自然语言处理笔记总目录
关于人名分类问题：
- 以一个人名为输入，使用模型帮助我们判断它最有可能是来自哪一个国家的人名，这在某些国际化公司的业务中具有重要意义，在用户注册过程中，会根据用户填写的名字直接给他分配可能的国家或地区选项，以及该国家或地区的国旗，限制手机号码位数等等
本案例取自PyTorch官网的NLP FROM SCRATCH: CLASSIFYING NAMES WITH A CHARACTER-LEVEL RNN，在此基础上增加了完整的注释以及通俗的讲解，完整代码在文章最后
本案例没有使用便捷强大的 torchtext 库，可以更深刻的了解到NLP底层的一些工作
实现效果：
$ python predict.py Hinton
(-0.47) Scottish
(-1.52) English
(-3.57) Irish
$ python predict.py Schmidhuber
(-0.19) German
(-2.48) Czech
(-2.68) Dutch
人名分类数据：
本案例大致分为如下步骤
Step 1：Preparing the Data
在本步中，我们将得到一个字典，列出了每种语言的名称列表{language: [names ...]}
from io import open
import glob
import os
def findFiles(path):
return glob.glob(path)
print(findFiles('data/names/*.txt'))
Out：
['data/names\\Arabic.txt', 'data/names\\Chinese.txt', 'data/names\\Czech.txt',
'data/names\\Dutch.txt', 'data/names\\English.txt', 'data/names\\French.txt',
'data/names\\German.txt', 'data/names\\Greek.txt', 'data/names\\Irish.txt',
'data/names\\Italian.txt', 'data/names\\Japanese.txt', 'data/names\\Korean.txt',
'data/names\\Polish.txt', 'data/names\\Portuguese.txt', 'data/names\\Russian.txt',
'data/names\\Scottish.txt', 'data/names\\Spanish.txt', 'data/names\\Vietnamese.txt']
import unicodedata
import string
# 所有大小写字母以及空格、句号、逗号、分号、引号，共57个
all_letters = string.ascii_letters + " .,;'"
n_letters = len(all_letters) # 57
# 将Unicode字符转换为ASCII
# 简而言之这个函数的作用就是去除某些语音中的重音标记
# 比如：Ślusàrski --> Slusarski
def unicodeToAscii(s):
return ''.join(
c for c in unicodedata.normalize('NFD', s)
if unicodedata.category(c) != 'Mn'
and c in all_letters
)
print(unicodeToAscii('Ślusàrski'))
Out：
Slusarski
# 字典category_lines：键为语言，值为保存一个所有名字的列表
# 列表all_categories：保存所有语言名
category_lines = {}
all_categories = []
# 读取文件并进行分割形成列表
def readLines(filename):
# read()将整个文件读入，strip()去除两侧空白符，使用'\n'进行划分
lines = open(filename, encoding='utf-8').read().strip().split('\n')
# 对应每一个lines列表中的名字进行Ascii转换, 使其规范化.最后返回一个名字列表
return [unicodeToAscii(line) for line in lines]
for filename in findFiles('data/names/*.txt'):
# findFiles返回了所有文件名
# basename返回文件名全称，即去除路径
# splitext将文件名称与后缀分割开，[0]即是取文件名称
category = os.path.splitext(os.path.basename(filename))[0]
# 列表all_categories：保存所有语言名
all_categories.append(category)
# 字典category_lines：键为语言，值为保存一个所有名字的列表
lines = readLines(filename)
category_lines[category] = lines
n_categories = len(all_categories) # 18
至此，我们拥有了category_lines字典与all_categories语言列表以及n_categories类别总数，供之后的代码使用
# 测试一下
print("all_categories: ", all_categories)
print("Italian: ", category_lines['Italian'][:5])
Out：
all_categories: ['Arabic', 'Chinese', 'Czech', 'Dutch', 'English',
'French', 'German', 'Greek', 'Irish', 'Italian', 'Japanese', 'Korean',
'Polish', 'Portuguese', 'Russian', 'Scottish', 'Spanish', 'Vietnamese']
Italian: ['Abandonato', 'Abatangelo', 'Abatantuono', 'Abate', 'Abategiovanni']
Step 2：Turning Names into Tensors
将名字转换为Tensor，使用什么方法呢？这里为了表示单个字母，我们使用one-hot编码，大小为<1 x n_letters>，即行数为1，列数为总的字符数，上述已经提到，本例中字符总数为57。例如： "b" = <0 1 0 0 0 ...>
为了表示出一个单词张量，这里将维度扩展为<line_length x 1 x n_letters>，第一维是单词的长度，第二维代表批量大小，因为 PyTorch 假定所有内容都是成批的，这里我们使用1代替即可，第三维是总字符数。这个新的维度也可以理解为单词的字母数量 * 每个字母的one-hot编码
import torch
# Find letter index from all_letters, e.g. "a" = 0
def letterToIndex(letter):
return all_letters.find(letter)
# Just for demonstration, turn a letter into a <1 x n_letters> Tensor
def letterToTensor(letter):
tensor = torch.zeros(1, n_letters)
tensor[0][letterToIndex(letter)] = 1
return tensor
# Turn a line into a <line_length x 1 x n_letters>,
# or an array of one-hot letter vectors
def lineToTensor(line):
tensor = torch.zeros(len(line), 1, n_letters)
for li, letter in enumerate(line):
tensor[li][0][letterToIndex(letter)] = 1
return tensor
print(letterToTensor('J'))
print(lineToTensor('Jones').size())
Out：
tensor([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1.,
0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0.]])
