通俗易懂的TextCNN

前言：了解TextCNN，看这一篇就够了。

一、TextCNN详解

1、TextCNN是什么

  我们之前提到CNN时，通常会认为属于CV领域，是用于解决计算机视觉方向问题的模型，但是在2014年，Yoon Kim针对CNN的输入层做了一些变形，提出了文本分类模型TextCNN。与传统图像的CNN网络相比，TextCNN 在网络结构上没有任何变化(甚至更加简单了)，从图1可以看出TextCNN 其实只有一层卷积，一层max-pooling，最后将输出外接softmax来n分类。

【图1：TextCNN网络结构】

  与图像当中CNN的网络相比，textCNN 最大的不同便是在输入数据的不同：图像是二维数据，图像的卷积核是从左到右，从上到下进行滑动来进行特征抽取。自然语言是一维数据，虽然经过word embedding生成了二维向量，但是对词向量做从左到右滑动来进行卷积没有意义。比如 “今天” 对应的向量[0, 0, 0, 0, 1]，按窗口大小为 1* 2 从左到右滑动得到[0,0]，[0,0]，[0,0]，[0, 1]这四个向量，对应的都是"今天"这个词汇，这种滑动没有帮助。

  TextCNN的成功，不是网络结构的成功，而是通过引入已经训练好的词向量来在多个数据集上达到了超越benchmark的表现，进一步证明了构造更好的embedding，是提升nlp各项任务的关键能力，后面会专门讲解目前流行的embedding算法。

2、TextCNN 的优势

• TextCNN最大优势网络结构简单 ,在模型网络结构如此简单的情况下，通过引入已经训练好的词向量依旧有很不错的效果，在多项数据数据集上超越benchmark。
• 网络结构简单导致参数数目少, 计算量少, 训练速度快，在单机单卡的v100机器上，训练165万数据, 迭代26万步，半个小时左右可以收敛。

3、TextCNN 的网络计算原理

• 输入层（Embedding层）
  输入层的作用就是将输入文本切词后，通过词向量文件及词向量矩阵，将文本向量化，支持后续进行卷积池化等操作。具体来说，分为以下几步：
  • 文本切词
    通过jieba分词等工具，将输入文本切分为若干个词。例如“今天晚上吃什么呢”，分词后变为【“今天”, “晚上”, “吃”, “什么”, “呢”】。除了文本输入时，需要进行切词，接下来要介绍的词向量，在构建词向量文件时，也需要进行切词操作。
  • 词向量矩阵初始化
    先简要介绍下词向量文件及词向量矩阵。词向量文件的表现形式，是以离线配置文件的形式存在的，通常是json文件，代码中加载后以dict形式存在，如{"的": 1, "是": 2, ……}，词向量文件的作用是，在对输入文本进行切词后，需要获取每个词的向量表征，则先通过词向量文件获取词对应的索引，再通过索引在词向量矩阵中获取词的向量表征。这时再理解词向量矩阵，就简单多了，词向量矩阵的作用，是用于获取输入文本的向量表征，说的通俗点，就是用向量将文本表现出来，以用于模型中的数值计算（例如后续的卷积、池化等操作）。词向量矩阵的每一行，是某个词对应的向量，也就是说，我们通过词向量文件中的索引，可以在词向量矩阵中获取词的向量表征。再简单介绍下词向量矩阵及词向量文件生成的两种方式。
    • 随机初始化词向量矩阵：这种方式很容易理解，就是使用self.embedding = torch.nn.Embedding(vocab_size, embed_dim)命令直接随机生成个初始化的词向量矩阵，此时的向量值符合正态分布N(0,1)，这里的vocab_size是指词向量矩阵能表征的词的个数，这个数值即是词向量文件中词的数量加1（加1的原因是，如果某个词在词向量文件中不存在，则获取不到索引，也就无法在词向量矩阵中获取对应的向量，这时我们默认这个词的索引为0，即将词向量的第一行作为这个词的向量表征。使用预训练的词向量文件时，这个方法同样适用），embed_dim是指表征每个词时，向量的维度（可自定义，如256）。对于随机初始化词向量矩阵的方式，词向量文件的生成方式一般是将当前所有的文本数据（包括训练数据、验证数据、测试数据）进行切词，再对所有词进行聚合统计，保留词的数量大于某个阈值（比如3）的词，并进行索引编号（编号从1开始，0作为上面提到的不在词向量文件中的其他词的索引），进而生成词向量文件。顺便提一句，词向量矩阵的初始化的方式也有很多种，比如Xavier、Kaiming初始化方法。
    • 使用预训练的词向量文件初始化词向量矩阵：本质上，词向量矩阵的作用是实现文本的向量表征，因此，如何用更合适的向量表示文本，逐渐成为了一个热门研究方向。预训练的词向量文件便是其中的一个研究成果，如通过word2vec、glove等预训练模型生成的词向量文件，通过大量的训练数据，来生成词的向量表征。以word2vec为例，训练后生成的词向量文件是以离线配置文件的形式存在，可通过gensim工具包进行加载，具体命令是wvmodel = gensim.models.KeyedVectors.load_word2vec_format(word2vec_file, binary=False, encoding='utf-8', unicode_errors='ignore')，加载后，可通过wvmodel.key_to_index获取词向量文件（要对词向量文件中的词索引进行重新编号，原索引从0开始，调整为从1开始，0作为不在词向量文件中的词的索引），通过wvmodel.get_vector("xxx")获取词向量文件中每个词对应的向量，将词向量文件中所有词对应的向量聚合在一起后（聚合的方式是，每个词的向量表征，按照词的索引，填充在词向量矩阵对应的位置），生成预训练词向量矩阵weight，再通过self.embedding = torch.nn.Embedding.from_pretrained(weight, freeze=False)完成词向量矩阵的初始化，参数freeze的作用，是指明训练时是否更新词向量矩阵的权重值，True为不更新，默认为True，等同于self.embedding.weight.requires_grad = False）。
      
