第N6周：中文文本分类-Pytorch实现

• 本文为365天深度学习训练营 中的学习记录博客
• 原作者：K同学啊

一、准备工作

1. 任务说明

本次将使用PyTorch实现中文文本分类。主要代码与N1周基本一致，不同的是本次任务中使用了本地的中文数据，数据示例如下：

任务：
●1. 学习如何进行中文本文预处理
●2. 根据文本内容（第1列）预测文本标签（第2列）

进阶任务：
●1.尝试根据第一周的内容独立实现，尽可能的不看本文的代码
●2. 构建更复杂的网络模型，将准确率提升至91%

与上周不同的地方：

●加载的是本地数据
●从英文变为了中文
●文本标签需要进一步预处理

2. 加载数据

import torch
import torch.nn as nn
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warnings

warnings.filterwarnings("ignore")             #忽略警告信息

# win10系统
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device

代码输出

device(type='cpu')

运行下面的代码时，发生了pandas与numpy的版本冲突问题，在网上查了不少资料，看pandas的哪个版本与numpy的哪个版本是相对应的。也曾先安装pandas的某个版本，然后再安装numpy，在安装numpy时让其自主选择numpy的版本。或者反过来先安装numpy的某个版本，然后再安装pandas，在安装pandas时让其自主选择numpy的版本。问题还是无法解决，最后是另外建立一个新的虚拟环境，安装numpy、pandas，运行下面的代码就没有再出现pandas与numpy的版本冲突问题了。据此，在原虚拟环境再安装同样版本的pandas与numpy，也同样解决pandas与numpy的版本冲突问题。之所以没有用新的虚拟环境运行代码，是因为其他模块，如torch、torchtext、portalocker、numpy的版本也是要相对应的，我已经在原虚拟环境安装好了这些模块，不想在新的虚拟环境再折腾安装这些模块了。

我的虚拟环境的numpy、pandas版本：

numpy=1.26.4
pandas=2.2.2

import pandas as pd

# 加载自定义中文数据
train_data = pd.read_csv('./N6/train.csv', sep='\t', header=None)
train_data.head()

代码输出

	0	1
0	还有双鸭山到淮阴的汽车票吗13号的	Travel-Query
1	从这里怎么回家	Travel-Query
2	随便播放一首专辑阁楼里的佛里的歌	Music-Play
3	给看一下墓王之王嘛	FilmTele-Play
4	我想看挑战两把s686打突变团竞的游戏视频	Video-Play

# 构造数据集迭代器
def coustom_data_iter(texts, labels):
    for x, y in zip(texts, labels):
        yield x, y
        
train_iter = coustom_data_iter(train_data[0].values[:], train_data[1].values[:])

train_iter

代码输出

<generator object coustom_data_iter at 0x0000021E2CF3D540>

二、数据预处理

1. 构建词典

需要另外安装jieba分词库

from torchtext.data.utils import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
import jieba

# 中文分词方法
tokenizer = jieba.lcut

def yield_tokens(data_iter):
    for text,_ in data_iter:
        yield tokenizer(text)

vocab = build_vocab_from_iterator(yield_tokens(train_iter), specials=["<unk>"])
vocab.set_default_index(vocab["<unk>"]) # 设置默认索引，如果找不到单词，则会选择默认索引

代码输出

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\Administrator\AppData\Local\Temp\jieba.cache
Loading model cost 0.777 seconds.
Prefix dict has been built successfully.

vocab(['我','想','看','和平','精英','上','战神','必备','技巧','的','游戏','视频'])

代码输出

[2, 10, 13, 973, 1079, 146, 7724, 7574, 7793, 1, 186, 28]

label_name = list(set(train_data[1].values[:]))
print(label_name)

代码输出

['Music-Play', 'Audio-Play', 'Calendar-Query', 'Other', 'Weather-Query', 'Radio-Listen', 'HomeAppliance-Control', 'FilmTele-Play', 'Video-Play', 'TVProgram-Play', 'Alarm-Update', 'Travel-Query']

text_pipeline  = lambda x: vocab(tokenizer(x))
label_pipeline = lambda x: label_name.index(x)

print(text_pipeline('我想看和平精英上战神必备技巧的游戏视频'))
print(label_pipeline('Video-Play'))

ambda 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。

代码输出

[2, 10, 13, 973, 1079, 146, 7724, 7574, 7793, 1, 186, 28]
8

2. 生成数据批次和迭代器

from torch.utils.data import DataLoader

def collate_batch(batch):
    label_list, text_list, offsets = [], [], [0]
    