torch.Size([5, 1, 57])
Step 3：Creating the Network
注意：这里的softmax使用的是LogSoftmax
import torch.nn as nn
class RNN(nn.Module):
def __init__(self, input_size, hidden_size, output_size):
super(RNN, self).__init__()
self.hidden_size = hidden_size
self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
self.i2o = nn.Linear(input_size + hidden_size, output_size)
self.softmax = nn.LogSoftmax(dim=1)
def forward(self, input, hidden):
combined = torch.cat((input, hidden), 1)
hidden = self.i2h(combined)
output = self.i2o(combined)
output = self.softmax(output)
return output, hidden
def initHidden(self):
return torch.zeros(1, self.hidden_size)
n_hidden = 128
rnn = RNN(n_letters, n_hidden, n_categories)
要使此网络运行，需要传递输入（在本例中为当前字母的张量）和上一步的隐藏状态（首先将其初始化为零）。返回值为输出（每种语言的概率）和下一个隐藏状态（我们将其保留用于下一步）
input = letterToTensor('A')
hidden = torch.zeros(1, n_hidden)
output, next_hidden = rnn(input, hidden)
为了提高效率，而不是每个步骤创建一个新的张量，因此我们将使用lineToTensor而不是letterToTensor并使用切片。 这可以通过预先计算一批张量来进一步优化。
input = lineToTensor('Albert')
hidden = torch.zeros(1, n_hidden)
output, next_hidden = rnn(input[0], hidden)
print(output)
print(output.size())
Out：
tensor([[-2.9245, -2.9573, -2.8859, -2.8642, -2.9882, -2.8798, -2.8757, -2.8279,
-2.8843, -2.8742, -2.8713, -2.8891, -2.9144, -2.8538, -2.9654, -2.9352,
-2.7799, -2.8768]], grad_fn=<LogSoftmaxBackward0>)
torch.Size([1, 18])
如上输出，为<1 x n_categories>的张量，每一个数都是该类别的可能性（值越大概率越高）
Step 4：Training
Preparing for Training
在进行训练之前，我们应该构造一些辅助函数。首先就是categoryFromOutput，从网络的输出的张量中得到所属类别以及下标索引
def categoryFromOutput(output):
# 最大值top_n及其所在下标top_i
top_n, top_i = output.topk(1)
category_i = top_i[0].item()
return all_categories[category_i], category_i
print(categoryFromOutput(output))
Out：
('Portuguese', 13)
我们还将希望有一种快速的方法来获取训练示例（名称及其语言）
import random
def randomChoice(l):
return l[random.randint(0, len(l) - 1)]
def randomTrainingExample():
# 首先随机选取一个类别
category = randomChoice(all_categories)
# 从随机选取的类别当中随机选取一个名字
line = randomChoice(category_lines[category])
# 得到类别张量category_tensor，存放这当前选取类别的下标
category_tensor = torch.tensor([all_categories.index(category)], dtype=torch.long)
# 得到名字张量line_tensor，大小为 <line_length x 1 x 57>
line_tensor = lineToTensor(line)
return category, line, category_tensor, line_tensor
for i in range(10):
category, line, category_tensor, line_tensor = randomTrainingExample()
print('category =', category, '/ line =', line)
Out：
category = Italian / line = Petri
category = Czech / line = Korycan
category = Arabic / line = Asghar
category = Vietnamese / line = Than
category = Polish / line = Wojda
category = Greek / line = Maneates
category = Greek / line = Tselios
category = Scottish / line = Hill
category = Russian / line = Adamovitch
category = Greek / line = Karkampasis
random模块中也有choice方法，也可以直接调用random.choice
Training the Network
现在，我们要向网络中传入大量的示例让它进行预测，并且告诉网络是否预测正确。
