pytorch自然语言处理基础模型之六:BiLSTM

       上一篇文章我们介绍了LSTM的基本原理,本文我们将构建一个双向LSTM网络去生成一个语言模型。所谓语言模型就是估算一个单词在一个序列中出现的概率,简单讲就是给定一段话,通过神经网络的学习之后,可以通过前面的词和句子去预测下一个词。

1、模型原理

       BiLSTM是Bi-directional Long Short-Term Memory的缩写,是由前向LSTM与后向LSTM组合而成。通过上篇文章我们可以得知,使用LSTM模型可以更好的捕捉到较长距离的依赖关系,但是利用LSTM对句子进行建模还存在一个问题:无法编码从后到前的信息。有些时候预测可能需要由前面若干输入和后面若干输入共同决定,这样会更加准确,通过BiLSTM可以更好的捕捉双向的语义依赖。

2、代码实现

1. 导入需要的库,设置数据类型

import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable

dtype = torch.FloatTensor

2. 创建数据和字典

//一段没有意义的拉丁文
sentence = ('Lorem ipsum dolor sit amet consectetur adipisicing elit '
            'sed do eiusmod tempor incididunt ut labore et dolore magna '
            'aliqua Ut enim ad minim veniam quis nostrud exercitation')
            
n_class = len(word_dict)   //词表的数量
max_len = len(sentence.split())    //句子的长度(所有单词的数量)
n_hidden = 5   //LSTM网络隐藏层的个数

3. 创建batch

def make_batch(sentence):
    input_batch = []
    target_batch = []
    
    words = sentence.split()
    //构建batch,依次用句子中前面的词组成的序列去预测下一个词
    for i, word in enumerate(words[:-1]):
  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值