【NLP】文本分类TextCNN

一、理论

二、代码

TextRNN（tf2.0实现，主要使用其中的keras包）

from tensorflow.keras.layers import Dense, Embedding, Conv1D, Dropout,
　　　　　　　　　　　　　　　　Flatten, MaxPooling1D, Input,concatenate
### 输入。
#shape:(句子长度,)。
##这一步的过程：假设180000个句子数据集，句子长度32，
数据需处理成这种形状再，32个词用词典中的索引(数字)表示，再输入网络。此时数据为(180000,32) 。
###
main_input = Input(shape=(sentence_len,), dtype=‘float64’)
　
### embedding层。
#vocab_size：词典大小，embedding_dim：embedding维度，input_length：句子长度（如果是使用该数据集预训练了词向量，则增加weights=[预训练的词向量矩阵]，再加上trainable=False表示不再训练词向量）。
##这一步的过程：假设每批64个样本，句子长度32个词，词典大小为10000，embed300；这一步内部会先把180000个句子数据集分成每批64个样本(64,)，再建立一个符合正态分布的随机矩阵(10000,300)，然后每句话(即根据词典用数字表示的每句话，32个数字)从10000中选择各自的embed，得到的(32,300)，然后结合。
此时数据为如(64,32,300)。
###
embed = Embedding(vocab_size, embedding_dim,
　　　 　　　 　　　　input_length=sentence_len)(main_input)
　
###卷积层和pooling层。
Conv1D(num_filters, 3, padding=‘same’, strides=1, activation=‘relu’)(embed)
MaxPooling1D(pool_size=2)(cnn1)
Conv1D(num_filters, 4, padding=‘same’, strides=1, activation=‘relu’)(embed)
MaxPooling1D(pool_size=2)(cnn1)
Conv1D(num_filters, 5, padding=‘same’, strides=1, activation=‘relu’)(embed)
MaxPooling1D(pool_size=2)(cnn1)
　
###合并三个模型输出量，并铺平
cnn = concatenate([cnn1, cnn2, cnn3], axis=-1)
flat = Flatten()(cnn)
　
###Dropout层。
#dropout：0~1之间取值，如0.5则这一轮50%的数据不参与更新
drop = Dropout(dropout)(flat)
　
###Dense层输出预测结果。　
#num_classes：分类的数量，如5个文本类型则是5
main_output = Dense(num_classes, activation=‘softmax’)(drop)
　
###这种建立模型方式的特定用法
model = tf.keras.Model(inputs=main_input, outputs=main_output)
　
###模型编译（损失函数、优化器、监视）
model.compile(loss=‘categorical_crossentropy’, optimizer=‘adam’, metrics=[‘accuracy’])
###查看模型
model.summary()
###训练模型（传入训练集、验证集、每轮的数据量、完整数据集训练多少次）
history = model.fit(x=train_x,y=train_y,
　　　　　　　　　validation_data=(dev_x, dev_y ),
　　　　　　　　　batch_size=512,
　　　　　　　　　epochs=10)
　
　
为什么使用Conv1D？

• 一个句子embed,后是(32,300)，kernel_size设为3、4、5，卷积步长为1，卷积核数设为256个。
• 卷积的时候实际是以(3,300)、(4,300)、(5,300)进行卷积，所以Conv1D的kernel的shape为(3,300,256)、(4,300,256)、(5,300,256)（分别256个组合起来了）
  等同于使用神经网络进行了n_gram=3的特征提取了，也就是经过Conv1D后得到的结果为(32,256)
  因此使用卷积神经网络处理文本会非常快速有效。

使用Conv2D也可做

• 但得把embed后的句子reshape成(32,300,1)，kernel_size则设为(3,300)、(4,300)、(5,300)。（其实"1"就类比图像中的channel，在序列中channel为1，图像为3(RGB）
• Conve2D的kernel的shape为(3,300,1,256)、(4,300,1,256)、(5,300,1,256)，得到的结果为(32,1,256)