转载自: Skip-Gram代码
引入
对于一个句话,我们认为这句话中的每两个词之间都可能存在一定联系,但这种联系不是必然的,比如“明天要下雨”这句话,我们不能推测明天和下雨一定有关系。但我们基于统计学来看,给我们大量的逻辑上正确的话,当我们总是能在这些话里面找到某两个词同时出现,那么就可以说明这两个词确实存在关系,比如分析100万句话,然后发现人工智能和机器学习出现在同一句话的频次较高,那么我们就可以推断这两个词之间是存在联系。
如何去实现我们的想法呢?大量数据总是和神经网络相关的
网络模型
原理
给我们一篇非常长的文章,可以认为文章中相邻的词(或者是位置相近的词)之间存在关系。
具体是操作方法各类各样,为了方便弄清原理,我们简化了操作。
例如下面的文章
这篇文章已经去掉了标点符号,直接把全文当做一个整体。那么我们怎么去找词与词之间的联系呢?
对于前几个单词anarchism originated as a term of abuse
首先设置参数:
skip_window=1,表示去左侧1个词和右侧1个词进入窗口。
num_skips=2,表示我们从当前整个窗口中选择多少个不同的词作为我们的output word。
那么当我们选中单词originated作为input word时,我们会得到两组(input word, output word) 形式的训练数据,即 (‘originated’, ‘as’),(‘originated’, ‘anarchism’)。我们便得到了两个训练数据:
输入值:originated 输出值:as
输入值:originated 输出值:anarchism
但是计算机无法直接对单词进行计算和处理,所以需要先把单词变成数字形式。
单词格式转化数字格式
因为文中单词种类特别多,所以我们只取50000个出现最多的单词分析。
将所有单词按出现频次从大到小的顺序,并以二维数组形式保存前49999个,且将剩余的单词记为UNK,数量记为-1,放在数组的第一位。
这个二维数组的前十个元素为:[[‘UNK’, -1], (‘the’, 1061396), (‘of’, 593677), (‘and’, 416629), (‘one’, 411764), (‘in’, 372201), (‘a’, 325873), (‘to’, 316376), (‘zero’, 264975), (‘nine’, 250430)]
再将这些单词按在二维数组中的序号来代替出现频次,并存放在字典中。
这个字典前十个元素为:{“UNK”:0,“the”:1,…,“nine”:9}
至此所有单词都有了唯一的编号与之对应
最后将原文中所有的单词都转化为数字编号,并保存在一个新的数组data中。
print(data[:10]) # 查看data里面的前十个元素,即前十个单词对应的数字编号
'''[5234, 3081, 12, 6, 195, 2, 3134, 46, 59, 156]'''
代码详解
导入库
# 1.导入所依赖的库
import time
import collections
import math
import os
import random
import zipfile
import numpy as np
import urllib
import pprint
import tensorflow as tf
import matplotlib.pyplot as plt
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
准备数据集
# 2.准备数据集
url = "http://mattmahoney.net/dc/"
def maybe_download(filename, expected_bytes):
"""
判断文件是否已经下载,如果没有,则下载数据集
"""
if not os.path.exists(filename):
# 数据集不存在,开始下载
# 按网址:http://mattmahoney.net/dc/text8.zip下载文件,同时以名字filename(在这里是text8.zip)保存在当前目录
filename, _ = urllib.request.urlretrieve(url + filename, filename)
# 有关函数urllib.request.urlretrieve的详解博客https://blog.csdn.net/pursuit_zhangyu/article/details/80556275
# 核对文件尺寸
stateinfo = os.stat(filename)
# 有关系统stat调用的详细解释链接https://www.cnblogs.com/fmgao-technology/p/9056425.html
if stateinfo.st_size == expected_bytes:
print("数据集已存在,且文件尺寸合格!", filename)
else :
print(stateinfo.st_size)
raise Exception(
"文件尺寸不对 !请重新下载,下载地址为:"+url
)
return filename
"""
测试文件是否存在
"""
filename = maybe_download("text8.zip", 31344016)
解压文件
def read_data(filename):
# 有关zipfile模块的详细使用介绍博客https://www.cnblogs.com/ManyQian/p/9193199.html
with zipfile.ZipFile(filename) as f: # 提取压缩文件并用f表示该文件
# 有关python中split()函数的详细解释博客https://www.runoob.com/python/att-string-split.html
data = tf.compat.as_str(f.read(f.namelist()[0])).split() # 取压缩文件里面的第一个文件(索引为0)
