写在前面:
pycharm内存问题没有解决,以下代码均在jupyter notebook实现
像batch_size, 数据条数,循环次数, print_every一类的参数,可以修改尝试,为了解决memoryerror一类的问题,修改过多次。
思路要点:
- 数据处理,要进行分词,做出映射词典 NLTK 自然语言处理
- 词向量 embedding
- lstm
- 全连接层
- dropout 层
- 分类
处理数据
重点:
- 解压bz2压缩文件
import bz2 train_file = bz2.BZ2File('data/train.ft.txt.bz2') test_file = bz2.BZ2File('data/test.ft.txt.bz2')
- 文件中二进制存储,由输出中 b''看出
b'__label__2 Stuning even for the non-gamer: This sound track was beautiful! It paints the senery in your mind so well I would recomend it even to people who hate vid. game music! I have played the game Chrono Cross but out of all of the games I have ever played it has the best music! It backs away from crude keyboarding and takes a fresher step with grate guitars and soulful orchestras. It would impress anyone who cares to listen! ^_^\n'
- decode成'utf-8'
train_file = [x.decode('utf-8') for x in train_file[:train_num]] test_file = [x.decode('utf-8') for x in test_file[:test_num]]
由尝试输出的train_file中看出,数据集的标签和数据是在一起的,label_1为态度差,设为1, label_2 为态度好,设为2
for i, sen in enumerate(train_data)
解释 i
#分词
words = Counter()
for i, sen in enumerate(train_data):
# print(i)
words_ = nltk.word_tokenize(sen)
words.update(words_)#更新词频列表
当调用 `Counter` 对象的 `update` 方法时,它会接受一个可迭代对象作为参数,然后将这个可迭代对象中的元素作为键,以及对应元素出现的次数作为值,更新到 `Counter` 对象中。
在上面的代码中,传递给 `update` 方法的参数 `words_` 是一个单词列表,遍历该列表,将每个单词添加到 `Counter` 对象 `words` 中,并且每次出现一个单词,对应的计数值会增加1。
_PAD:表示填充,因为后续会固定所有句子长度。过长的句子进行阶段,过短的句子使用该单词进行填充
re.sub 正则表达式:
- '\d’是一个常见的正则表达式,它代表匹配任意一个数字字符(0-9)。在正则表达式中,反斜杠(\)通常用来表示特殊字符的转义,而 \d 表示匹配数字字符
- r"([^ ]+(?<=\.[a-z]{3}))":用于匹配一个空格前面是一个点号和三个小写字母的字符
([^ ]
:这是一个字符集合,匹配除了空格以外的任意字符。?<=\.[a-z]{3}))
:这是一个正向断言,表示匹配前面的模式之后满足括号内条件的内容。具体来说:(?<=
:开启一个正向断言。\. :
匹配一个点号。[a-z]{3}
:匹配三个连续的小写字母。)
:结束正向断言。
注意:
为了方便构建模型,需要固定所有句子的长度,自定义句子的固定长度,对于长度不够的句子,在前面填充0
(_PAD
),超出长度的句子进行从后面截断
代码:
import nltk
from collections import Counter
import numpy as np
import bz2
#处理数据
train_file = bz2.BZ2File('data/train.ft.txt.bz2')
test_file = bz2.BZ2File('data/test.ft.txt.bz2')
train_file = train_file.readlines()
test_file = test_file.readlines()
print(train_file[0])
#8:2划分数据集
train_num = 8000
test_num = 2000
train_file = [x.decode('utf-8') for x in train_file[:train_num]]
test_file = [x.decode('utf-8') for x in test_file[:test_num]]
# print(train_file[0])
#差 0 好 1
#去掉 \n [:-1]
train_labels = [0 if x.split(' ')[0] == '__label__1' else 1 for x in train_file]
train_data = [x.split(' ', 1)[1][: -1].lower() for x in train_file]
test_labels = [0 if x.split(' ')[0] == '__label__1' else 1 for x in test_file]
test_data = [x.split(' ', 1)[1][: -1].lower() for x in test_file]
#sub 正则表达式
for i in range(len(train_data)):
train_data[i] = re.sub('\d','0',train_data[i])
for i in range(len(test_data)):
