pytorch实战---IMDB情感分析
欢迎来到我的博客，你将找到有关如何使用技术解决问题的文章，也会找到某个技术的学习路线。无论你是何种职业，我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章，也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。谢谢你的光临，让我们一起踏上这个知识之旅！
文章目录
- 引言
- 完整代码
- 代码分析
-
- 导库
- 设置日志
- 模型定义
-
- GCNN
- TextClassificationModel
- 准备IMDb数据集
- 整理函数
- 训练函数
- 模型初始化和优化器
- 加载用于训练和评估的数据
- 恢复训练
- 调用训练
- 保存文件的读取
- 扩展 LSTM、GRU
- 总结
引言
本文使用IMDB数据集，结合pytorch进行情感分析
完整代码
import torch
import torch.nn as nn
import torch.nn.functional as F
from sklearn.metrics import precision_score, recall_score, f1_score, accuracy_score
from torch import utils
import torchtext
from tqdm import tqdm
from torchtext.datasets import IMDB
from torchtext.datasets.imdb import NUM_LINES
from torchtext.data import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
from torchtext.data.functional import to_map_style_dataset
import os
import sys
import logging
import logging
logging.basicConfig(
level=logging.WARN, stream=sys.stdout, format = "%(asctime)s (%(module)s:%(lineno)d) %(levelname)s: %(message)s")
VOCAB_SIZE = 15000
# step1 编写GCNN模型代码，门(Gate)卷积网络
class GCNN(nn.Module):
def __init__(self, vocab_size=VOCAB_SIZE, embedding_dim=64, num_class=2):
super(GCNN, self).__init__()
self.embedding_table = nn.Embedding(vocab_size, embedding_dim)
nn.init.xavier_uniform_(self.embedding_table.weight)
# 都是1维卷积
self.conv_A_1 = nn.Conv1d(embedding_dim, 64, 15, stride=7)
self.conv_B_1 = nn.Conv1d(embedding_dim, 64, 15, stride=7)
self.conv_A_2 = nn.Conv1d(64, 64, 15, stride=7)
self.conv_B_2 = nn.Conv1d(64, 64, 15, stride=7)
self.output_linear1 = nn.Linear(64, 128)
self.output_linear2 = nn.Linear(128, num_class)
def forward(self, word_index):
"""
定义GCN网络的算子操作流程，基于句子单词ID输入得到分类logits输出
"""
# 1. 通过word_index得到word_embedding
# word_index shape: [bs, max_seq_len]
word_embedding = self.embedding_table(word_index) # [bs, max_seq_len, embedding_dim]
# 2. 编写第一层1D门卷积模块，通道数在第2维
word_embedding = word_embedding.transpose(1, 2) # [bs, embedding_dim, max_seq_len]
A = self.conv_A_1(word_embedding)
B = self.conv_B_1(word_embedding)
H = A * torch.sigmoid(B) # [bs, 64, max_seq_len]
A = self.conv_A_2(H)
B = self.conv_B_2(H)
H = A * torch.sigmoid(B) # [bs, 64, max_seq_len]
# 3. 池化并经过全连接层
pool_output = torch.mean(H, dim=-1) # 平均池化，得到[bs, 4096]
linear1_output = self.output_linear1(pool_output)
# 最后一层需要设置为隐含层数目
logits = self.output_linear2(linear1_output) # [bs, 2]
return logits
# PyTorch官网的简单模型
class TextClassificationModel(nn.Module):
"""
简单版embedding.DNN模型
"""
def __init__(self, vocab_size=VOCAB_SIZE, embed_dim=64, num_class=2):
super(TextClassificationModel, self).__init__()
self.embedding = nn.EmbeddingBag(vocab_size, embed_dim, sparse=False)
self.fc = nn.Linear(embed_dim, num_class)
def forward(self, token_index):
# 词袋
embedded = self.embedding(token_index) # shape: [bs, embedding_dim]
return self.fc(embedded)
# step2 构建IMDB Dataloader
BATCH_SIZE = 64
def yeild_tokens(train_data_iter, tokenizer):
for i, sample in enumerate(train_data_iter):
label, comment = sample
yield tokenizer(comment) # 字符串转换为token索引的列表
train_data_iter = IMDB(root="./data", split="train") # Dataset类型的对象
