数据集文末分享。
模型:
做完padding之后,就可以转换为张量了。
bidirectional是是否使用双向RNN:
输出隐层两个:
代码:
import csv
import time
import matplotlib.pyplot as plt
import numpy as np
import math
import gzip # 用于读取压缩文件
import torch
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
from torch.nn.utils.rnn import pack_padded_sequence
# 一些超参数
HIDDEN_SIZE = 100
BATCH_SIZE = 256 # 一次训练的样本数,为256个名字
N_LAYER = 2 # RNN的层数
N_EPOCHS = 100
N_CHARS = 128 # ASCII码一共有128个字符
USE_GPU = True
# 构造数据集
class NameDataset(Dataset):
def __init__(self, is_train_set=True):
filename = 'D:\\code1\\vue1\\yolov5\\dataset\\names_train.csv.gz' if is_train_set else 'D:\\code1\\vue1\\yolov5\\dataset\\names_test.csv.gz'
with gzip.open(filename, 'rt') as f: # rt表示以只读模式打开文件,并将文件内容解析为文本形式
reader = csv.reader(f) #读数据
rows = list(reader) # rows是一个列表,每个元素是一个名字和国家名组成的列表。把csv中所有的行读进来
self.names = [row[0] for row in rows] # 一个很长的列表,每个元素是一个名字,字符串,长度不一,需要转化为数字(name,language)
self.len = len(self.names) # 训练集:13374 测试集:6700.记录样本数量
self.countries = [row[1] for row in rows] # 一个很长的列表,每个元素是一个国家名,字符串,需要编码成数字
# 下面两行的作用其实就是把国家名编码成数字,因为后面要用到交叉熵损失函数
self.country_list = list(sorted(set(self.countries))) # 列表,按字母表顺序排序,去重后有18个国家名。set变为集合,去重
self.country_dict = self.getCountryDict() # 字典,key是国家名,value是country_list的国家名对应的索引(0-17)
self.country_num = len(self.country_list) # 18
# 根据样本的索引返回姓名和国家名对应的索引,可以理解为(特征,标签),但这里的特征是姓名,后面还需要转化为数字,标签是国家名对应的索引
def __getitem__(self, index):
return self.names[index], self.country_dict[self.countries[index]]
# 返回样本数量
def __len__(self):
return self.len
# 返回一个key为国家名和value为索引的字典
def getCountryDict(self):
country_dict = dict() # 空字典
for idx, country_name in enumerate(self.country_list):#遍历
country_dict[country_name] = idx #构建键值对
return country_dict
# 根据索引(标签值)返回对应的国家名
def idx2country(self, index):
return self.country_list[index]
# 返回国家名(标签类别)的个数,18
def getCountriesNum(self):
return self.country_num
# 实例化数据集
trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True) #构造加载器。batch_size=256
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=False)
N_COUNTRY = trainset.getCountriesNum() # 18个国家名,即18个类别。决定最终输出维度
# 设计神经网络模型
class RNNClassifier(torch.nn.Module): #模型设计
def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):#“bidirectional”
super(RNNClassifier, self).__init__()
self.hidden_size = hidden_size # 隐含层的大小,100
self.n_layers = n_layers # RNN的层数,2
self.n_directions = 2 if bidirectional else 1 # 是否使用双向RNN
# 词嵌入层:input_size是输入的特征数(即不同词语的个数),即128;embedding_size是词嵌入的维度(即将词语映射到的向量的维度),这里让它等于了隐含层的大小,即100
self.embedding = torch.nn.Embedding(input_size, hidden_size)
# GRU层:input_size是输入的特征数(这里是embedding_size,其大小等于hidden_size),即100;hidden_size是隐含层的大小,即100;n_layers是RNN的层数,2;bidirectional是是否使用双向RNN
self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)#bidirectional是是否使用双向RNN
# 全连接层:hidden_size是隐含层的大小,即100;output_size是输出的特征数(即不同类别的个数),即18
self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)
def _init_hidden(self, batch_size):
# 初始化隐含层,形状为(n_layers * num_directions, batch_size, hidden_size)
hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size) #全0张量
return create_tensor(hidden)
def forward(self, input, seq_lengths):
# input shape:B X S -> S X B
input = input.t() # 转置,变成(seq_len,batch_size)
batch_size = input.size(1) # 256,一次训练的样本数,为256个名字,即batch_size
hidden = self._init_hidden(batch_size)
# 1、嵌入层处理,input:(seq_len,batch_size) -> embedding:(seq_len,batch_size,embedding_size)
embedding = self.embedding(input) #扔到嵌入层里面
# pack them up
gru_input = pack_padded_sequence(embedding, seq_lengths)
# output:(*, hidden_size * num_directions),*表示输入的形状(seq_len,batch_size)
# hidden:(num_layers * num_directions, batch, hidden_size)
output, hidden = self.gru(gru_input, hidden)