    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), dtype=torch.int64)
        text_list.append(processed_text)
        
        # 偏移量，即语句的总词汇量
        offsets.append(processed_text.size(0))
        
    label_list = torch.tensor(label_list, dtype=torch.int64)
    text_list  = torch.cat(text_list)
    offsets    = torch.tensor(offsets[:-1]).cumsum(dim=0) #返回维度dim中输入元素的累计和
    
    return text_list.to(device),label_list.to(device), offsets.to(device)

# 数据加载器，调用示例
dataloader = DataLoader(train_iter,
                        batch_size=8,
                        shuffle   =False,
                        collate_fn=collate_batch)

三、模型构建

1. 搭建模型

from torch import nn

class TextClassificationModel(nn.Module):

    def __init__(self, vocab_size, embed_dim, num_class):
        super(TextClassificationModel, self).__init__()
        
        self.embedding = nn.EmbeddingBag(vocab_size,   # 词典大小
                                         embed_dim,    # 嵌入的维度
                                         sparse=False) # 
        
        self.fc = nn.Linear(embed_dim, num_class)
        self.init_weights()

    def init_weights(self):
        initrange = 0.5
        self.embedding.weight.data.uniform_(-initrange, initrange) # 初始化权重
        self.fc.weight.data.uniform_(-initrange, initrange)        
        self.fc.bias.data.zero_()                                  # 偏置值归零

    def forward(self, text, offsets):
        embedded = self.embedding(text, offsets)
        return self.fc(embedded)

self.embedding.weight.data.uniform_(-initrange, initrange)这段代码是在 PyTorch 框架下用于初始化神经网络的词嵌入层（embedding layer）权重的一种方法。这里使用了均匀分布的随机值来初始化权重，具体来说，其作用如下：

1. self.embedding: 这是神经网络中的词嵌入层（embedding layer）。词嵌入层的作用是将离散的单词表示（通常为整数索引）映射为固定大小的连续向量。这些向量捕捉了单词之间的语义关系，并作为网络的输入。
2. self.embedding.weight: 这是词嵌入层的权重矩阵，它的形状为 (vocab_size, embedding_dim)，其中 vocab_size 是词汇表的大小，embedding_dim 是嵌入向量的维度。
3. self.embedding.weight.data: 这是权重矩阵的数据部分，我们可以在这里直接操作其底层的张量。
4. .uniform_(-initrange, initrange): 这是一个原地操作（in-place operation），用于将权重矩阵的值用一个均匀分布进行初始化。均匀分布的范围为 [-initrange, initrange]，其中 initrange 是一个正数。

通过这种方式初始化词嵌入层的权重，可以使得模型在训练开始时具有一定的随机性，有助于避免梯度消失或梯度爆炸等问题。在训练过程中，这些权重将通过优化算法不断更新，以捕捉到更好的单词表示。

2. 初始化模型

num_class  = len(label_name)
vocab_size = len(vocab)
em_size    = 64
model      = TextClassificationModel(vocab_size, em_size, num_class).to(device)

3. 定义训练与评估函数

import time

def train(dataloader):
    model.train()  # 切换为训练模式
    total_acc, train_loss, total_count = 0, 0, 0
    log_interval = 50
    start_time   = time.time()

    for idx, (text,label,offsets) in enumerate(dataloader):
        
        predicted_label = model(text, offsets)
        
        optimizer.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，label为真实值
        loss.backward()                          # 反向传播
        torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪
        optimizer.step()  # 每一步自动更新
        
        # 记录acc与loss
        total_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_time
            print('| 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, 0
            start_time = time.time()

def evaluate(dataloader):
    model.eval()  # 切换为测试模式
    total_acc, train_loss, total_count = 0, 0, 0

    with torch.no_grad():
        for idx, (text,label,offsets) in enumerate(dataloader):
            predicted_label = model(text, offsets)
            
            loss = criterion(predicted_label, label)  # 计算loss值
            # 记录测试数据
            total_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

torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1)是一个PyTorch函数，用于在训练神经网络时限制梯度的大小。这种操作被称为梯度裁剪（gradient clipping），可以防止梯度爆炸问题，从而提高神经网络的稳定性和性能。