对于损失函数，将使用nn.NLLLoss，因为前述提到RNN的最后一层使用的是nn.LogSoftmax，这两个是匹配的，具体原因这里推荐一篇博客【Pytorch详解NLLLoss和CrossEntropyLoss】供参考
criterion = nn.NLLLoss()
Each loop of training will：
- Create input and target tensors
- Create a zeroed initial hidden state
- Read each letter in and
- Keep hidden state for next letter
- Compare final output to target
- Back-propagate
- Return the output and loss
learning_rate = 0.005
def train(category_tensor, line_tensor):
hidden = rnn.initHidden()
rnn.zero_grad()
for i in range(line_tensor.size()[0]):
output, hidden = rnn(line_tensor[i], hidden)
loss = criterion(output, category_tensor)
loss.backward()
# 更新模型中的参数：optimizer.step()
for p in rnn.parameters():
p.data.add_(p.grad.data, alpha=-learning_rate)
return output, loss.item()
现在，我们只需向网络中喂入大量示例即可。同时，我们可以打印输出以及绘制损失函数图
import time
import math
n_iters = 100000
print_every = 5000
plot_every = 1000
# Keep track of losses for plotting
current_loss = 0
all_losses = []
def timeSince(since):
now = time.time()
s = now - since
m = math.floor(s / 60)
s -= m * 60
return '%dm %ds' % (m, s)
start = time.time()
for iter in range(1, n_iters + 1):
category, line, category_tensor, line_tensor = randomTrainingExample()
output, loss = train(category_tensor, line_tensor)
current_loss += loss
# Print iter number, loss, name and guess
if iter % print_every == 0:
guess, guess_i = categoryFromOutput(output)
correct = '✓' if guess == category else '✗ (%s)' % category
print('%d %d%% (%s) %.4f %s / %s %s' % (iter, iter / n_iters * 100, timeSince(start), loss, line, guess, correct))
# Add current loss avg to list of losses
if iter % plot_every == 0:
all_losses.append(current_loss / plot_every)
current_loss = 0
Out：
5000 5% (0m 12s) 2.7593 Guerra / Japanese ✗ (Portuguese)
10000 10% (0m 23s) 3.0733 Bahvaloff / Scottish ✗ (Russian)
15000 15% (0m 34s) 1.7275 Nosek / Czech ✗ (Polish)
20000 20% (0m 44s) 1.6654 Tosi / Italian ✓
25000 25% (0m 54s) 1.2599 Zhilkin / Russian ✓
30000 30% (1m 4s) 2.2486 Deniel / Portuguese ✗ (French)
35000 35% (1m 14s) 0.8166 Tchehluev / Russian ✓
40000 40% (1m 24s) 0.8256 Fei / Chinese ✓
45000 45% (1m 35s) 4.0699 Kool / Korean ✗ (Dutch)
50000 50% (1m 45s) 1.3071 Buckholtz / Scottish ✗ (German)
55000 55% (1m 55s) 0.8277 Vo / Vietnamese ✓
60000 60% (2m 6s) 1.7692 Huang / Vietnamese ✗ (Chinese)
65000 65% (2m 17s) 0.2499 Yim / Korean ✓
70000 70% (2m 29s) 0.0152 Akrivopoulos / Greek ✓
75000 75% (2m 40s) 0.5435 Mooney / Irish ✓
80000 80% (2m 52s) 1.6462 Kieu / Chinese ✗ (Vietnamese)
85000 85% (3m 4s) 4.9142 Samuel / Arabic ✗ (Irish)
90000 90% (3m 15s) 0.3337 Paloumbas / Greek ✓
95000 95% (3m 26s) 0.0426 Kassab / Arabic ✓
100000 100% (3m 37s) 2.6238 Michel / Irish ✗ (Dutch)
Step 5：Plotting the Results
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
plt.figure()
plt.plot(all_losses)