test_data[i] = re.sub('\d','0',test_data[i])
for i in range(len(train_data)):
if 'www.' in train_data[i] or 'http:' in train_data[i] or 'https:' in train_data[i] or '.com' in train_data[i]:
train_data[i] = re.sub(r"([^ ]+(?<=\.[a-z]{3}))", "<url>", train_data[i])
for i in range(len(test_data)):
if 'www.' in test_data[i] or 'http:' in test_data[i] or 'https:' in test_data[i] or '.com' in test_data[i]:
test_data[i] = re.sub(r"([^ ]+(?<=\.[a-z]{3}))", "<url>", test_data[i])
#! 映射词典
#分词
words = Counter()
for i, sen in enumerate(train_data):
# print(i)
words_ = nltk.word_tokenize(sen)
words.update(words_)#更新词频列表
train_data[i] = words_
print("100% done")
# words 从大到小排列顺序
words = sorted(words, key=words.get, reverse=True)
words = ['_PAD'] + words
#对单词进行编码,将单词映射为数字,(单词所对应索引下标)
word2idx = {x: i for i, x in enumerate(words)}
idx2word = {i: o for i, o in enumerate(words)}
#将train_data, test_data中的单词转为数字
for i, sen in enumerate(train_data):
train_data[i] = [word2idx[word] if word in word2idx else 0 for word in sen]
for i, sen in enumerate(test_data):
test_data[i] = [word2idx[word.lower()] if word.lower() in word2idx else 0 for word in nltk.word_tokenize(sen)]
#固定长度
def pad_input(sentences, seq_len):
features = np.zeros((len(sentences), seq_len),dtype=int)
for ii, review in enumerate(sentences):
if len(review) != 0:
features[ii, -len(review):] = np.array(review)[:seq_len]
return features
# 固定测试数据集和训练数据集的句子长度
train_data = pad_input(train_data, 200)
test_data = pad_input(test_data, 200)
train_labels = np.array(train_labels)
test_labels = np.array(test_labels)
构建LSTM模型
重头戏
from torch.utils.data import TensorDataset, DataLoader
这段代码导入了PyTorch库中的`TensorDataset`和`DataLoader`模块。这两个模块提供了对数据集的封装和加载,用于在训练和测试神经网络模型时方便地处理数据。
- TensorDataset是一个用于创建张量数据集的类,通常用于将特征张量和标签张量组合在一起
- DataLoader是一个用于加载数据集的类。它提供了对数据集的迭代和批处理的支持
x_data = TensorDataset(torch.from_numpy(train_data), torch.from_numpy(train_labels))
y_data = TensorDataset(torch.from_numpy(test_data), torch.from_numpy(test_labels))
通过torch.from_numpy将他们转换成pytorch张量,train_data是用于训练的特征张良,train_labels 是相应的标签向量。
train_loader = DataLoader(x_data, shuffle=True, batch_size=batch_size)
test_loader = DataLoader(y_data, shuffle=True, batch_size=batch_size)
`shuffle=True`表示在每个epoch开始时,数据加载器会对数据进行洗牌,以增加模型的泛化能力。`batch_size`参数指定了每个批次中的样本数量。通过调整`batch_size`的大小,可以在训练时有效利用显存,提高模型训练的速度。
`DataLoader`对象可以迭代地返回每个批次的数据。
显卡计算:
device = torch.device('cuda') if torch.cuda.is_available() else torch.device("cpu")
代码:
class SensationNet(nn.Module):
def __init__(self, vocab_size):
super(SensationNet, self).__init__()
embedding_dim = embedding_dim = 200 #词向量维度
self.hidden_dim=hidden_dim = 128 #隐藏层神经元 LSTM输出的隐状态
self.num_layers = num_layers = 2 #隐藏层层数
dropout_keep_prob = 0.8 #dropout保存比例
