Datawhale九月组队学习--情感分析--Task04

Datawhale九月组队学习：情感分析

往期指路：

   Task01情感分析BaseLine

   Task02情感分析Upgrade

   Task03情感分析Faster

---

前言

  本篇主要是将卷积神经网络应用到了情感分类任务当中，本篇所用的模型来自论文Convolutional Neural Networks for Sentence Classification，了解细节的小伙伴们可以查看原文。
  在上一个教程中，我们研究了FastText模型，该模型通过将bi-gram显式添加到文本末尾来使用bi-gram，在这个CNN模型中，我们将使用多个不同大小的filter，这些filter将查看文本中的bi-grams（a 1x2 filter）、tri-grams（a 1x3 filter）and/or n-grams（a 1x$n$ filter）

---

笔记要点

一、 模型搭建流程

  1、数据预处理
  2、构建模型
  3、训练模型
  4、模型验证

二、 数据预处理要点记录

  与 task3 使用FastText模型的方法不同，本节不再需要刻意地创建bi-gram将它们附加到句子末尾。

这里的处理方法依然是：

• 加载IMDB数据集
• 构建词典，加载预训练词向量
• 创建迭代器

三、 模型搭建要点记录

问题：如何将CNN用于文本处理？

  1、图像一般是二维的，而文本是一维的。所以我们可以将一段文本中的每个单词沿着一个轴展开，向量中的元素沿着另一个维度展开。

  2、然后我们可以使用一个 [n x emb_dim] 的filter。这将完全覆盖 $n$ 个words，因为它们的宽度为emb_dim 尺寸。这里有4个词和5维嵌入，创建了一个[4x5] “image” 张量。一次覆盖两个词（即bi-grams)）的filter 将是 [2x5] filter，filter 的每个元素都有一个与之相关的 weight。此filter 的输出将是一个实数，它是filter覆盖的所有元素的加权和。

  3、filter “down” 移动图像（或穿过句子）以覆盖下一个bi-gram，并计算另一个输出（weighted sum）。

  4、最后，filter 再次向下移动，并计算此 filter 的最终输出。

注意：CNN处理文本图文细节点这里

实现细节

  1、in_channels参数是图像中进入卷积层的“通道”数，但是当使用文本时，我们只有一个通道，即文本本身。
  2、out_channels是 filters 的数量，kernel_size是 filters 的大小。我们的每个“卷积核大小”都将是 [n x emb_dim] 其中 $n$ 是n-grams的大小。

注：如果句子的长度小于实验设置的最大filter，那么必须将句子填充到最大filter的长度。

四、模型训练要点记录

  训练和前面task一样，我们初始化优化器、损失函数（标准），并将模型和标准放置在GPU上。

---

总结

   以上就是Task04的全部内容了，接下来的学习继续坚持呀~。