tokenizer = get_tokenizer("basic_english")
# 只使用出现次数大约20的token
vocab = build_vocab_from_iterator(yeild_tokens(train_data_iter, tokenizer), min_freq=20, specials=["" ])
vocab.set_default_index(0) # 特殊索引设置为0
print(f'单词表大小: len(vocab)')
# 校对函数, batch是dataset返回值，主要是处理batch一组数据
def collate_fn(batch):
"""
对DataLoader所生成的mini-batch进行后处理
"""
target = []
token_index = []
max_length = 0 # 最大的token长度
for i, (label, comment) in enumerate(batch):
tokens = tokenizer(comment)
token_index.append(vocab(tokens)) # 字符列表转换为索引列表
# 确定最大的句子长度
if len(tokens) > max_length:
max_length = len(tokens)
if label == "pos":
target.append(0)
else:
target.append(1)
token_index = [index + [0] * (max_length - len(index)) for index in token_index]
# one-hot接收长整形的数据，所以要转换为int64
return (torch.tensor(target).to(torch.int64), torch.tensor(token_index).to(torch.int32))
# step3 编写训练代码
def train(train_data_loader, eval_data_loader, model, optimizer, num_epoch, log_step_interval, save_step_interval, eval_step_interval, save_path, resume=""):
"""
此处data_loader是map-style dataset
"""
start_epoch = 0
start_step = 0
if resume != "":
# 加载之前训练过的模型的参数文件
logging.warning(f"loading from resume")
checkpoint = torch.load(resume)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
start_epoch = checkpoint['epoch']
start_step = checkpoint['step']
for epoch_index in tqdm(range(start_epoch, num_epoch), desc="epoch"):
ema_loss = 0
total_acc_account = 0
total_account = 0
true_labels = []
predicted_labels = []
num_batches = len(train_data_loader)
for batch_index, (target, token_index) in enumerate(train_data_loader):
optimizer.zero_grad()
step = num_batches * (epoch_index) + batch_index + 1
logits = model(token_index)
# one-hot需要转换float32才可以训练
bce_loss = F.binary_cross_entropy(torch.sigmoid(logits), F.one_hot(target, num_classes=2).to(torch.float32))
ema_loss = 0.9 * ema_loss + 0.1 * bce_loss # 指数平均loss
bce_loss.backward()
nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度的正则进行截断，保证训练稳定
optimizer.step() # 更新参数
true_labels.extend(target.tolist())
predicted_labels.extend(torch.argmax(logits, dim=-1).tolist())
if step % log_step_interval == 0:
logging.warning(f"epoch_index: {epoch_index}, batch_index: {batch_index}, ema_loss: {ema_loss}")
if step % save_step_interval == 0:
os.makedirs(save_path, exist_ok=True)
save_file = os.path.join(save_path, f"step_{step}.pt")
torch.save({
"epoch": epoch_index,
"step": step,
"model_state_dict": model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': bce_loss
}, save_file)
logging.warning(f"checkpoint has been saved in {save_file}")
if step % save_step_interval == 0:
os.makedirs(save_path, exist_ok=True)
save_file = os.path.join(save_path, f"step_{step}.pt")
torch.save({
"epoch": epoch_index,
"step": step,
"model_state_dict": model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': bce_loss,
'accuracy': accuracy,
'precision': precision,
'recall': recall,
'f1': f1
}, save_file)
logging.warning(f"checkpoint has been saved in {save_file}")
if step % eval_step_interval == 0:
logging.warning("start to do evaluation...")