在这个函数中：

●model.parameters()表示模型的所有参数。对于一个神经网络，参数通常包括权重和偏置项。
●0.1是一个指定的阈值，表示梯度的最大范数（L2范数）。如果计算出的梯度范数超过这个阈值，梯度会被缩放，使其范数等于阈值。

梯度裁剪的主要目的是防止梯度爆炸。梯度爆炸通常发生在训练深度神经网络时，尤其是在处理长序列数据的循环神经网络（RNN）中。当梯度爆炸时，参数更新可能会变得非常大，导致模型无法收敛或出现数值不稳定。通过限制梯度的大小，梯度裁剪有助于解决这些问题，使模型训练变得更加稳定。

四、训练模型

1. 拆分数据集并运行模型

from torch.utils.data.dataset import random_split
from torchtext.data.functional import to_map_style_dataset
# 超参数
EPOCHS     = 10 # epoch
LR         = 5  # 学习率
BATCH_SIZE = 64 # batch size for training

criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.1)
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_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)

valid_dataloader = DataLoader(split_valid_, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)

for epoch in range(1, EPOCHS + 1):
    epoch_start_time = time.time()
    train(train_dataloader)
    val_acc, val_loss = evaluate(valid_dataloader)
    
    # 获取当前的学习率
    lr = optimizer.state_dict()['param_groups'][0]['lr']
    
    if total_accu is not None and total_accu > val_acc:
        scheduler.step()
    else:
        total_accu = val_acc
    print('-' * 69)
    print('| epoch {:1d} | time: {:4.2f}s | '
          'valid_acc {:4.3f} valid_loss {:4.3f} | lr {:4.6f}'.format(epoch,
                                           time.time() - epoch_start_time,
                                           val_acc,val_loss,lr))

    print('-' * 69)

