使用Tensorflow搭建并训练TextCNN模型，对文本进行分类

最近有学习关于文本分类的深度学习模型，最先接触的就是TextCNN模型，该模型看起来非常简单效果也非常好，在此简单记录下整个模型的搭建以及训练过程。通过本博文，你可以自己搭建并训练一个简单的文本分类模型，本文的代码注释非常详细。

使用的开发环境：python3（Anaconda管理）、Tensorflow1.13.1

本文主要分为以下几个部分进行展开讲解：

（1）TextCNN原理

（2）模型的搭建

（3）训练数据的准备

（4）模型的训练

（5）知识点补充

 

TextCNN原理

如图所示，展示了整个textcnn的模型结构，主要流程可分为以下几步：

1）将中文文本通过embedding层转换为词向量，图中词向量以三维为例（例如“我”对应的是[0.2, 0.1, 0.3]词向量），在本文代码中采用的是64维。（本图中省略了将中文文本转换为对应词id的过程）

2）通过不同的滑动窗口进行卷积处理，图中以滑动窗口分别为2、3、4为例，并且每种滑动窗口的卷积核个数为2，实际使用过程中每种滑动窗口的卷积核个数可自己设定，本文代码中采用的是64。

3）对卷积操作生成的特征矩阵使用最大池化处理。

4）将池化后的特征矩阵进行拼接。

5）将特征矩阵进行扁平化或压缩维度，图中未绘制。

6）连接全连接层1

7）连接全连接层2，通过activation=softmax输出每个类别的概率

 

网络模型的搭建

在模型的搭建之前，我们先建立一个python项目，目录结构如图所示：

+testCnnProject
    +cnews
        -cnews.test.txt
        -cnews.train.txt
        -cnews.val.txt
        -cnews.vocab.txt
    +log
    -main.py
    -model.py
    -dataGenerator.py

其中的cnews文件夹先不用管在后面的数据准备中会进行讲解，log文件夹是用来存放我们训练过程中生成的tensorboard文件以及模型的权重，model.py是用来存放textcnn模型的文件，dataGenerator.py使用来生成数据的文件，main.py是该项目的入口用于调用训练模型。

下面我们开始在model.py文件中编写textcnn模型文件。

该模型使用的是tensorflow包中自带的keras模块，无需另外安装keras包，代码中有详细的注释，很好理解：

model.py

from tensorflow import keras

def text_cnn(seq_length, vocab_size, embedding_dim, num_cla, kernel_num):
    """
    seq_length: 输入的文字序列长度
    vocab_size: 词汇库的大小
    embedding_dim: 生成词向量的特征维度
    num_cla: 分类类别
    kernel_num:：卷积层的卷积核数
    """

    # 定义输入层
    inputX = keras.layers.Input(shape=(seq_length,), dtype='int32')
    # 嵌入层，将词汇的one-hot编码转为词向量
    embOut = keras.layers.Embedding(vocab_size, embedding_dim, input_length=seq_length)(inputX)

    # 分别使用长度为3，4，5的词窗口去执行卷积, 接着进行最大池化处理
    conv1 = keras.layers.Conv1D(kernel_num, 3, padding='valid', strides=1, activation='relu')(embOut)
    maxp1 = keras.layers.MaxPool1D(pool_size=int(conv1.shape[1]))(conv1)

    conv2 = keras.layers.Conv1D(kernel_num, 4, padding='valid', strides=1, activation='relu')(embOut)
    maxp2 = keras.layers.MaxPool1D(pool_size=int(conv2.shape[1]))(conv2)

    conv3 = keras.layers.Conv1D(kernel_num, 5, padding='valid', strides=1, activation='relu')(embOut)
    maxp3 = keras.layers.MaxPool1D(pool_size=int(conv3.shape[1]))(conv3)

    # 合并三个经过卷积和池化后的输出向量
    combineCnn = keras.layers.Concatenate(axis=-1)([maxp1, maxp2, maxp3])
    # 扁平化
    flatCnn = keras.layers.Flatten()(combineCnn)

    # 全连接层1，节点数为128
    desen1 = keras.layers.Dense(128)(flatCnn)
    # 在全连接层1和2之间添加dropout减少训练过程中的过拟合，随机丢弃25%的结点值
    dropout = keras.layers.Dropout(0.25)(desen1)
    # 为全连接层添加激活函数
    densen1Relu = keras.layers.ReLU()(dropout)
    # 全连接层2（输出层）
    predictY = keras.layers.Dense(num_cla, activation='sofmax')(densen1Relu)

    # 指定模型的输入输出层
    model = keras.models.Model(inputs=inputX, ouputs=predictY)
    # 指定loss的计算方法，设置优化器，编译模型
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

    return model

训练文件的准备

简单介绍下数据集，数据集包含十个类别，每个文本对应一个一类。网上找的，具体来源不详。

网盘地址：https://pan.baidu.com/s/1w452Z5eXbQSDQfgEBNUdlg ，提取密码：8cwv

该数据集大概有66M，其中有4个文件：

cnews.train.txt （包含50000个文本，每行代表一个文本，最前面是该文本对应的标签，标签与文本之间用制表符隔开）

cnews.test.txt  （包含10000个测试文本，格式与trian相同）

cnews.eval.txt （包含5000个验证文本，格式与train相同）

cnews.vocab.txt （包含一个分词词典，其实就是一个字典，并没有进行分词处理） 

下载好后按照之前讲的文件结构放好文件，接着在dataGenerator.py文件中编写用于生成数据的代码：

dataGenerator.py

from tensorflow import keras
from sklearn.preprocessing import LabelEncoder
import random

