使用CNN卷积神经网络进行情感分析

说先看一下这个图，它大体介绍了CNN的自然语言处理流程：

1.首先每个单词对应一行，d=5表示分了5个维度，一般是分128维，300维之类的，这里为了方便，用d=5。

这样的话矩阵就是7*5

2.然后第一步进行卷积的操作，分别使用了四行的卷积核两个，三行的卷积核两个，两行的卷积核两个。然后分别对7*5的矩阵进行卷积，对于7*5的话，4*5放上去可以向下移动4次，所以产生了4*1矩阵(feature map)，3*5的则可以移动5次，所以得到5*1的矩阵，同理，2*5的得到6*1的矩阵。

3.然后第二步进行池化操作，图中使用的是max pooling，是最大值池化，所以前面产生的两个4*1的feature map分别取最大的元素，组成一个2*1的矩阵。同理前面产生的5*1、6*1的矩阵也要执行该操作。最终6个feature map产生了3个池化之后的矩阵

4.然后再把3个池化后的矩阵拼接起来形成6*1的feature vector。

5.然后这是一个全连接层，假如我们需要分两个类，则对这6个神经元进行分类，产生两个神经元作为输出。

下面是代码实现，

第一步，各种超参数设定

import tensorflow as tf
import numpy as np
import os
import time
import datetime
import data_helpers
from text_cnn import TextCNN
from tensorflow.contrib import learn
import pickle

# Parameters
# ==================================================

# Data loading params
#validation数据集占比  0.1 百分之十
tf.flags.DEFINE_float("dev_sample_percentage", .1, "Percentage of the training data to use for validation")
#正样本  电影正面评论
tf.flags.DEFINE_string("positive_data_file", "./data/rt-polaritydata/rt-polarity.pos", "Data source for the positive data.")
#负样本  电影负面评论
tf.flags.DEFINE_string("negative_data_file", "./data/rt-polaritydata/rt-polarity.neg", "Data source for the negative data.")

# Model Hyperparameters
#词向量长度
tf.flags.DEFINE_integer("embedding_dim", 128, "Dimensionality of character embedding (default: 128)")
#卷积核大小  使用3 4 5行的卷积核，列肯定是128列
tf.flags.DEFINE_string("filter_sizes", "3,4,5", "Comma-separated filter sizes (default: '3,4,5')")
#每一种卷积核的个数
tf.flags.DEFINE_integer("num_filters", 64, "Number of filters per filter size (default: 128)")
#dropout参数
tf.flags.DEFINE_float("dropout_keep_prob", 0.5, "Dropout keep probability (default: 0.5)")
#l2正则化参数
tf.flags.DEFINE_float("l2_reg_lambda", 0.0005, "L2 regularization lambda (default: 0.0)")

# Training parameters
#批次大小，就是每个批次有多少行的数据
tf.flags.DEFINE_integer("batch_size", 64, "Batch Size (default: 64)")
#迭代周期
tf.flags.DEFINE_integer("num_epochs", 6, "Number of training epochs (default: 200)")
#多少step测试一次 每运算多少次做一个测试
tf.flags.DEFINE_integer("evaluate_every", 100, "Evaluate model on dev set after this many steps (default: 100)")
#每多少次保存一次模型
tf.flags.DEFINE_integer("checkpoint_every", 100, "Save model after this many steps (default: 100)")
#最多保存5个模型，如果满了，每新增一个就删除一个，只保留最新的5个模型
tf.flags.DEFINE_integer("num_checkpoints", 5, "Number of checkpoints to store (default: 5)")
# Misc Parameters
#tensorflow会自动选择一个存在并且支持的设备上来运行operation
tf.flags.DEFINE_boolean("allow_soft_placement", True, "Allow device soft device placement")
#获取你的operations核Tensor被指派到哪个设备上运行
tf.flags.DEFINE_boolean("log_device_placement", False, "Log placement of ops on devices")
#flags解析
FLAGS = tf.flags.FLAGS
FLAGS._parse_flags()
#打印所有参数
print("\nParameters:")
for attr, value in sorted(FLAGS.__flags.items()):
    print("{}={}".format(attr.upper(), value))
print("")

注释讲的很清楚了，这里不过多描述

第二步

# Data Preparation
# ==================================================

# Load data
print("Loading data...")
#把正样本和负样本传入
x_text, y = data_helpers.load_data_and_labels(FLAGS.positive_data_file, FLAGS.negative_data_file)