Step 6：Evaluating the Results
为了查看网络在不同类别上的表现，我们将创建一个混淆矩阵，行为实际语言，列为网络猜测语言。为了计算混淆矩阵，使用evaluate()通过网络运行一批样本，等同于没有反向传播的train()
# Keep track of correct guesses in a confusion matrix
confusion = torch.zeros(n_categories, n_categories)
n_confusion = 10000
# Just return an output given a line
def evaluate(line_tensor):
hidden = rnn.initHidden()
for i in range(line_tensor.size()[0]):
output, hidden = rnn(line_tensor[i], hidden)
return output
# Go through a bunch of examples and record which are correctly guessed
for i in range(n_confusion):
category, line, category_tensor, line_tensor = randomTrainingExample()
output = evaluate(line_tensor)
# 预测的类别以及下标
guess, guess_i = categoryFromOutput(output)
# 真实的类别的下标
category_i = all_categories.index(category)
# 在行为真实类别，列的猜测类别的位置加一
confusion[category_i][guess_i] += 1
# Normalize by dividing every row by its sum
for i in range(n_categories):
confusion[i] = confusion[i] / confusion[i].sum()
# Set up plot
fig = plt.figure()
ax = fig.add_subplot(111)
cax = ax.matshow(confusion.numpy())
fig.colorbar(cax)
# Set up axes
ax.set_xticklabels([''] + all_categories, rotation=90)
ax.set_yticklabels([''] + all_categories)
# Force label at every tick
ax.xaxis.set_major_locator(ticker.MultipleLocator(1))
ax.yaxis.set_major_locator(ticker.MultipleLocator(1))
# sphinx_gallery_thumbnail_number = 2
plt.show()
可以稍对此图进行一个分析，比如猜测哪种语言名的性能最好，从图中可以看出Greek相对应的点是最亮的，即次网络对Greek名字的预测性能是最好的。再比如English的猜测是最不准确的，几乎每一个横坐标对应的颜色都是一样的，也就是说喂入网络中一个英文名字，有可能猜测成任意语言而小概率能预测正确。
Step 7：Running on User Input
给定一个名字，输出相对应正确率前三的类别所属
def predict(input_line, n_predictions=3):
print('\n> %s' % input_line)
with torch.no_grad():
output = evaluate(lineToTensor(input_line))
# Get top N categories
topv, topi = output.topk(n_predictions, 1, True)
predictions = []
for i in range(n_predictions):
value = topv[0][i].item()
category_index = topi[0][i].item()
print('(%.2f) %s' % (value, all_categories[category_index]))
predictions.append([value, all_categories[category_index]])
predict('Dovesky')
predict('Jackson')
predict('Satoshi')
Out：
> Dovesky
(-0.36) Russian
(-1.75) Czech
(-3.24) English
> Jackson
(-0.80) Scottish
(-1.34) Greek
(-2.34) English
> Satoshi
(-1.10) Italian
(-1.54) Polish
(-1.81) Japanese
最终版本的代码将分为以下几个文件：
data.py（加载文件）model.py（定义 RNN）train.py（进行训练）predict.py（使用命令行参数运行predict()）server.py（通过bottle.py将预测用作 JSON API）
运行train.py训练并保存网络
使用名称运行predict.py以查看预测：
$ python predict.py Hazaki
(-0.42) Japanese
(-1.39) Polish
(-3.51) Czech
运行server.py并访问http://localhost:5533/Yourname以获取预测的 JSON 输出。
Exercises
除了上述所用的 nn.RNN 模型，尝试使用 nn.LSTM 和 nn.GRU 层来构建本项目
步骤和上述大致相同，只是更换一下网络的架构以及训练函数，这里就不在放代码了，可以看一下损失函数图
从图中可以看出，LSTM以及GRU的效果都是不如RNN的，原因就是我们现在的文本数据是人名，长度步长并且各个字母之前并无特定关联，因此无法发挥LSTM以及GRU的长距离捕捉语义信息关联的优势，在我们的实际任务当中，我们要通过对任务的分析以及实验的对比，选择出最适合的模型。
743
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
