正文共1468个字,15张图,预计阅读时间10分钟。
LSTM理解了,biLSTM其实也就很容易理解了。这个实验,我是根据黑龙家大学nlp实验室的冯志,王潜升师兄的指导以及一篇基于biLSTM的paper实现的,如果想要这个paper的pdf,可以私聊我,一起进步。
biLSTM是双向循环神经网络,简单的理解就是LSTM正向走一遍,又反向走了一遍而已。而对于立场检测这个实验,在这里我借用此论文的图片:
Stance Detection with Bidirectional Conditional Encoding
先说数据文本格式:
数据截图
前面是topic(图里的target),中间是针对这个topic的谈论文本,最后是这个文本在这个topic下的立场,格式简化为:
sentence = topic + text + label
而这里的topic有5种,分别为:
'Atheism', 'Feminist Movement', 'Hillary Clinton', 'Legalization of Abortion', 'Climate Change is a Real Concern'
而上面biLSTM网络流程图就是选取的topic为Legalization of Abortion的例子。
现在我来结合代码详细解释下这个基于biLSTM网络的立场检测实验:
首先,把网络搭建好:
其中,LSTM的参数隐藏层大小hiddenSize和隐藏层数量hiddenNum,我用上面的图详细解释下:
hiddenSize是说LSTM一个cell的参数大小,hiddenNum是说这样大网络循环的个数。
网络搭建好了,数据开始在网络中流动:
假设EmbedSize = 100,hiddenSize = 50
topic,text分别过Embedding Layer,维度分别为:(1,1,100),(1,17,100)
然后分别经过biLSTM Layer,维度为:(1,1,200),(1,17,200)
因为一会要经过一个maxPooling,所以现在先转置下,维度为(1,200,1),(1,200,17):
然后经过一个激活函数tanh,维度不变为(1,200,1),(1,200,17):
在第三维上,分别经过maxPooling,之后的维度为(1, 200, 1),(1, 200, 1):
然后cat在一起,维度为(1, 400, 1):
一会要经过线性层,可以先将没用的第三维扔掉,维度为(1, 400):
然后经过第一个线性层(400->100),维度为(1,100):
然后再经过一个tanh,维度不变(1,100):
最后,经过最后一个线性层(100->3),维度为(1,3):
你或许有疑问,为什么不直接经过一个线性层呢?因为我们要直接从400->3的话,信息会损失很多,如果分别经过两个400->100, 100->3,这样就不会损失那么多信息了,如果你想用三个线性层也可以,自己感觉调到最佳就好。
这个整体的数据流图为:
整个也就算讲完了,其实也想把实验结果摆上来的,可是我的电脑是4G的。。太慢了。。但是如果想要源代码的话,可以私聊我,共同进步。
原文链接:https://www.jianshu.com/p/ec8f424a8ea2
查阅更为简洁方便的分类文章以及最新的课程、产品信息,请移步至全新呈现的“LeadAI学院官网”:
www.leadai.org
请关注人工智能LeadAI公众号,查看更多专业文章
大家都在看
LSTM模型在问答系统中的应用
基于TensorFlow的神经网络解决用户流失概览问题
最全常见算法工程师面试题目整理(一)
最全常见算法工程师面试题目整理(二)
TensorFlow从1到2 | 第三章 深度学习革命的开端:卷积神经网络
装饰器 | Python高级编程
今天不如来复习下Python基础