# Build vocabulary
#一行数据最多的词汇数 因为我们要保证句子的尺寸是一样的，即长度是一样的。
max_document_length = max([len(x.split(" ")) for x in x_text])
#词典
vocab_processor = learn.preprocessing.VocabularyProcessor(max_document_length)
# 其中VocabularyProcessor（max_document_length,min_frequency=0,vocabulary=None, tokenizer_fn=None)的构造函数中有4个参数
# max_document_length是文档的最大长度。如果文本的长度大于最大长度，那么它会被剪切，反之则用0填充
# min_frequency词频的最小值，出现次数>最小词频 的词才会被收录到词表中
# vocabulary CategoricalVocabulary 对象，不太清楚使用方法
# tokenizer_fn tokenizer function，讲句子或给定文本格式 token化得函数，可以理解为分词函数
#把原来的句子进行特殊处理，单词赋予编号
x = np.array(list(vocab_processor.fit_transform(x_text)))
# 如果长度低于56自动补0
# x:[
# [4719 59 182 34 190 804 0 0 0 0
# 0 0 0 0 0……]
# [129 ……]
# ]

print("x_shape:", x.shape)
print("y_shape:", y.shape)
# Randomly shuffle data
#对数据进行打乱的操作
np.random.seed(10)
shuffle_indices = np.random.permutation(np.arange(len(y)))
x_shuffled = x[shuffle_indices]
y_shuffled = y[shuffle_indices]

# Split train/test set
# TODO: This is very crude, should use cross-validation
#切分 数据集分为两部分 90%训练  10验证
dev_sample_index = -1 * int(FLAGS.dev_sample_percentage * float(len(y)))
x_train, x_dev = x_shuffled[:dev_sample_index], x_shuffled[dev_sample_index:]
y_train, y_dev = y_shuffled[:dev_sample_index], y_shuffled[dev_sample_index:]


print("Vocabulary Size: {:d}".format(len(vocab_processor.vocabulary_)))
print("Train/Dev split: {:d}/{:d}".format(len(y_train), len(y_dev)))
print("x:",x_train[0:5])
print("y:",y_train[0:5])

这里调用了data_helpers.py里的写好的一个函数来引入正样本和负样本，我们看一下这个函数是怎么写的

def load_data_and_labels(positive_data_file, negative_data_file):
    """
    Loads MR polarity data from files, splits the data into words and generates labels.
    Returns split sentences and labels.
    """
    # Load data from files
    positive_examples = list(open(positive_data_file, "r", encoding='utf-8').readlines())
    #去掉头尾的空格  形状['I like english','how are you',……]
    positive_examples = [s.strip() for s in positive_examples]
    negative_examples = list(open(negative_data_file, "r", encoding='utf-8').readlines())
    negative_examples = [s.strip() for s in negative_examples]
    # Split by words
    #合并
    x_text = positive_examples + negative_examples
    #句子预处理
    #['句子','句子','']
    x_text = [clean_str(sent) for sent in x_text]
    # Generate labels
    #生成labels，因为就分两个类，正面评论，负面评论
    positive_labels = [[0, 1] for _ in positive_examples]#形状[[0,1],[0,1],……]
    negative_labels = [[1, 0] for _ in negative_examples]#形状[[1,0],[1,0],……]
    y = np.concatenate([positive_labels, negative_labels], 0)#[[0,1],[0,1],……,[1,0],[1,0]]
    return [x_text, y]

额，都是简单的基本操作，这些东西我觉着自己看看就行，注释里也写的很清楚了，我们的目标就是得到句子以及对应的标签

这个函数返回的就是我们处理好的数据，格式：[['句子',……],[[0,1],[0,1],……,[1,0],[1,0],……]

然后计算所有句子中，单词数最多是几，方便padding操作。然后就是定义词典以及进行padding补零操作，这里用到了learn.preprocessing.VocabularyProcessor函数，很强。

然后将数据集进行切分，9比1。

最后就是训练喽~

# Training
# ==================================================

with tf.Graph().as_default():
    session_conf = tf.ConfigProto(
        allow_soft_placement=FLAGS.allow_soft_placement,
        log_device_placement=FLAGS.log_device_placement)
    sess = tf.Session(config=session_conf)
    with sess.as_default():
        cnn = TextCNN(
            sequence_length=x_train.shape[1],#sequence_length:最长词汇数
            num_classes=y_train.shape[1],#num_classes:分类数
            vocab_size=len(vocab_processor.vocabulary_),#vocab_size:总词汇数
            embedding_size=FLAGS.embedding_dim,#embedding_size:词向量长度
            filter_sizes=list(map(int, FLAGS.filter_sizes.split(","))),#filter_sizes:卷积核的尺寸3 4 5
            num_filters=FLAGS.num_filters,#num_filters：卷积核的数量
            l2_reg_lambda=FLAGS.l2_reg_lambda)#l2_reg_lambda_l2正则化系数