'''
使用 zipfile.ZipFile()来提取压缩文件,然后我们可以使用
zipfile 模块中的读取器功能。首先,namelist()函数检索该
档案中的所有成员——在本例中只有一个成员,所以我们可以使
用 0 索引对其进行访问。然后,我们使用 read()函数读取文
件中的所有文本,并传递给 TensorFlow 的 as_str 函数,以确
保文本保存为字符串数据类型。最后,我们使用 split()函数
创建一个列表,该列表包含文本文件中所有的单词,并用空格字
符分隔'''
return data
filename = "text8.zip"
words = read_data(filename)
print("总的单词个数:", len(words))
构造单词与编号对应表
# 4.构建词汇表,并统计每个单词出现的频数,同时用字典的形式进行存储,取频数排名前50000的单词
vocabulary_size = 50000
def build_dataset(words): # words是输入的原文
count = [["UNK", -1]] # 这里不可以用unknown,因为原文中有unknown,所以会出错
# collections.Counter()返回的是形如[["unkown",-1],("the",4),("physics",2)]
count.extend(collections.Counter(words).most_common(vocabulary_size - 1))
# 有关collection模块中counter类的详细解释链接http://www.pythoner.com/205.html
# most_common()函数用来实现Top n 功能 即截取counter结果的前多少个子项
# 对于列表的一些常见基本操作详细链接https://blog.csdn.net/ywx1832990/article/details/78928238
# print(count[:10]) # 这时候count中存放的是频次前50000的单词以及它们出现的频次,其余的认为是unknown,频次为-1
dictionary = {}
# 将全部单词转为编号(以频数排序的编号),我们只关注top50000的单词,并记UNK编号为0,同时统计一下这类词汇的数量
for word, _ in count:
dictionary[word] = len(dictionary)
# len(dictionary)是输出字典中元素个数,即键的个数
# 开始时字典为空,len(dictionary)为0,第一个键是unknown,则有"unknown":0
# 第二个键是the,此时字典中只有一个元素,则有"the":1
# 形如:{"the":1,"UNK":0,"a":12}
# print(dictionary["UNK"])
data = []
unk_count = 0 # 准备统计top50000以外的单词的个数
for word in words:
# 对于其中每一个单词,首先判断是否出现在字典当中
if word in dictionary:
# 如果已经出现在字典中,则转为其编号
index = dictionary[word]
else:
# 如果不在字典,则转为编号0
index = 0
unk_count += 1
data.append(index) # data存放的是words即原文中所有单词对应的编号
"""
print(data[:10])
[5234, 3081, 12, 6, 195, 2, 3134, 46, 59, 156]
"""
count[0][1] = unk_count # 将统计好的unknown的单词数,填入count中
# 将字典进行翻转,形如:{3:"the",4:"an"},字典翻转有很多方法,可以百度选择一种即可
reverse_dictionary = dict(zip(dictionary.values(), dictionary.keys()))
return data, count, dictionary, reverse_dictionary
# 返回值意义分别是data:words即原文中所有单词对应的编号
# count:二维数组,频次前50000的单词以及它们出现的频次,其余的认为是unknown,频次为-1,并放在第一个
# dictionary:对count中内容按序编号
# reverse_dictionary:翻转dictionary
# 为了节省内存,将原始单词列表进行删除
data,count,dictionary,reverse_dictionary = build_dataset(words)
del words
# 将部分结果展示出来
# print("出现频率最高的单词(包括未知类别的):",count[:10])
# 将已经转换为编号的数据进行输出,从data中输出频数,从翻转字典中输出编号对应的单词
# print("样本数据(排名):",data[:10],"\n对应的单词",[reverse_dictionary[i] for i in data[:10]])
生成训练样本
# 5.生成Word2Vec的训练样本,使用skip-gram模式
data_index = 0
def generate_batch(batch_size, num_skips, skip_window):
"""
:param batch_size: 每个训练批次的数据量,8
:param num_skips: 每个单词生成的样本数量,不能超过skip_window的两倍,并且必须是batch_size的整数倍,2
:param skip_window: 单词最远可以联系的距离,设置为1则表示当前单词只考虑前后两个单词之间的关系,也称为滑窗的大小,1
:return:返回每个批次的样本以及对应的标签