if self.n_directions == 2:
hidden_cat = torch.cat([hidden[-1], hidden[-2]],
dim=1) # hidden[-1]的形状是(1,256,100),hidden[-2]的形状是(1,256,100),拼接后的形状是(1,256,200)
else:
hidden_cat = hidden[-1] # (1,256,100)
fc_output = self.fc(hidden_cat) # 返回的是(1,256,18)
return fc_output
# 下面该函数属于数据准备阶段的延续部分,因为神经网络只能处理数字,不能处理字符串,所以还需要把姓名转换成数字
def make_tensors(names, countries):
# 传入的names是一个列表,每个元素是一个姓名字符串,countries也是一个列表,每个元素是一个整数
sequences_and_lengths = [name2list(name) for name in # name2list:把每一个名字变成ascll列表
names] # 返回的是一个列表,每个元素是一个元组,元组的第一个元素是姓名字符串转换成的数字列表,第二个元素是姓名字符串的长度
name_sequences = [sl[0] for sl in sequences_and_lengths] # 返回的是一个列表,每个元素是姓名字符串转换成的数字列表
seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths]) # 返回的是一个列表,每个元素是姓名字符串的长度
countries = countries.long() # PyTorch 中,张量的默认数据类型是浮点型 (float),这里转换成整型,可以避免浮点数比较时的精度误差,从而提高模型的训练效果
# make tensor of name, (Batch_size,Seq_len) 实现填充0的功能
seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths)):
seq_tensor[idx, :seq_len] = torch.LongTensor(seq)
# sort by length to use pack_padded_sequence。按照序列长度排序
# perm_idx是排序后的数据在原数据中的索引,seq_tensor是排序后的数据,seq_lengths是排序后的数据的长度,countries是排序后的国家
seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)
seq_tensor = seq_tensor[perm_idx]
countries = countries[perm_idx]
return create_tensor(seq_tensor), create_tensor(seq_lengths), create_tensor(countries)
# 把名字转换成ASCII码,返回ASCII码值列表和名字的长度
def name2list(name):
arr = [ord(c) for c in name]
return arr, len(arr)
# 是否把数据放到GPU上
def create_tensor(tensor):
if USE_GPU:
device = torch.device('cuda:0')
tensor = tensor.to(device)
return tensor
# 训练模型
def trainModel():
total_loss = 0
for i, (names, countries) in enumerate(trainloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries) #make_tensors每次拿到3个量
output = classifier(inputs, seq_lengths.cpu())
loss = criterion(output, target)
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_loss += loss.item()
if i % 10 == 0:
print(f'[{timeSince(start)}] Epoch {epoch} ', end='') # end=''表示不换行
print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
print(f'loss={total_loss / (i * len(inputs))}') # 打印每个样本的平均损失
return total_loss # 返回的是所有样本的损失,我们并没有用上它
# 测试模型
def testModel():
correct = 0
total = len(testset)
print('evaluating trained model ...')
with torch.no_grad():
for i, (names, countries) in enumerate(testloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = classifier(inputs, seq_lengths.cpu())
pred = output.max(dim=1, keepdim=True)[1] # 返回每一行中最大值的那个元素的索引,且keepdim=True,表示保持输出的二维特性
correct += pred.eq(target.view_as(pred)).sum().item() # 计算正确的个数
percent = '%.2f' % (100 * correct / total)
print(f'Test set: Accuracy {correct}/{total} {percent}%')
return correct / total # 返回的是准确率,0.几几的格式,用来画图
def timeSince(since):
now = time.time()
s = now - since
m = math.floor(s / 60) # math.floor()向下取整,除以60变成分钟
s -= m * 60
return '%dmin %ds' % (m, s) # 多少分钟多少秒
if __name__ == '__main__':
classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER) #RNN循环网络分类器,“N_CHARS”字符数量,“HIDDEN_SIZE”:GRU输出的隐层层数,“N_LAYER”:用几层的GRU
if USE_GPU:
device = torch.device('cuda:0')
classifier.to(device)
# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.Adam(classifier.parameters(), lr=0.001)
start = time.time() #打印训练时间,距离开始时间过去了多少时间
print('Training for %d epochs...' % N_EPOCHS)
acc_list = [] #把测试结果记录到列表里面
# 在每个epoch中,训练完一次就测试一次
for epoch in range(1, N_EPOCHS + 1):
# Train cycle
trainModel()
acc = testModel()
acc_list.append(acc)
# 绘制在测试集上的准确率
epoch = np.arange(1, len(acc_list) + 1)
acc_list = np.array(acc_list)
plt.plot(epoch, acc_list)
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.grid()
plt.show()