        # Define Training procedure
        #其实就是统计当前训练的步数
        global_step = tf.Variable(0, name="global_step", trainable=False)
        #优化器
        optimizer = tf.train.AdamOptimizer(1e-3)
        #计算梯度 ——minimize()的第一部分
        grads_and_vars = optimizer.compute_gradients(cnn.loss)
        #将计算出来的梯度应用到变量上，是函数minimize()的第二部分
        #返回一个应用指定的梯度的操作operation,对global_step做自增操作
        ##综上所述，上面三行代码，就相当于global_step = tf.Variable(0, name="global_step", trainable=False).minimize(cnn.loss)
        train_op = optimizer.apply_gradients(grads_and_vars, global_step=global_step)

        # Keep track of gradient values and sparsity (optional)
        #保存变量的梯度值
        grad_summaries = []
        for g, v in grads_and_vars:#g是梯度，v是变量
            if g is not None:
                grad_hist_summary = tf.summary.histogram("{}/grad/hist".format(v.name), g)
                sparsity_summary = tf.summary.scalar("{}/grad/sparsity".format(v.name), tf.nn.zero_fraction(g))
                grad_summaries.append(grad_hist_summary)
                grad_summaries.append(sparsity_summary)
        grad_summaries_merged = tf.summary.merge(grad_summaries)

        # Output directory for models and summaries
        #定义输出路径
        timestamp = str(int(time.time()))
        out_dir = os.path.abspath(os.path.join(os.path.curdir, "runs", timestamp))
        print("Writing to {}\n".format(out_dir))

        # Summaries for loss and accuracy
        #记录一下loss值和准确率的值
        loss_summary = tf.summary.scalar("loss", cnn.loss)
        acc_summary = tf.summary.scalar("accuracy", cnn.accuracy)

        # Train Summaries
        #训练部分
        #merge一下
        train_summary_op = tf.summary.merge([loss_summary, acc_summary, grad_summaries_merged])
        #路径定义
        train_summary_dir = os.path.join(out_dir, "summaries", "train")
        #写入
        train_summary_writer = tf.summary.FileWriter(train_summary_dir, sess.graph)

        # Dev summaries
        #测试部分
        dev_summary_op = tf.summary.merge([loss_summary, acc_summary])
        dev_summary_dir = os.path.join(out_dir, "summaries", "dev")
        dev_summary_writer = tf.summary.FileWriter(dev_summary_dir, sess.graph)

        # Checkpoint directory. Tensorflow assumes this directory already exists so we need to create it
        #保存模型的路径
        checkpoint_dir = os.path.abspath(os.path.join(out_dir, "checkpoints"))
        checkpoint_prefix = os.path.join(checkpoint_dir, "model")
        if not os.path.exists(checkpoint_dir):
            os.makedirs(checkpoint_dir)
        #保存模型，最多保存5个
        saver = tf.train.Saver(tf.global_variables(), max_to_keep=FLAGS.num_checkpoints)

        # Write vocabulary
        vocab_processor.save(os.path.join(out_dir, "vocab"))

        # Initialize all variables
        sess.run(tf.global_variables_initializer())

        def train_step(x_batch, y_batch):
            """
            A single training step
            """
            feed_dict = {
                cnn.input_x: x_batch,
                cnn.input_y: y_batch,
                cnn.dropout_keep_prob: FLAGS.dropout_keep_prob
            }
            _, step, summaries, loss, accuracy = sess.run(
                [train_op, global_step, train_summary_op, cnn.loss, cnn.accuracy],
                feed_dict)
            time_str = datetime.datetime.now().isoformat()
            print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy))
            train_summary_writer.add_summary(summaries, step)

        def dev_step(x_batch, y_batch, writer=None):
            """
            Evaluates model on a dev set
            """
            feed_dict = {
                cnn.input_x: x_batch,
                cnn.input_y: y_batch,
                cnn.dropout_keep_prob: 1.0
            }
            step, summaries, loss, accuracy = sess.run(
                [global_step, dev_summary_op, cnn.loss, cnn.accuracy],
                feed_dict)
            time_str = datetime.datetime.now().isoformat()
            print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy))
            if writer:
                writer.add_summary(summaries, step)

