python同或符号_Pytorch实现基于CharRNN的文本分类与生成示例

1 简介

本篇主要介绍使用pytorch实现基于CharRNN来进行文本分类与内容生成所需要的相关知识，并最终给出完整的实现代码。

2 相关API的说明

pytorch框架中每种网络模型都有构造函数，在构造函数中定义模型的静态参数，这些参数将对模型所包含weights参数的维度进行设置。在运行时，模型的实例将接收动态的tensor数据并调用forword，在得到模型输出之后便可以和真实的标签数据进行误差计算，并通过优化器进行反向传播以调整模型的参数。下面重点介绍NLP常用到的模型和相关方法。

2.1 nn.Embedding

词嵌入层是NLP应用中常见的模块。在word2vec出现之前，一种方法是使用每个token的one-hot向量进行运算。one-hot是一种稀疏编码，运算效果较差。word2vec用于生成每个token的Dense向量表示。目前的研究结果证明，word2vec可以有效提升模型的训练效果。

pytorch的模型提供了Embedding模型用于实现词嵌入过程Embedding层中的权重用于随机初始化词的向量，权重参数在后续的训练中会被不断调整，并被优化。

模型的创建方法为：embeding = nn.Embedding(vocab_size, embedding_dim)

vocab_size 表示字典的大小

embedding_dim 词嵌入的维度数量，通常设置远小于字典大小，60-300之间通常可满足需要

使用：embeded = embeding(input)

input 需要嵌入的句子，可为任意维度。单个句子表示为token的索引列表，如[283, 4092, 1, ]

output 数据的嵌入表示，shape=[*, embedding_dim]，*为input的维度

示例代码：

import torch

from torch import nn

embedding = nn.Embedding(5, 4) # 假定语料只有5个词，词向量维度为3

sents = [[1, 2, 3],

[2, 3, 4]] # 两个句子，how:1 are:2 you:3, are:2 you:3 ok:4

embed = embedding(torch.LongTensor(sents))

print(embed) # shape=(2

'''

tensor([[[-0.6991, -0.3340, -0.7701, -0.6255],

[ 0.2969, 0.4720, -0.9403, 0.2982],

[ 0.8902, -1.0681, 0.4035, 0.1645]],

[[ 0.2969, 0.4720, -0.9403, 0.2982],

[ 0.8902, -1.0681, 0.4035, 0.1645],

[-0.7944, -0.1766, -1.5941, 0.4544]]], grad_fn=)

'''

2.2 nn.RNN

RNN是NLP的常用模型，普通的RNN单元结构如下图所示：

RNN单元还有一些变体，主要是单元内部的激活函数不同或数据使用了不同计算。RNN每个单元存在输入x与上一时刻的隐层状态h，输出有y与当前时刻的隐层状态。

对RNN单元的改进有LSTM和GRU，这三种类型的模型的输入数据都需要3D的tensor，，，使用时设置b atch_first为true时，输入数据的shape为[batch，seq_length, input_dim]，第一维为batch的数量不使用时设置为1，第二维序列的长度，第三维为输入的维度，通常为词嵌入的维度。

rnn = RNN(input_dim, hidden_dim, num_layers=1, batch_first, bidirectional)

input_dim 输入token的特征数量，使用embeding时为嵌入的维度

hidden_dim 隐层的单元数，决定RNN的输出长度

num_layers 层数

batch_frist 第一维为batch，反之第一堆为seq_len，默认为False

bidirectional 是否为双向RNN，默认为False

output, hidden = rnn(input, hidden)

input 一批输入数据，shape为[batch, seq_len, input_dim]

hidden 上一时刻的隐层状态，shape为[num_layers * num_directions, batch, hidden_dim]

output 当前时刻的输出，shape为[batch, seq_len, num_directions*hidden_dim]

import torch

from torch import nn

vocab_size = 5

embed_dim = 3

hidden_dim = 8

embedding = nn.Embedding(vocab_size, embed_dim)

rnn = nn.RNN(embed_dim, hidden_dim, batch_first=True)

sents = [[1, 2, 4],

[2, 3, 4]]

h0 = torch.zeros(1, embeded.size(0), 8) # shape=(num_layers*num_directions, batch, hidden_dim)

embeded = embedding(torch.LongTensor(sents))

out, hidden = rnn(embeded, h0) # out.shape=(2,3,8), hidden.shape=(1,2,8)

print(out, hidden)

'''

tensor([[[-0.1556, -0.2721, 0.1485, -0.2081, -0.2231, -0.1459, -0.0319, 0.2617],

[-0.0274, 0.1561, -0.0509, -0.1723, -0.2678, -0.2616, 0.0786