012_wz_ledr_pytorch深度学习实战_第十三讲——循环神经网络（RNN）高级篇

一、目的

使用RNN（RNNCell使用GRU）搭建一个姓名分类器

二、编程

我们有数据集name-country：
链接：https://pan.baidu.com/s/1vZ27gKp8Pl-qICn_p2PaSw
提取码：cxe4

我们将搭建下面这样一个网络用来对姓名进行分类

在开始搭建网络之前我们要对数据集进行处理，将非结构化姓名转化为结构化的向量

我们先将姓名表示为单个字符再用ASCII码处理

因为不同的姓名长度不同，这样的数据无法输入到RNN，所以我们取最长的序列为基准，对其他的序列进行填充0处理，让其组成为一个batch_size*seqlen_max的tensor，再将其转置让其符合RNN的输入维度

最后再对姓名序列做排序处理，让其符合embedding输入，同样的我们也要改变countries的顺序，让其保存对应的关系

本次使用的模块

import torch
import pandas as pd
from torch.utils.data import Dataset, DataLoader
from torch.nn.utils.rnn import pack_padded_sequence
import math
import time
import matplotlib.pyplot as plt

2.1 准备数据集

# 准备数据集
class NameDataset(Dataset):
    def __init__(self, is_train_set=True):
        filename = './dataset/names/names_train.csv.gz' if is_train_set else './dataset/names/names_test.csv.gz'
        # header=None 即指定原始文件数据没有列索引，这样read_csv为其自动加上列索引{从0开始}
        data = pd.read_csv(filename, header=None)
        # 取出名字
        self.names = data[0]
        self.len = len(self.names)
        # 取出国家
        self.countries = data[1]
        self.countries_list = list(sorted(set(self.countries)))
        self.countries_dict = self.getCountriesDict()
        self.countries_num = len(self.countries_list)

    def __getitem__(self, index):
        return self.names[index], self.countries_dict[self.countries[index]]

    def getCountriesDict(self):
        countries_dict = dict()
        for index, country_name in enumerate(self.countries_list, 0):
            countries_dict[country_name] = index
        return countries_dict

    def __len__(self):
        return self.len

    def id2country(self, index):
        return self.countries_list[index]

    def getCountriesNum(self):
        return self.countries_num


# 返回ASCII码表示的姓名列表与列表长度
def name2list(name):
    arr = [ord(c) for c in name]
    return arr, len(arr)


def make_tensors(names, countries):
    # 元组列表，每个元组包含ASCII码表示的姓名列表与列表长度
    sequences_and_lengths = [name2list(name) for name in names]
    # 取出所有的ASCII码表示的姓名列表
    name_sequences = [sl[0] for sl in sequences_and_lengths]
    # 取出所有的列表长度
    seq_lengths = torch.tensor([sl[1] for sl in sequences_and_lengths])
    # 将countries转为long型
    countries = countries.long()

    # 接下来每个名字序列补零，使之长度一样。
    # 先初始化一个全为零的tensor，大小为 所有姓名的数量*最长姓名的长度
    seq_tensor = torch.zeros(len(name_sequences), max(seq_lengths)).long()
    # 将姓名序列覆盖到初始化的全零tensor上
    for idx, (seq, seq_length) in enumerate(zip(name_sequences, seq_lengths), 0):
        seq_tensor[idx, :seq_length] = torch.LongTensor(seq)
    # 根据序列长度seq_lengths对补零后tensor进行降序排列，方便后面加速计算。
    # 返回排序后的seq_lengths与索引变化列表
    seq_lengths, prem_idx = seq_lengths.sort(dim=0, descending=True)
    # 根据索引变化列表对ASCII码表示的姓名列表进行排序
    seq_tensor = seq_tensor[prem_idx]
    # 根据索引变化列表对countries进行排序，使姓名与国家还是一一对应关系
    # seq_tensor.shape : batch_size*max_seq_lengths,
    # seq_lengths.shape : batch_size
    # countries.shape : batch_size
    countries = countries[prem_idx]
    return seq_tensor, seq_lengths, countries