        # Generate batches
        batches = data_helpers.batch_iter(
            list(zip(x_train, y_train)), FLAGS.batch_size, FLAGS.num_epochs)
        # Training loop. For each batch...
        for batch in batches:
            x_batch, y_batch = zip(*batch)
            train_step(x_batch, y_batch)
            current_step = tf.train.global_step(sess, global_step)
            #测试
            if current_step % FLAGS.evaluate_every == 0:
                print("\nEvaluation:")
                dev_step(x_dev, y_dev, writer=dev_summary_writer)
                print("")
            #保存模型
            if current_step % FLAGS.checkpoint_every == 0:
                path = saver.save(sess, checkpoint_prefix, global_step=current_step)
                print("Saved model checkpoint to {}\n".format(path))

创建一个会话，然后我们看一下TextCNN干了嘛，

text_cnn.py

import tensorflow as tf
import numpy as np


class TextCNN(object):
    """
    A CNN for text classification.
    Uses an embedding layer, followed by a convolutional, max-pooling and softmax layer.
    """
    #sequence_length:最长词汇数
    #num_classes:分类数
    #vocab_size:总词汇数
    #embedding_size:词向量长度
    #filter_sizes:卷积核的尺寸3 4 5
    #num_filters：卷积核的数量
    #l2_reg_lambda_l2正则化系数
    def __init__(
      self, sequence_length, num_classes, vocab_size,
      embedding_size, filter_sizes, num_filters, l2_reg_lambda=0.0):

        # Placeholders for input, output and dropout
        self.input_x = tf.placeholder(tf.int32, [None, sequence_length], name="input_x")
        self.input_y = tf.placeholder(tf.float32, [None, num_classes], name="input_y")
        #dropout系数
        self.dropout_keep_prob = tf.placeholder(tf.float32, name="dropout_keep_prob")

        # Keeping track of l2 regularization loss (optional)
        l2_loss = tf.constant(0.0)

        # Embedding layer
        with tf.device('/cpu:0'), tf.name_scope("embedding"):
            #vocab_size词典大小
            self.W = tf.Variable(
                tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
                name="W")
            #[batch_size,sequeue_length,embedding_size]
            self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
            #添加一个维度，[batch_size,sequence_length,embedding_size,1]有点类似于图片哦~
            self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)

        # Create a convolution + maxpool layer for each filter size
        pooled_outputs = []
        #三种不同尺寸的卷积，所以用了一个循环
        for i, filter_size in enumerate(filter_sizes):
            with tf.name_scope("conv-maxpool-%s" % filter_size):
                # Convolution Layer
                filter_shape = [filter_size, embedding_size, 1, num_filters]
                #下面是卷积的参数
                W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name="W")
                b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name="b")
                #卷积操作
                conv = tf.nn.conv2d(
                    self.embedded_chars_expanded,#需要卷积的矩阵
                    W,#权值
                    strides=[1, 1, 1, 1],#步长
                    padding="VALID",
                    name="conv")
                # Apply nonlinearity
                #激活函数
                h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
                # Maxpooling over the outputs
                #池化
                pooled = tf.nn.max_pool(
                    h,
                    ksize=[1, sequence_length - filter_size + 1, 1, 1],
                    strides=[1, 1, 1, 1],
                    padding='VALID',
                    name="pool")
                pooled_outputs.append(pooled)

        # Combine all the pooled features
        #卷积核的数量*卷积核的尺寸种类
        num_filters_total = num_filters * len(filter_sizes)
        #三个池化层的输出拼接起来
        self.h_pool = tf.concat(pooled_outputs, 3)
        #转化为一维的向量
        self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total])

        # Add dropout
        with tf.name_scope("dropout"):
            self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)

        # Final (unnormalized) scores and predictions
        #全连接层
        with tf.name_scope("output"):
            W = tf.get_variable(
                "W",
                shape=[num_filters_total, num_classes],#[64*3,2]
                initializer=tf.contrib.layers.xavier_initializer())
            b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
            #l2正则化
            l2_loss += tf.nn.l2_loss(W)
            l2_loss += tf.nn.l2_loss(b)
            self.scores = tf.nn.softmax(tf.nn.xw_plus_b(self.h_drop, W, b, name="scores"))
            #最终预测值
            self.predictions = tf.argmax(self.scores, 1, name="predictions")

        # Calculate mean cross-entropy loss
        with tf.name_scope("loss"):
            losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
            self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss

