机器学习-循环神经网络LSTM实战（三）

weixin_46737548

已于 2022-04-08 11:21:10 修改

阅读量786

点赞数

文章标签： python 机器学习 tensorflow 深度学习循环神经网络

于 2022-04-07 18:34:49 首次发布

本文链接：https://blog.csdn.net/weixin_46737548/article/details/124019327

版权

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

机器学习-循环神经网络LSTM理论知识（三）

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.