"""
global data_index # 声明为全局变量,方便后期多次使用
# 使用Python中的断言函数,提前对输入的参数进行判别,防止后期出bug而难以寻找原因
assert batch_size % num_skips == 0
assert num_skips <= skip_window * 2
batch = np.ndarray(shape=(batch_size), dtype=np.int32) # 创建一个batch_size大小的数组,数据类型为int32类型,数值随机
labels = np.ndarray(shape=(batch_size, 1), dtype=np.int32) # 数据维度为[batch_size,1]
span = 2 * skip_window + 1 # 入队的长度,左右滑窗大小+本身
buffer = collections.deque(maxlen=span) # 创建双向队列。最大长度为span
"""
print(batch,"\n",labels)
batch :[0 ,-805306368 ,405222565 ,1610614781 ,-2106392574 ,2721-,2106373584 ,163793]
labels: [[ 0]
[-805306368]
[ 407791039]
[ 536872957]
[ 2]
[ 0]
[ 0]
[ 131072]]
"""
# 对双向队列填入初始值
for _ in range(span):
buffer.append(data[data_index])
data_index = (data_index+1) % len(data)
"""
print(buffer,"\n",data_index) 输出:
deque([5234, 3081, 12], maxlen=3)
3
"""
# 进入第一层循环,i表示第几次入双向队列
for i in range(batch_size // num_skips): # i:0->3
target = skip_window # 定义buffer中第skip_window个单词是目标
targets_avoid = [skip_window] # 定义生成样本时需要避免的单词,因为我们要预测的是语境单词,不包括目标单词本身,因此列表开始包括第skip_window个单词
for j in range(num_skips): # j:0->1
"""第二层循环,每次循环对一个语境单词生成样本,先产生随机数,直到不在需要避免的单词中,也即需要找到可以使用的语境词语"""
while target in targets_avoid:
target = random.randint(0, span-1)
# print(target) # 找到2时退出一次,2作为可使用的语境词语。第二次for j时,只能找0,0作为可使用的语境词语。(0和2顺序可变)
targets_avoid.append(target) # 因为该语境单词已经被使用过了,因此将其添加到需要避免的单词库中
batch[i * num_skips + j] = buffer[skip_window] # 目标词汇 i=0时:0,1 i=1时:2,3 i=2时:4,5
labels[i * num_skips + j, 0] = buffer[target] # 语境词汇
# 此时buffer已经填满,后续的数据会覆盖掉前面的数据
buffer.append(data[data_index])
data_index = (data_index + 1) % len(data)
# print(batch,labels)
return batch, labels
# 举例子看看是否正确
batch, labels = generate_batch(8, 2, 1)
# for i in range(8):
# print("目标单词:"+reverse_dictionary[batch[i]]+"对应编号为:".center(20)+str(batch[i])+" 对应的语境单词为: ".ljust(20)+reverse_dictionary[labels[i,0]]+" 编号为",labels[i,0])
"""
for i in range(8):
print("目标单词:"+reverse_dictionary[batch[i]]+"对应编号为:".center(20)+str(batch[i])+" 对应的语境单词为: ".ljust(20)+reverse_dictionary[labels[i,0]]+" 编号为",labels[i,0])
测试结果:
目标单词:originated 对应编号为: 3080 对应的语境单词为: as 编号为 12
目标单词:originated 对应编号为: 3080 对应的语境单词为: anarchism 编号为 5233
目标单词:as 对应编号为: 12 对应的语境单词为: originated 编号为 3080
目标单词:as 对应编号为: 12 对应的语境单词为: a 编号为 6
目标单词:a 对应编号为: 6 对应的语境单词为: as 编号为 12
目标单词:a 对应编号为: 6 对应的语境单词为: term 编号为 195
目标单词:term 对应编号为: 195 对应的语境单词为: of 编号为 2
目标单词:term 对应编号为: 95 对应的语境单词为: a 编号为 6
"""
训练模型
# 6.定义训练数据的一些参数
batch_size = 128 # 训练样本的批次大小
embedding_size = 128 # 单词转化为稠密词向量的维度
skip_window = 1 # 单词可以联系到的最远距离
num_skips = 1 # 每个目标单词提取的样本数
# 7.定义验证数据的一些参数
valid_size = 16 # 验证的单词数
