 x 1 x n_categories>
传递一个输入和上一个隐藏状态（初始化为0）后会得到输出（每种语言的概率）和下一个隐藏状态（下一步中使用）。

定义categoryFromOutput(output)函数，用于将神经网络模型的输出张量转换为对应的类别标签。该函数返回最大值对应的索引值category_i和对应的类别标签all_categories[category_i]。

初始化input，hidden，context，并用rnn(input, hidden, context)更新output，hidden，context。

定义一个函数randomChoice(l)，用来随机选择一个整数，整数不大于len(l) - 1。再定义一个函数randomTrainingExample，该函数中使用randomChoice函数随机选择一种语言category，再从该语言文件中选择任意一行，将该语言文件和该行都变成张量。该函数返回category，line，以及对应的张量category_tensor和line_tensor。

接下来训练网络，定义损失函数criterion。定义训练函数train(category_tensor, line_tensor)，该函数返回输出张量和损失值。

定义timeSince(since)函数用来记录代码中某个操作所花费的时间。

定义评估函数evaluate(line_tensor)用来对输入进行模型预测，并根据预测结果计算混淆矩阵，用于评估模型在给定样例上的性能。

定义预测函数predict(input_line, n_predictions = N)对给定的输入进行模型预测，并返回预测结果的前 N 个类别及其对应的概率值。