上一篇文章介绍了LSTM的相关基础知识,大家认真阅读后再来看实战会有较好的效果
目录
1.数据处理:
batchsz = 128 # 批量大小
total_words = 10000 # 词汇表大小N_vocab
max_review_len = 80 # 句子最大长度s,大于的句子部分将截断,小于的将填充
embedding_len = 100 # 词向量特征长度f
# 加载IMDB数据集,此处的数据采用数字编码,一个数字代表一个单词
(x_train, y_train), (x_test, y_test) = keras.datasets.imdb.load_data(num_words=total_words)
print(x_train.shape, len(x_train[0]), y_train.shape)
print(x_test.shape, len(x_test[0]), y_test.shape)
x_train[0]
# 数字编码表
word_index = keras.datasets.imdb.get_word_index()
word_index = {k:(v+3) for k,v in word_index.items()}
word_index["<PAD>"] = 0 #填充标志
word_index["<START>"] = 1 #起始标志
word_index["<UNK>"] = 2 # 未知单词标志
word_index["<UNUSED>"] = 3 #暂未使用
# 翻转编码表
reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])
此处LSTM仍然使用IMDB数据集,直接下载即可。
词汇表的大小为10000,即可以识别不同的10000个单词。设置句子最大长度为80,截断与填充后面有函数实现,到后面再讲。此处的重点是数据的编码表,如果你查看编码表会发现是以单词为索引,值为数字ID,和我们预期的不符;我们需要的是以ID为索引,以单词为值,并为id添加特殊的标志位。
2.构建输入数据:
def decode_review(text):
return ' '.join([reverse_word_index.get(i, '?') for i in text])
我们可以通过该函数将以数字编码的句子转化为字符串数据。
3.数据集的构建:
x_train = keras.preprocessing.sequence.pad_sequences(x_train, maxlen=max_review_len)
x_test = keras.preprocessing.sequence.pad_sequences(x_test, maxlen=max_review_len)
db_train = tf.data.Dataset.from_tensor_slices((x_train, y_train))
db_train = db_train.shuffle(1000).batch(batchsz, drop_remainder=True)
db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test))
db_test = db_test.batch(batchsz, drop_remainder=True)
print('x_train shape:', x_train.shape, tf.reduce_max(y_train), tf.reduce_min(y_train))
print('x_test shape:', x_test.shape)
已经在上面因如果数据集,这里对数据集进行优化,便于后面使用。截断和填充句子,使句子都等长,长句子保留后面的,短句子在前面填充。训练集和测试集都进行同样的操作,并将其都变为数据集对象,打乱;进行分批处理要注意drop_remainder,为true的时候表示丢掉最后一个分批,因为它的大小会小于正常分批大小。
4.自定义模型类MyRNN:
class MyRNN(keras.Model):
# Cell方式构建多层网络
def __init__(self, units):
super(MyRNN, self).__init__()
# 词向量编码 [b, 80] => [b, 80, 100]
self.embedding = layers.Embedding(total_words, embedding_len,
input_length=max_review_len)
# 构建RNN
self.rnn = keras.Sequential([
layers.LSTM(units, dropout=0.5, return_sequences=True),
layers.LSTM(units, dropout=0.5)
])
# 构建分类网络,用于将CELL的输出特征进行分类,2分类
# [b, 80, 100] => [b, 64] => [b, 1]
self.outlayer = Sequential([
layers.Dense(32),
layers.Dropout(rate=0.5),
layers.ReLU(),
layers.Dense(1)])
对多层网络进行构建,最先是enbedding层,目的是实现单词的向量化,设定单词向量长度为100,因此经过embedding层后输出为[批,80,100]。
接着构建RNN网络:此处直接使用LSTM,在内部实现多层Cell。units是经过RNN变换后的单词向量长度,设置dropout是防止过拟合,return_sequences为true表明中间层的输出也要输出出来,末层直接作为整个网络的输出了。最终输出为[批,units]。
在这里简单介绍一下dropout:是为了防止过拟合而出现的,它可以作为一个单独的层而出现,具体内容为:在训练的时候有p的概率断开某条连接,以减少实际参与计算的模型数量,而在最终的测试时不予断开,以最好的性能性能参与测试。如此一来可以减少过拟合,提高泛化能力。个人觉得dropout层是为了对神经网络进行优化,而不是必不可少的。
情感分类是一个二分类问题,因此最终经过全连接层只要一个输出就行。
def call(self, inputs, training=None):
x = inputs # [b, 80]
# embedding: [b, 80] => [b, 80, 100]
x = self.embedding(x)
# rnn cell compute,[b, 80, 100] => [b, 64]
x = self.rnn(x)
# 末层最后一个输出作为分类网络的输入: [b, 64] => [b, 1]
x = self.outlayer(x,training)
# p(y is pos|x)
prob = tf.sigmoid(x)
return prob
embedding层规定输入长度为80,并且我们之前对数据集进行了长度规定,因此输入就是[批,80],经过embedding层变为[批,80,100],经过两次RNN得到[批,64],经过全连接层得到输入了一个training,表示是训练集,dropout起作用,输出为[批,1]。最终输出经过sigmoid函数激活得到概率。
大家在学习神经网络相关内容时要注意每层输入是什么形状,输出是什么形状的,这至关重要。
关于LSTMCell的基本内容和SimpleCell类似,只不过封装函数改变了,原理并未改变,甚至包括后续的GRUCell,在原理上都是类似的,大家要学习的是不同方法的具体内涵与思想。
有关Cell的讲解与介绍参照
机器学习-循环神经网络情感分类问题(二)_weixin_46737548的博客-CSDN博客
5.主函数:
def main():
units = 32 # RNN状态向量长度f
epochs = 50 # 训练epochs
model = MyRNN(units)
# 装配
model.compile(optimizer = optimizers.Adam(0.001),
loss = losses.BinaryCrossentropy(),
metrics=['accuracy'])
# 训练和验证
model.fit(db_train, epochs=epochs, validation_data=db_test)
# 测试
model.evaluate(db_test)
if __name__ == '__main__':
main()
给定RNN状态向量长度,训练轮次数。compile()表示装配过程:函数指定网络使用的优化器对象、损失函数类型,评价指标等。模型装配完成后,即可通过 fit()函数送入待训练的数据集和验证用的数据集,这一步称为模型训练。evaluate():模型测试,测试在 db_test 上的性能表现.