valid_window = 100 # 指验证单词只从频数最高的前100个单词中进行抽取
valid_examples = np.random.choice(valid_window, valid_size, replace=False) # 进行随机抽取
num_sampled = 64 # 训练时用来做负样本的噪声单词的数量
# 8.开始定义Skip-Gram Word2Vec模型的网络结构
# 8.1创建一个graph作为默认的计算图,同时为输入数据和标签申请占位符,并将验证样例的随机数保存成TensorFlow的常数
graph = tf.Graph()
with graph.as_default():
# 生成了一个占位符,这样申请位置对后面运算可以加速,此时还没有存东西
# tf.placeholder()函数作为一种占位符用于定义过程,可以理解为形参,在执行的时候再赋具体的值。
train_inputs = tf.compat.v1.placeholder(tf.int32, [batch_size]) # 128行,多少列未知,每一行都是独热编码
train_labels = tf.compat.v1.placeholder(tf.int32, [batch_size, 1]) # 128行,1列
valid_dataset = tf.constant(valid_examples, tf.int32) # 16行,多少列未知,valid_dataset是包含16个编号的数组
# 选择运行的device为CPU
with tf.device("/cpu:0"):
# 单词大小为50000,向量维度为128,随机采样在(-1,1)之间的浮点数
embeddings = tf.Variable(tf.compat.v1.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0)) #(50000,128)
# 使用tf.nn.embedding_lookup()函数查找train_inputs对应的向量embed,根据索引选择对应的元素,避开了对输入值的独热,本篇仅对输出值独热
embed = tf.nn.embedding_lookup(embeddings, train_inputs) # 根据train_inputs中的id号,寻找(独热编码与之点积)embeddings中的对应元素,(128,128),即输入的128个词的嵌入词向量。
# 使用截断正太函数初始化权重,偏重初始化为0
weights = tf.Variable(tf.compat.v1.truncated_normal([vocabulary_size, embedding_size], stddev=1.0 /math.sqrt(embedding_size))) # (50000,128)
biases = tf.Variable(tf.zeros([vocabulary_size]))
# 隐藏层实现
hidden_out = tf.matmul(embed, tf.transpose(weights)) + biases # embed与转置后的weights点积,得到(128,50000)
# 将标签使用one-hot方式表示,便于在softmax的时候进行判断生成是否准确
train_one_hot = tf.one_hot(train_labels, vocabulary_size) # (128,50000),500000表示向量维度。根据train_labels的不同,在vocabulary_size中分配独热编码,每轮训练分配的都不一样
# print(train_one_hot)
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=hidden_out, labels=train_one_hot)) # 两个(128,50000)计算损失
# 优化选择随机梯度下降
optimizer = tf.compat.v1.train.GradientDescentOptimizer(1.0).minimize(cross_entropy)
# 为了方便进行验证,采用余弦定理验证相似性 链接https://blog.csdn.net/u012160689/article/details/15341303
# 归一化
norm = tf.compat.v1.sqrt(tf.compat.v1.reduce_sum(tf.square(weights), 1, keepdims=True))
normalized_embeddings = weights / norm # 这两行的目的是将embeddings的每行的向量归一化 (50000,128)
valid_embeddings = tf.nn.embedding_lookup(normalized_embeddings, valid_dataset) # 根据这16个编号去查询验证归一化的单词嵌入向量,(16,128)
# 计算验证单词的嵌入向量与词汇表中所有单词的相似性
similarity = tf.matmul(
valid_embeddings, normalized_embeddings, transpose_b=True # (16,50000),这16个验证单词与所有50000个单词的相似性
)
init = tf.compat.v1.global_variables_initializer() # 因为tf中建立的变量是没有初始化的,执行init后便可开始定义参数的初始化
开始训练
# 9.启动训练
num_steps = 150001 # 进行15W次的迭代计算
t0 = time.time()
# 创建一个回话并设置为默认
with tf.compat.v1.Session(graph=graph) as session:
init.run() # 启动参数的初始化
print("初始化完成!")