        # Accuracy
        with tf.name_scope("accuracy"):
            correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
            self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")

在这个类的对象初始化的过程中，我们传入了几个超参数，分别是最长词汇数，分类数，总词汇数，词向量长度，卷积核尺寸，卷积核数量，l2正则化系数。

然后设置了几个占位符，然后重点嵌入层来了

        with tf.device('/cpu:0'), tf.name_scope("embedding"):
            #vocab_size词典大小
            self.W = tf.Variable(
                tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
                name="W")
            #[batch_size,sequeue_length,embedding_size]
            self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
            #添加一个维度，[batch_size,sequence_length,embedding_size,1]有点类似于图片哦~
            self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)

W就是所有词的词向量矩阵，然后embedded_chars是输入句子所对应的的词向量矩阵，返回的就是[batch_size，sequence_length,embedding_size]，然后手动为其添加了一个维度。

然后又是一个重点：卷积池化层。

我们先看一下tf.nn.conv2d函数

def conv2d(x,W):
    #2d是二维的意思
    #x是一个tensor，形状是[batch,in_height,in_width,in_channels]NHWC关系，分别是批次大小(本例batch_size=100)，图片高度，图片宽度，通道数(黑白照片是1，彩色是3)
    #w是一个滤波器，tensor，形状是[filter_height,filter_width,in_channels,out_channels]，滤波器长，宽，输入和输出通道数
    #步长参数，strides[0]=strides[3]=1,strides[1]代表x方向的步长，strides[2]代表y方向的步长
    #padding:一个字符串，要么是'SAME'要么是'VALID'，对应两种卷积方法，前者补零,后者不会超出平面外部
 ———————————————— 
版权声明：本文为CSDN博主「CtrlZ1」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_41076797/article/details/99212303

我们看tf.nn.conv2d执行卷积，输入需要卷积的矩阵self.embedded_chars_expanded，要求它的格式是[batch_size,in_height,in_width,in_channels],这就是为什么要加一个维度的原因，这里和照片有点相似，其实这个in_height和in_width很耐人寻味，前一个是传入的句子的最大长度，后面是对应的句子中每个词的词向量维度，从矩阵来看正好是高和宽。w是一个[卷积核尺寸,词向量长度，1，卷积核个数]的矩阵，步长是1,1，padding方案是valid，即不进行补零，那样的话矩阵大小会发生变化。根据w，我们知道卷积窗口大小是卷积核尺寸*词向量长度，由于输入矩阵宽度也是词向量长度，所以只能向下卷积，所以卷积之后的矩阵格式为[bath_size，in_height-卷积核尺寸+1，1，num_filter]即[64,最长句子单词数-2,1,64]。然后由于卷积核的个数，有多少个卷积核，返回多少个这种矩阵(feature map)。

然后进行激活函数。

不用过多解释了吧。 返回依然是[bath_size，in_height-卷积核尺寸+1，1，num_filter]=[bath_size，sequence_length -3or4or5+1，1，64]即[64,最长句子单词数-2or3or4,1,64]

然后进行池化操作，池化窗口尺寸是（sequence_length - filter_size + 1）*1，和我们返回的矩阵是一样的，这样的话池化之后返回的矩阵就是[batch_size,1,1,64]

然后把三次池化后的输出拼接起来，转化为一维向量[batch_size,64*3]，然后dropout，然后又是重要的一层，全连接层：

 #全连接层
        with tf.name_scope("output"):
            W = tf.get_variable(
                "W",
                shape=[num_filters_total, num_classes],#[64*3,2]
                initializer=tf.contrib.layers.xavier_initializer())
            b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
            #l2正则化
            l2_loss += tf.nn.l2_loss(W)
            l2_loss += tf.nn.l2_loss(b)
            self.scores = tf.nn.softmax(tf.nn.xw_plus_b(self.h_drop, W, b, name="scores"))
            #最终预测值
            self.predictions = tf.argmax(self.scores, 1, name="predictions")

        # Calculate mean cross-entropy loss
        with tf.name_scope("loss"):
            losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
            self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss

        # Accuracy
        with tf.name_scope("accuracy"):
            correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
            self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")

经过softmax之后返回的scores是一个[batch_size，2]的矩阵，和真实值input_y比较可以得到损失值losses，然后我们分别计算平均损失值和准确率。到此就结束了。

再回头看就很简单了，什么优化器啊，什么计算梯度啊，什么保存模型啊，等等就没啥可说的了，都是常规操作。

对了，附上代码链接~