任务:
- 卷积运算的定义、动机(稀疏权重、参数共享、等变表示)。一维卷积运算和二维卷积运算。
- 反卷积(tf.nn.conv2d_transpose)
- 池化运算的定义、种类(最大池化、平均池化等)、动机。
- Text-CNN的原理。
- 利用Text-CNN模型来进行文本分类。
文本分类实现数据集处理流程图
-
数据处理步骤+每一步处理的目的如下图所示:
- 数据处理部分实现
- 读数据
其中数据是已经jiebe分词+去停用词后的结果
def read_file(path):
with open(path, 'r', encoding="UTF-8") as f:
data = []
labels = []
for line in f:
if line.split('\t')[1] == '':
continue
data.append(line.split('\t')[0])
labels.append(line.split('\t')[1])
return data, labels
# 读文件
data, labels = read_file('E:/task6/merge.txt')
- 利用tokenizer将文字转换为数字特征
- 将文字转换为数字特征要将整个数据集放入,这样保证训练集、验证集、测试集文字编码一致
- 其中同时返回对应单词和数字的映射关系,以便在转化词向量过程中获取词向量列表
def get_tokenizer(data):
tokenizer = Tokenizer(num_words=None)
tokenizer.fit_on_texts(data)
text_seq = tokenizer.texts_to_sequences(data)
# 对应的单词和数字的映射关系
word_index = tokenizer.word_index
index_word = tokenizer.index_word
return word_index, index_word, text_seq
# 利用tokenizer将文字转换为数字特征
word_index, index_word, X_train_text_seq = get_tokenizer(data)
- FastText Embedding
def get_fasttext_voc(data, word_index):
'''
利用fasttext获取词向量
'''
fasttext_model = FastText([data],
size=FASTEXT_SIZE, # 需要学习的嵌入大小(默认为100)
window=3, # 上下文窗口大小(默认5)
min_count=1, # 忽略出现次数低于此值的单词(默认值5)
iter=10, # epoch(默认5)
min_n = 3, # char ngram的最小长度(默认值3)
max_n = 6, # char ngram的最大长度(默认值6)
word_ngrams = 0) # 如果为1,使用子单词(n-grams)信息丰富单词向量。如果是0,这就相当于Word2Vec
# 获取词向量列表
wordEmbedding = np.zeros((len(word_index) + 1, FASTEXT_SIZE))
for word, i in word_index.items():
if word in fasttext_model:
wordEmbedding[i] = fasttext_model[word]
return wordEmbedding
# fasttext embedding
wordEmbedding = get_fasttext_voc(data, word_index)
- 让每个文本长度相同
# 让每个文本长度相同
X_train_text_seq = pad_sequences(X_train_text_seq, maxlen=LEN_WORDS, padding='post', truncating='post')
- 划分数据集
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X_train_text_seq,
labels,
test_size = 0.2,
random_state=33)
- 对类别变量编码
def get_label_num(data):
data = [i.replace('\n', '') for i in data]
y_labels = list(set(data))
le = preprocessing.LabelEncoder()
le.fit(y_labels)
num_labels = len(y_labels)
data_labels = to_categorical([le.transform([x])[0] for x in data], num_labels)
return data_labels
# 对类别变量编码
y_train_label = get_label_num(y_train)
y_test_label = get_label_num(y_test)
CNN
实现基础版CNN:
LeNet-5 是卷积神经网络的作者Yann LeCun用于MNIST识别任务提出的模型。模型很简单,就是卷积池化层的堆叠,最后加上几层全连接层。将其运用在文本分类任务中。
其中模型结构如下所示:
实现过程如下:
def model_CNN(X_train, X_test, y_train, y_test, index_word, embedding_matrix):
'''
模型结构:
嵌入层:将词编码数据转换为固定尺寸的稠密向量,同时把词向量矩阵加载到Embedding层
卷积池化层:256 * 3 * 3
卷积池化层:128 * 3 * 3
Dropout:0.1
BatchNormalization: 批量标准化层,在每一个批次的数据中标准化前一层的激活项
全连接:256,'relu'
分类器:2, 'softmax'
'''
model = Sequential()
model.add(Embedding(len(index_word) + 1, # imput_dim: 词汇表大小,即最大整数index+1
FASTEXT_SIZE, # output_dim: 词向量的维度