average_loss = 0 # 计算误差
# 开始迭代训练
for step in range(num_steps):
batch_inputs, batch_labels = generate_batch(batch_size, num_skips, skip_window) # 调用生成训练数据函数生成一组batch和label
feed_dict = {train_inputs: batch_inputs, train_labels: batch_labels} # 待填充的数据
# 启动回话,运行优化器optimizer和损失计算函数,并填充数据
# sess.run(函数名,feed_dict = {字典形式的给形参赋值}),这个时候才给,这是才开始往batch_inputs和batch_labels里面填充值,没run之前里面还没放值
# 只是一个对应形状的占位符,所以若要直接获取值,则需要 matrix.eval()
optimizer_trained, loss_val = session.run([optimizer, cross_entropy], feed_dict=feed_dict) # optimizer_trained没用,可以直接改为:_,loss_val=
average_loss += loss_val # 统计NCE损失
# 为了方便,每2000次计算一下损失并显示出来
if step % 2000 == 0:
if step > 0:
average_loss /= 2000
print('第%d轮迭代用时:%s' % (step, time.time() - t0))
t0 = time.time()
print("第{}轮迭代后的损失为:{}".format(step, average_loss))
average_loss = 0
# 每10000次迭代,计算一次验证单词与全部单词的相似度,并将于验证单词最相似的前8个单词呈现出来
if step % 1000 == 0:
sim = similarity.eval() # 把张量的值给算出来,否则里面是占位符
# 从频次最高的100个单词里抽16个验证单词,并分别找出与这16个验证单词相似度最接近的8个单词
for i in range(valid_size):
valid_word = reverse_dictionary[valid_examples[i]] # 得到对应的验证单词
top_k = 8
# argsort()函数是将矩阵中的元素从小到大排列,提取其对应的index(索引),然后输出到y。
# 50000个值进行排序,本质上是根据相似度排序
# -sim即把矩阵中的所有值变成负数,再从小到大排序,本质上是从大到小排序,取下标1到top_k+1,因为0是这个词本身,其余top_k个词是与这个词最接近的8个词的编号
# 那么输入的8个词就是按相似度从大到小输出的了,如果用sim画,后面会面临顺序反了的问题
nearest = (-sim[i, :]).argsort()[1:top_k+1] # 计算每一个验证单词相似度最接近的前8个单词
# nearest = (sim[i, :]).argsort()[49991:49999] # 这时的nearest的顺序是相反的
log_str = "与单词 {} 最相似的: ".format(str(valid_word))
for k in range(top_k):
close_word = reverse_dictionary[nearest[k]] # 相似度高的单词
log_str = "%s %s, " % (log_str, close_word)
print(log_str)
final_embeddings = normalized_embeddings.eval() # 最终的嵌入词向量
可视化
# 这里暂不了解
# 10.可视化Word2Vec效果
def plot_with_labels(low_dim_embs, labels, filename = "tsne.png"):
# assert是如果满足条件,则继续运行,否则抛出AssertionError错误
assert low_dim_embs.shape[0] >= len(labels), "标签数超过了嵌入向量的个数!!"
plt.figure(figsize=(20, 20))
for i, label in enumerate(labels):
x, y = low_dim_embs[i, :]
plt.scatter(x, y)
plt.annotate(
label,
xy = (x, y),
xytext=(5, 2),
textcoords="offset points",
ha="right",
va="bottom"
)
plt.savefig(filename)
from sklearn.manifold import TSNE
tsne = TSNE(perplexity=30, n_components=2, init="pca", n_iter=5000)
plot_only = 100
low_dim_embs = tsne.fit_transform(final_embeddings[:plot_only, :])
Labels = [reverse_dictionary[i] for i in range(plot_only)]
plot_with_labels(low_dim_embs, Labels)
plt.show()