使用Word2vec实现文本分类

>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/AtyZUu_j2k_ScNH6e732ow) 中的学习记录博客**
>- **🍖 原作者：[K同学啊 | 接辅导、项目定制](https://mtyjkh.blog.csdn.net/)**
>- **🚀 文章来源：[K同学的学习圈子](https://www.yuque.com/mingtian-fkmxf/zxwb45)**

Word2Vec使用神经网络来学习词向量。这个神经网络通常是一个浅层的前馈神经网络，其中隐藏层的权重矩阵就是学到的词向量。

Word2Vec的主要思想是通过训练，使得具有相似语境的词在向量空间中彼此接近。这样，我们可以通过比较词向量之间的距离来衡量它们之间的语义相似性。例如，具有相似含义的词在词向量空间中距离较近，如 "king" 和 "queen"。

浅看一下数据集：

导入库 构造迭代器：

def custom_data_iter(texts, labels):：这行代码定义了一个名为 custom_data_iter 的函数，它接受两个参数，即输入文本（texts）和标签（labels）。

for x, y in zip(texts, labels):：这行代码通过使用 zip 函数，开始一个循环，依次迭代 texts 和 labels 中的元素对。x 将取自 texts，而 y 将取自 labels。

yield x, y：yield 关键字用于将函数转变为生成器。在循环的每次迭代中，它生成一个包含当前来自 texts 和 labels 的值的元组 (x, y)。这样可以逐一处理数据，而不必将整个数据集加载到内存中。

构建词典：

vector_size 是特征向量的维度 默认100

min_count 忽略少于min_count的词

文本向量化：

1. average_vec 函数：这个函数接收一个文本 text，然后遍历其中的每个单词，尝试从 Word2Vec 模型 w2v 中获取对应的词向量，将这些词向量相加以计算平均向量。如果单词不在模型中，会跳过（通过捕获 KeyError 异常）。

2. x_vec = np.concatenate([average_vec(z) for z in x])：这一行代码使用列表解析，对输入的文本列表 x 中的每个文本应用 average_vec 函数，然后使用 np.concatenate 将这些平均向量连接成一个大的特征矩阵 x_vec。

3. w2v.save('data/w2v_model.pkl')：最后保存了 Word2Vec 模型为一个文件 'data/w2v_model.pkl'。

转换格式：

使用之前定义的自定义数据迭代器 coustom_data_iter，将特征矩阵 x_vec 和标签 y 组成一个迭代器 train_iter，用于训练模型。

创建了一个包含标签名称的列表 label_name，通过将 train_data[1] 的唯一值转换为集合，然后再转换为列表，目的是为了创建一个标签的索引。

数据加载器：

使用 PyTorch 的 DataLoader 创建一个数据加载器 dataloader，用于加载数据批次。参数包括：

• train_iter: 你之前定义的自定义数据迭代器。
• batch_size=8: 每个批次包含的样本数为 8。
• shuffle=False: 不进行数据洗牌，保持输入数据的顺序。
• collate_fn=collate_batch: 使用之前定义的 collate_batch 函数来对批次进行处理。

构建模型：

尝试了一个RNN 模型

模型初始化：

训练，损失函数：

1. model.train()： 这个方法将模型切换到训练模式。在训练模式下，启用了一些特性，比如 dropout 和 batch normalization。在模型中的训练和评估时，使用 model.train() 和 model.eval() 可以确保正确的模式切换。

2. optimizer.zero_grad()： 在每个训练步骤开始时，这个方法用于将模型参数的梯度清零。在 PyTorch 中，梯度在反向传播过程中会被累积，因此需要在每个步骤开始时清零以避免重复计算。

3. loss.backward()： 这个方法执行反向传播，计算模型参数相对于损失的梯度。梯度计算后，可以通过优化器进行参数更新。

4. torch.nn.utils.clip_grad_norm_()： 这个方法用于梯度裁剪，防止梯度爆炸的问题。通过限制梯度的范数，可以稳定训练过程。

训练模型：

测试数据：

总结：

1. 数据加载和处理：使用 Pandas 加载和处理数据，使用自定义的数据迭代器，

2. 词嵌入： 实现了 Word2Vec 词嵌入，

3. 神经网络模型： 创建了一个简单的神经网络模型，用于文本分类任务

4. 训练循环： 实现了训练循环，包括计算损失、反向传播、梯度裁剪以及优化器的更新。

5. 学习率调度器： 使用了学习率调度器，有助于优化训练过程中的学习率。调整学习率对训练的收敛和性能有重要影响。

6. 评估和测试： 实现了模型在验证集上的评估，并在训练完成后进行了测试。