def content2idList(content, word2id_dict):
    """
    该函数的目的是将文本转换为对应的汉字数字id
    content：输入的文本
    word2id_dict：用于查找转换的字典
    """
    idList = []
    for word in content:  # 遍历每一个汉字
        if word in word2id_dict:  # 当刚文字在字典中时才进行转换，否则丢弃
            idList.append(word2id_dict[word])
    return idList

def generatorInfo(batch_size, seq_length, num_classes, file_name):
    """
    batch_size：生成数据的batch size
    seq_length：输入文字序列长度
    num_classes：文本的类别数
    file_name：读取文件的路径
    """
    # 读取词库文件
    with open('./cnews/cnews.vocab.txt', encoding='utf-8') as file:
        vocabulary_list = [k.strip() for k in file.readlines()]
    word2id_dict = dict([(b, a) for a, b in enumerate(vocabulary_list)])

    # 读取文本文件
    with open(file_name, encoding='utf-8') as file:
        line_list = [k.strip() for k in file.readlines()]
        data_label_list = []   # 创建数据标签文件
        data_content_list = []   # 创建数据文本文件
        for k in line_list:
            t = k.split(maxsplit=1)
            data_label_list.append(t[0])
            data_content_list.append(t[1])
    
    data_id_list = [content2idList(content, word2id_dict) for content in data_content_list]  # 将文本数据转换拿为数字序列
    # 将list数据类型转换为ndarray数据类型，并按照seq_length长度去统一化文本序列长度，
    # 若长度超过设定值将其截断保留后半部分，若长度不足前面补0
    data_X = keras.preprocessing.sequence.pad_sequences(data_id_list, seq_length, truncating='pre')  
    labelEncoder = LabelEncoder()
    data_y = labelEncoder.fit_transform(data_label_list)  # 将文字标签转为数字标签
    data_Y = keras.utils.to_categorical(data_y, num_classes)  # 将数字标签转为one-hot标签

    while True:
        selected_index = random.sample(list(range(len(data_y))), k=batch_size)   # 按照数据集合的长度随机抽取batch_size个数据的index
        batch_X = data_X[selected_index]  # 随机抽取的文本信息（数字化序列）
        batch_Y = data_Y[selected_index]  # 随机抽取的标签信息（one-hot编码）
        yield (batch_X, batch_Y)  
        

 

网络模型的训练

现在我们的训练数据已经准备到位，模型也已经搭建完成，接着我们开始训练模型：

main.py

from model import text_cnn
from dataGenerator import generatorInfo
from tensorflow import keras

vocab_size = 5000  # 词汇库大小
seq_length = 600   # 输入文本序列长度
embedding_dim = 64  # embedding层输出词向量维度
num_classes = 10  # 分类类别
kernel_num=64  # 卷积核数
trianBatchSize = 64  # 训练时的batch size
evalBatchSize = 200  # 验证时的batch size
steps_per_epoch = 50000 // trianBatchSize   # 一个epoch对应的训练步数
epoch = 2  # 训练的epoch数
logdir = './log'  # tensorbard训练信息以及train_weights的保存位置
trainFileName = './cnews/cnews.train.txt'  # 训练文件的路径
evalFileName = './cnews/cnews.test.txt'  # 验证文件的路径

model = text_cnn(seq_length=seq_length,  # 初始化模型
                 vocab_size=vocab_size,
                 embedding_dim=embedding_dim,
                 num_cla=num_classes,
                 kernel_num=kernel_num)

trainGenerator = generatorInfo(trianBatchSize, seq_length, num_classes, trainFileName)  
evalGenerator = generatorInfo(evalBatchSize, seq_length, num_classes, evalFileName)

def lrSchedule(epoch):  # 自定义学习率变化
    lr = keras.backend.get_value(model.optimizer.lr)
    if epoch % 1 == 0 and epoch != 0:
        lr = lr * 0.5
    return lr

log = keras.callbacks.TensorBoard(log_dir=logdir, update_freq='epoch')   # 调用tensorboard
reduceLr = keras.callbacks.LearningRateScheduler(lrSchedule, verbose=1)   # 调用自定义学习率函数

model.fit_generator(generator=trainGenerator,  
                    steps_per_epoch=steps_per_epoch,
                    epochs=epoch,
                    validation_data=evalGenerator,
                    validation_steps=10,
                    callbacks=[log, reduceLr])
model.save_weights(logdir + 'train_weights.h5')        

知识点补充

首先说下我个人理解的文本分类整个完整流程：

（1）使用类似jieba的中文分词库对整个训练集进行中文分词

（2）统计词汇的出现评率，删除部分低频词

（3）根据禁用词库滤除禁用词

（4）根据生成的词库对训练集进行分词处理，只保留词库中已有的词汇，词汇之间用空格隔开

（5）分词后使用word2vec训练词向量模型（该步骤是可选项，可以不做）

（6）搭建文本训练模型，例如TextCNN（若进行了第五步操作，使用训练好的词向量weights初始化embdding层参数）

（7）训练模型，调参有更高的需求的可以改进模型