2.2 搭建模型

# 搭建模型
class Model(torch.nn.Module):
    # input_size=128, hidden_size=100, output_size=18
    def __init__(self, input_size, hidden_size, output_size, num_layers=1, bidirectional=True):
        super(Model, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        # 是否双向
        self.n_directions = 2 if bidirectional else 1
        # 输入大小128，输出大小100
        self.embedding = torch.nn.Embedding(num_embeddings=input_size, embedding_dim=hidden_size)
        # 经过Embedding后input的大小是100，hidden_size的大小也是100，所以形参都是hidden_size。
        self.gru = torch.nn.GRU(input_size=hidden_size, hidden_size=hidden_size,
                                num_layers=num_layers, bidirectional=bidirectional)
        # 如果是双向，会输出两个hidden层，要进行拼接，所以形成的output大小是
        # hidden_size * self.n_directions，输出是大小是18，是为18个国家的概率
        self.fc = torch.nn.Linear(self.hidden_size * self.n_directions, output_size)

    def init_hidden(self, batch_size):
        hidden = torch.zeros(self.num_layers * self.n_directions, batch_size, self.hidden_size)
        return hidden

    def forward(self, input, seq_lengths):
        # 先对input进行转置，input shape : batch_size*max_seq_lengths -> max_seq_lengths*batch_size 每一列表示姓名
        input = input.t()
        # 总共有多少列，既是batch_size的大小
        batch_size = input.size(1)
        # 初始化隐藏层
        hidden = self.init_hidden(batch_size)
        # embedding.shape : max_seq_lengths*batch_size*hidden_size 19*64*100
        embedding = self.embedding(input)
        # pack_padded_sequence方便批量计算
        gru_input = pack_padded_sequence(embedding, seq_lengths)
        # 进入网络进行计算
        output, hidden = self.gru(gru_input, hidden)
        # 如果是双向的，需要进行拼接
        if self.n_directions == 2:
            hidden_cat = torch.cat([hidden[-1], hidden[-2]], dim=1)
        else:
            hidden_cat = hidden[-1]
        # 线性层输出大小为18
        fc_output = self.fc(hidden_cat)
        return fc_output

2.3 训练

# 训练
def time_since(since):
    s = time.time() - since
    m = math.floor(s/60)
    s -= m*60
    return '%dm %ds' % (m, s)

def trainModel():
    total_loss = 0
    for i, (names, countries) in enumerate(trainloader, 1):
        # make_tensors函数返回经过降序排列后的 姓名列表，列表长度，国家
        inputs, seq_lengths, target = make_tensors(names, countries)
        output = model(inputs, seq_lengths)
        optimizer.zero_grad()
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
        if i % 10 == 0:
            print(i)
            print(f'[{time_since(start)}] Epoch {epoch} ', end='')
            print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
            print(f'loss={total_loss / (i * len(inputs))}')
    return total_loss

def testModel():
    correct = 0
    total = len(testset)
    print("evaluating trained model ...")
    with torch.no_grad():
        for idx, (names, countries) in enumerate(testloader, 1):
            inputs, seq_lengths, target = make_tensors(names, countries)
            output = model(inputs, seq_lengths)
            pred = output.max(dim=1, keepdim=True)[1]
            correct += pred.eq(target.view_as(pred)).sum().item()
        percent = '%.2f' % (100 * correct / total)
        print(f'Test set: Accuracy {correct}/{total} {percent}%')
    return correct / total

2.4 总控程序

if __name__ == '__main__':
    N_EPOCHS = 30       # epoch
    HIDDEN_SIZE = 100   # 隐藏层的大小，也是Embedding后输出的大小
    BATCH_SIZE = 128
    N_COUNTRY = 18      # 总共有18个类别的国家，为RNN后输出的大小
    N_LAYER = 2
    N_CHARS = 128       # 字母字典的大小(ASCII)，Embedding输入的大小

    trainset = NameDataset(is_train_set=True)
    trainloader = DataLoader(dataset=trainset, batch_size=BATCH_SIZE, shuffle=True)

    testset = NameDataset(is_train_set=False)
    testloader = DataLoader(dataset=testset, batch_size=BATCH_SIZE, shuffle=True)

    model = Model(input_size=N_CHARS, hidden_size=HIDDEN_SIZE, output_size=N_COUNTRY, num_layers=N_LAYER)

    criterion = torch.nn.CrossEntropyLoss()
    optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

    start = time.time()
    print("Training for %d epochs..." % N_EPOCHS)
    acc_list = []
    for epoch in range(1, N_EPOCHS + 1):
        trainModel()
        acc = testModel()
        acc_list.append(acc)

    plt.plot(acc_list)
    plt.xlabel('epoch')
    plt.ylabel('acc')
    plt.show()

该网络经训练可以达到的最佳准确率大概在85%左右。

三、参考

pytorch深度学习实践
《PyTorch深度学习实践》-刘二大人 RNN姓名分类超详细注释源码