#定义embedding,数字 词向量,将单词索引转化成对应的词向量
self.embedding = nn.Embedding(vocab_size, embedding_dim)
#lstm 层
self.lstm = nn.LSTM(embedding_dim,
hidden_dim,
num_layers,
dropout=dropout_keep_prob,
batch_first=True)
#全连接层
self.fc = nn.Linear(in_features=hidden_dim, out_features=1)
#激活函数 sigmoid
self.sigmoid = nn.Sigmoid()
self.dropout = nn.Dropout(dropout_keep_prob)
#前向传播函数
def forward(self, x, hidden):
batch_size = x.size(0)
x = x.long()
#(, , hidden_dim)
embeds = self.embedding(x)#编码后的词向量
# hidden 上一时刻隐状态
lstm_out, hidden = self.lstm(embeds, hidden)
#hidden 包含隐状态、细胞状态,两者维度都是(num_layers, batch_size, hidden_dim)
#lstm_out(batch_size, 词长度, hidden_dim)
#为了进入全连接层,三层张量->二层
lstm_out = lstm_out.contiguous().view(-1, self.hidden_dim)
out = self.dropout(lstm_out)
out = self.fc(out)
out =self.sigmoid(out)#一维
#一维张量->二维张量,即每个单词都对应一个输出
out = out.view(batch_size, -1)
#只关注最后一个时间步的输出即最后一个单词的输出
out = out[:, -1]
return out, hidden
"""
初始化隐状态,第一次送入LSTM没有隐状态,所以要初始化,一般全部赋值为0,
这里之所以是tuple,是因为LSTM需要接受两个隐状态hidden state和cell state
"""
def init_hidden(self, batch_size):
hidden = (torch.zeros(self.num_layers, batch_size, self.hidden_dim).to(device),
torch.zeros(self.num_layers, batch_size, self.hidden_dim).to(device)
)
return hidden
评估:
model.eval()
- 是 PyTorch 中用于将模型设置为评估模式的方法。在评估模式下,模型的行为会发生变化,例如关闭 Dropout 和 Batch Normalization 的随机性,以确保稳定的输出。
squeeze()
-
删除单维度条目
代码:
#评估
test_losses = []
num_correct = 0#正确预测数量
h_f = model.init_hidden(batch_size)#初始化
model.eval()
for inputs, labels in test_loader:
h_f = tuple([e.data for e in h_f])
inputs, labels = inputs.to(device), labels.to(device)
output, h_f = model(inputs, h_f)
# print(output)
#为什么要加squeeze(), 上面那个没加
test_loss = criterion(output.squeeze(), labels.float())
test_losses.append(test_loss.item())
pred = torch.round(output.squeeze())
correct_tensor = pred.eq(labels.float().view_as(pred))
correct = np.squeeze(correct_tensor.cpu().numpy())
num_correct += np.sum(correct)
print("Test loss: {:.3f}".format(np.mean(test_losses)))
test_acc = num_correct/len(test_loader.dataset)
print("Test accuracy: {:.3f}%".format(test_acc*100))
问题:
设定基础参数时,对比rnn模型,有一个疑问:LSTM模型也需要设定隐藏层的层数和神经元数量吗?
chatgpt:是的,LSTM模型通常包含一个或多个隐藏层。隐藏层可以帮助模型捕捉输入序列中的时间相关性,并存储和传递状态信息。每个隐藏层中都有许多LSTM单元(也称为LSTM块或LSTM单元),并且每个单元都具有自己的隐藏状态和记忆状态。
建lstm层时,为什么要将batch_first参数设可以直接使用这些数据处理库,无需进行额外的维度转换。置成True,作用是什么:
chatgpt:大多数神经网络模型通常将批处理维度放在第一个维度上。将LSTM的输入与其他模型保持一致,可以更容易地与其他模型进行结合。可以直接使用这些数据处理库,无需进行额外的维度转换。
关于优化器和模型裁剪,为防止梯度爆炸的疑问和理解
correct = np.squeeze(correct_tensor.cpu().numpy())将预测值张量(pred)从GPU转移到CPU,并将其转换为NumPy数组。为什么要转移到CPU?
chatgpt:因为GPU主要用于加速大规模的并行计算。在深度学习中,模型的训练和预测通常都是在CPU上进行的,因为CPU的单核性能比较高,适合处理复杂的逻辑和大量的数学运算。
评估中注释的squeeze , "test_loss = criterion(output.squeeze(), labels.float())",为什么上面建造模型的时候不用?
有些问题还待更新,欢迎评论区解答😭