weights=[embedding_matrix], # 加载词向量矩阵
input_length=LEN_WORDS, # input_lenth: 输入序列的长度
trainable=False)) # 设置trainable=False使得这个编码层不可再训练
# filters:输出空间的维度,kernel_size: 1D 卷积窗口的长度,padding:"same" 表示填充输入以使输出具有与原始输入相同的长度
model.add(Conv1D(256, 3, padding='same'))
# pool_size:最大池化的窗口大小, strides:作为缩小比例的因数
model.add(MaxPooling1D(3, 3, padding='same'))
model.add(Conv1D(128, 3, padding='same'))
model.add(MaxPooling1D(3, 3, padding='same'))
model.add(Conv1D(64, 3, padding='same'))
model.add(Flatten())
# rate: 在 0 和 1 之间浮动。需要丢弃的输入比例
model.add(Dropout(0.1))
model.add(BatchNormalization())
# units: 正整数,输出空间维度
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(2, activation='softmax'))
# 配置训练模型
model.compile(loss='categorical_crossentropy', # 表示目标应该是分类格式的
optimizer='adam', # 随机优化的一种方法
metrics=['accuracy'] # 模型评估标准
)
# 给定数量的迭代训练模型
model.summary()
model.fit(X_train, y_train,
batch_size=32,
epochs=15,
validation_data=(X_test, y_test))
Text-CNN
- 原理
Yoon Kim在2014年 “Convolutional Neural Networks for Sentence Classification” 论文中提出TextCNN(利用卷积神经网络对文本进行分类的算法)论文翻译版,其中网络结构如下所示:
假设我们有一些句子需要对其进行分类。句子中每个词是由n维词向量组成的,也就是说输入矩阵大小为m*n,其中m为句子长度。CNN需要对输入样本进行卷积操作,对于文本数据,filter不再横向滑动,仅仅是向下移动,有点类似于N-gram在提取词与词间的局部相关性。图中共有三种步长策略,分别是2,3,4,每个步长都有两个filter(实际训练时filter数量会很多)。在不同词窗上应用不同filter,最终得到6个卷积后的向量。然后对每一个向量进行最大化池化操作并拼接各个池化值,最终得到这个句子的特征表示,将这个句子向量丢给分类器进行分类,至此完成整个流程。
其中每个层的作用,参照:https://blog.csdn.net/asialee_bird/article/details/88813385
模型结构如下所示:
实现过程如下:
def model_TextCNN(X_train, X_test, y_train, y_test, index_word, embedding_matrix):
'''
模型结构:
词嵌入,
卷积池化 * 3:256 * 3 * 4
拼接三个模型的输出向量,
全连接,
Dropout,
全连接
'''
# shape: 一个尺寸元组(整数)表明期望的输入是按批次的LEN_WORDS维向量
main_input = Input(shape=(LEN_WORDS, ), dtype='float32')
embed = Embedding(len(index_word) + 1,
FASTEXT_SIZE,
weights=[embedding_matrix],
input_length=LEN_WORDS,
trainable=False)(main_input)
# 词窗大小分别为3,4,5
# strides指明卷积的步长
cnn1 = Conv1D(256, 3, padding='same', strides=1, activation='relu')(embed)
cnn1 = MaxPooling1D(pool_size=4)(cnn1)
cnn2 = Conv1D(256, 4, padding='same', strides=1, activation='relu')(embed)
cnn2 = MaxPooling1D(pool_size=4)(cnn2)
cnn3 = Conv1D(256, 5, padding='same', strides=1, activation='relu')(embed)
cnn3 = MaxPooling1D(pool_size=4)(cnn3)
# 合并三个模型的输出向量
cnn = concatenate([cnn1,cnn2,cnn3], axis=-1)
flat = Flatten()(cnn)
drop = Dropout(0.1)(flat)
main_output = Dense(2, activation='softmax')(drop)
model = Model(inputs=main_input, output=main_output)
# 配置训练模型
model.compile(loss='categorical_crossentropy', # 表示目标应该是分类格式的
optimizer='adam', # 随机优化的一种方法
metrics=['accuracy'] # 模型评估标准
)
# 给定数量的迭代训练模型
model.summary()
model.fit(X_train, y_train,
batch_size=32,
epochs=15,
validation_data=(X_test, y_test))
完整代码见:github
参考资料:
- TextCNN文本分类(keras实现)