代码运行结果

| epoch 1 |   50/ 152 batches | train_acc 0.403 train_loss 0.03098
| epoch 1 |  100/ 152 batches | train_acc 0.691 train_loss 0.01936
| epoch 1 |  150/ 152 batches | train_acc 0.774 train_loss 0.01374
---------------------------------------------------------------------
| epoch 1 | time: 2.30s | valid_acc 0.787 valid_loss 0.012 | lr 5.000000
---------------------------------------------------------------------
| epoch 2 |   50/ 152 batches | train_acc 0.809 train_loss 0.01072
| epoch 2 |  100/ 152 batches | train_acc 0.833 train_loss 0.00927
| epoch 2 |  150/ 152 batches | train_acc 0.842 train_loss 0.00829
---------------------------------------------------------------------
| epoch 2 | time: 2.24s | valid_acc 0.854 valid_loss 0.008 | lr 5.000000
---------------------------------------------------------------------
| epoch 3 |   50/ 152 batches | train_acc 0.877 train_loss 0.00702
| epoch 3 |  100/ 152 batches | train_acc 0.887 train_loss 0.00629
| epoch 3 |  150/ 152 batches | train_acc 0.892 train_loss 0.00597
---------------------------------------------------------------------
| epoch 3 | time: 2.27s | valid_acc 0.874 valid_loss 0.007 | lr 5.000000
---------------------------------------------------------------------
| epoch 4 |   50/ 152 batches | train_acc 0.911 train_loss 0.00497
| epoch 4 |  100/ 152 batches | train_acc 0.910 train_loss 0.00498
| epoch 4 |  150/ 152 batches | train_acc 0.919 train_loss 0.00458
---------------------------------------------------------------------
| epoch 4 | time: 2.20s | valid_acc 0.897 valid_loss 0.006 | lr 5.000000
---------------------------------------------------------------------
| epoch 5 |   50/ 152 batches | train_acc 0.931 train_loss 0.00409
| epoch 5 |  100/ 152 batches | train_acc 0.934 train_loss 0.00378
| epoch 5 |  150/ 152 batches | train_acc 0.938 train_loss 0.00335
---------------------------------------------------------------------
| epoch 5 | time: 2.20s | valid_acc 0.900 valid_loss 0.006 | lr 5.000000
---------------------------------------------------------------------
| epoch 6 |   50/ 152 batches | train_acc 0.948 train_loss 0.00309
| epoch 6 |  100/ 152 batches | train_acc 0.953 train_loss 0.00287
| epoch 6 |  150/ 152 batches | train_acc 0.955 train_loss 0.00284
---------------------------------------------------------------------
| epoch 6 | time: 2.27s | valid_acc 0.906 valid_loss 0.006 | lr 5.000000
---------------------------------------------------------------------
| epoch 7 |   50/ 152 batches | train_acc 0.968 train_loss 0.00225
| epoch 7 |  100/ 152 batches | train_acc 0.967 train_loss 0.00227
| epoch 7 |  150/ 152 batches | train_acc 0.958 train_loss 0.00244
---------------------------------------------------------------------
| epoch 7 | time: 2.22s | valid_acc 0.907 valid_loss 0.005 | lr 5.000000
---------------------------------------------------------------------
| epoch 8 |   50/ 152 batches | train_acc 0.969 train_loss 0.00196
| epoch 8 |  100/ 152 batches | train_acc 0.978 train_loss 0.00161
| epoch 8 |  150/ 152 batches | train_acc 0.971 train_loss 0.00186
---------------------------------------------------------------------
| epoch 8 | time: 2.20s | valid_acc 0.905 valid_loss 0.005 | lr 5.000000
---------------------------------------------------------------------
| epoch 9 |   50/ 152 batches | train_acc 0.984 train_loss 0.00142
| epoch 9 |  100/ 152 batches | train_acc 0.984 train_loss 0.00129
| epoch 9 |  150/ 152 batches | train_acc 0.983 train_loss 0.00136
---------------------------------------------------------------------
| epoch 9 | time: 2.20s | valid_acc 0.908 valid_loss 0.005 | lr 0.500000
---------------------------------------------------------------------
| epoch 10 |   50/ 152 batches | train_acc 0.986 train_loss 0.00127
| epoch 10 |  100/ 152 batches | train_acc 0.985 train_loss 0.00139
| epoch 10 |  150/ 152 batches | train_acc 0.983 train_loss 0.00125
---------------------------------------------------------------------
| epoch 10 | time: 2.31s | valid_acc 0.909 valid_loss 0.005 | lr 0.500000
---------------------------------------------------------------------

torchtext.data.functional.to_map_style_dataset 函数的作用是将一个迭代式的数据集（Iterable-style dataset）转换为映射式的数据集（Map-style dataset）。这个转换使得我们可以通过索引（例如：整数）更方便地访问数据集中的元素。
在 PyTorch 中，数据集可以分为两种类型：Iterable-style 和 Map-style。Iterable-style 数据集实现了 __ iter__() 方法，可以迭代访问数据集中的元素，但不支持通过索引访问。而 Map-style 数据集实现了 __ getitem__() 和 __ len__() 方法，可以直接通过索引访问特定元素，并能获取数据集的大小。
TorchText 是 PyTorch 的一个扩展库，专注于处理文本数据。torchtext.data.functional 中的 to_map_style_dataset 函数可以帮助我们将一个 Iterable-style 数据集转换为一个易于操作的 Map-style 数据集。这样，我们可以通过索引直接访问数据集中的特定样本，从而简化了训练、验证和测试过程中的数据处理。

test_acc, test_loss = evaluate(valid_dataloader)
print('模型准确率为：{:5.4f}'.format(test_acc))

代码输出

模型准确率为：0.9091

2. 测试指定数据

def predict(text, text_pipeline):
    with torch.no_grad():
        text = torch.tensor(text_pipeline(text))
        output = model(text, torch.tensor([0]))
        return output.argmax(1).item()

ex_text_str1 = "随便播放一首专辑阁楼里的佛里的歌"
ex_text_str2 = "还有双鸭山到淮阴的汽车票吗13号的"

model = model.to("cpu")

print("该文本的类别是：%s" %label_name[predict(ex_text_str1, text_pipeline)])
print("该文本的类别是：%s" %label_name[predict(ex_text_str2, text_pipeline)])

代码输出

该文本的类别是：Music-Play
该文本的类别是：Travel-Query