        还有个细节需要介绍下，在获取到预训练的词向量文件后，由于预训练的词向量文件很大，因此在后续的训练过程中，可能会出现内存不足的错误，此时可对词向量文件及预训练词向量矩阵进行调整，具体来说，先对我们本身任务的所有文本数据进行切词统计，保留数量超过一定阈值的词，作为词向量文件（就是随机初始化词向量矩阵时，词向量文件的生成方法），再利用这个词向量文件，配合wvmodel.get_vector("xxx")，获取预训练词向量矩阵weight，最后进行后续的词向量矩阵初始化过程。这样操作之后，由于词向量文件中词的数量减少，词向量矩阵的行数减少，内存占用会随之减少很多。另外，生成词向量的预训练方法还有很多，参见【通俗易懂的词向量】。
  • 输入文本向量化
    经过上述两步，输入文本已经完成分词，且词向量矩阵也完成初始化，这时便可对输入文本进行向量化操作，总结下，会根据文本切词后，每个词在词向量文件中的索引，确定这个词在词向量矩阵中的位置，从而获取这个词的向量表征，最终组合出输入文本的向量表征，即输入文本对应的向量矩阵，这个矩阵的列数和词向量矩阵的列数一致，行数不固定了，依赖于文本切词后词的数量。
• 卷积层
  卷积层与传统CV领域的卷积处理模块没有太大区别，这里我们着重介绍一些需要注意的细节。
  • 通道（channel）：在传统CV领域，可以利用 (R, G, B) 作为不同channel，通道个数一般为3个。在使用TextCNN做分类时，通道个数一般是一个。其实也可以采用多channel输入，TextCNN的多channel通常是不同方式的embedding方式（比如 word2vec或glove），实践中也有利用静态词向量和fine-tunning词向量作为不同channel的做法。但是实验证明，单channel 的TextCNN 表现都要优于多channels的TextCNN，如图2所示。
    
    我们在这里也介绍一下四个model 的不同：
    a、CNN-rand（随机词向量）
    指定词向量的维度embedding_size后，文本分类模型对不同单词的向量作随机初始化, 后续有监督学习过程中，通过BP的方式更新输入层的各个词汇对应的词向量。
    b、CNN-static（静态词向量）
    使用预训练的词向量，即利用word2vec、fastText或者Glove等词向量工具，在开放领域数据上进行无监督的学习，获得词汇的具体词向量表示方式，拿来直接作为输入层的输入，并且在TextCNN模型训练过程中不再调整词向量， 这属于迁移学习在NLP领域的一种具体的应用。
    c、CNN-non-static（非静态词向量）
    预训练的词向量+ 动态调整 , 即拿word2vec训练好的词向量初始化, 训练过程中再对词向量进行微调。
    d、multiple channel（多通道）
    借鉴图像中的RGB三通道的思想， 这里也可以用 static 与 non-static 两种词向量初始化方式来搭建两个通道。
  • 卷积计算
    TextCNN的卷积计算和CV领域的卷积计算略有不同，主要体现在卷积核的形状大小上，TextCNN的卷积核大小，行数可自定义（如2、3、4等），列数要和词向量矩阵的列数相同，因为词向量矩阵的每一行表征一个词，只有两者列数相同，卷积核才能提取每一个词的完整信息。卷积核的列数少于词向量矩阵的列数，提取信息不完整，没意义。而传统CV的卷积核列数也可自定义。另外和传统CV一致，卷积核的个数也可自定义。

【图2：TextCNN实验】

• 池化层
  池化层也很容易理解，我们同样介绍一些细节。池化层的输入是卷积层的输出，卷积层输出的通道数m等于卷积核的数量，每个通道都是一列。池化的操作就是对这些输出通道进行池化计算，目前存在两种计算方式，平均池化和最大值池化。

  • 平均池化（average pooling）：平均池化就是对每个通道的所有数值求均值，torch.nn.functional.avg_pool1d命令即可实现。
  • 最大池化（max pooling）：最大池化就是对每个通道的所有数值求最大值，torch.nn.functional.max_pool1d命令即可实现。

  不管是平均池化还是最大池化，最终都会生成m个数值，将这m个数值拼接后，进入最后的全连接层。

• 全连接层
  根据池化层的输出和分类类别数量，构建全连接层，再经过softmax，得到最终的分类结果，torch.nn.Linear(input_num, num_class)即可定义全连接层，其中input_num是池化层输出的维数，即m，num_class是分类任务的类别数量。