model.eval()
ema_eval_loss = 0
total_acc_account = 0
total_account = 0
true_labels = []
predicted_labels = []
for eval_batch_index, (eval_target, eval_token_index) in enumerate(eval_data_loader):
total_account += eval_target.shape[0]
eval_logits = model(eval_token_index)
total_acc_account += (torch.argmax(eval_logits, dim=-1) == eval_target).sum().item()
eval_bce_loss = F.binary_cross_entropy(torch.sigmoid(eval_logits),
F.one_hot(eval_target, num_classes=2).to(torch.float32))
ema_eval_loss = 0.9 * ema_eval_loss + 0.1 * eval_bce_loss
true_labels.extend(eval_target.tolist())
predicted_labels.extend(torch.argmax(eval_logits, dim=-1).tolist())
accuracy = accuracy_score(true_labels, predicted_labels)
precision = precision_score(true_labels, predicted_labels)
recall = recall_score(true_labels, predicted_labels)
f1 = f1_score(true_labels, predicted_labels)
logging.warning(f"ema_eval_loss: {ema_eval_loss}, eval_acc: {total_acc_account / total_account}")
logging.warning(f"Precision: {precision}, Recall: {recall}, F1: {f1}, Accuracy: {accuracy}")
model.train()
model = GCNN()
# model = TextClassificationModel()
print("模型总参数:", sum(p.numel() for p in model.parameters()))
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
train_data_iter = IMDB(root="data", split="train") # Dataset类型的对象
train_data_loader = torch.utils.data.DataLoader(
to_map_style_dataset(train_data_iter), batch_size=BATCH_SIZE, collate_fn=collate_fn, shuffle=True)
eval_data_iter = IMDB(root="data", split="test") # Dataset类型的对象
# collate校对
eval_data_loader = utils.data.DataLoader(
to_map_style_dataset(eval_data_iter), batch_size=8, collate_fn=collate_fn)
# resume = "./data/step_500.pt"
resume = ""
train(train_data_loader, eval_data_loader, model, optimizer, num_epoch=10, log_step_interval=20, save_step_interval = 500, eval_step_interval = 300, save_path = "./log_imdb_text_classification2", resume = resume)
代码分析
导库
首先导入需要的库
import torch
import torch.nn as nn
import torch.nn.functional as F
from sklearn.metrics import precision_score, recall_score, f1_score, accuracy_score
from torch import utils
import torchtext
from tqdm import tqdm
from torchtext.datasets import IMDB
-
torch (PyTorch):
PyTorch 是一个用于机器学习和深度学习的开源深度学习框架。它提供了张量计算、自动微分、神经网络层和优化器等功能，使用户能够构建和训练深度学习模型。 -
torch.nn:
torch.nn 模块包含了PyTorch中用于构建神经网络模型的类和函数。它包括各种神经网络层、损失函数和优化器等。 -
torch.nn.functional:
torch.nn.functional 模块提供了一组函数，用于构建神经网络的非参数化操作，如激活函数、池化和卷积等。这些函数通常与torch.nn一起使用。 -
sklearn.metrics (scikit-learn):
scikit-learn是一个用于机器学习的Python库，其中包含了一系列用于评估模型性能的度量工具。导入的precision_score、recall_score、f1_score 和 accuracy_score 用于计算分类模型的精确度、召回率、F1分数和准确性。 -
torch.utils:
torch.utils 包含了一些实用工具和数据加载相关的函数。在这段代码中，它用于构建数据加载器。 -
torchtext:
torchtext 是一个PyTorch的自然语言处理库，用于文本数据的处理和加载。它提供了用于文本数据预处理和构建数据集的功能。 -
tqdm:
tqdm 是一个Python库，用于创建进度条，可用于监视循环迭代的进度。在代码中，它用于显示训练和评估的进度。 -
torchtext.datasets.IMDB:
torchtext.datasets.IMDB 是TorchText库中的一个数据集，包含了IMDb电影评论的数据。这些评论用于情感分析任务，其中评论被标记为积极或消极。
设置日志
logging.basicConfig(
level=logging.WARN, stream=sys.stdout, format="%(asctime)s (%(module)s:%(lineno)d) %(levelname)s: %(message)s"
)
在代码中设置日志的作用是记录程序的运行状态、调试信息和重要事件，以便在开发和生产环境中更轻松地诊断问题和了解程序的行为。设置日志有以下作用：
-
问题诊断：当程序出现错误或异常时，日志记录可以提供有关错误发生的位置、原因和上下文的信息。这有助于开发人员快速定位和修复问题。
-
性能分析：通过记录程序的运行时间和关键操作的时间戳，日志可以用于性能分析，帮助开发人员识别潜在的性能瓶颈。
-
跟踪进度：在长时间运行的任务中，例如训练深度学习模型，日志记录可以帮助跟踪任务的进度，以便了解训练状态、完成的步骤和剩余时间。
-
监控和警报：日志可以与监控系统集成，以便在发生关键事件或异常情况时触发警报。这对于及时响应问题非常重要。
-
审计和合规：在某些应用中，日志记录是合规性的一部分，用于追踪系统的操作和用户的活动。日志可以用于审计和调查。
在上述代码中，设置日志的目的是跟踪训练进度、记录训练损失以及保存检查点。它允许开发人员监视模型训练的进展并在需要时查看详细信息，例如损失值和评估指标。此外，日志还可以用于调试和查看模型性能。
模型定义
代码定义了两个模型：
GCNN：用于文本分类的门控卷积神经网络。
TextClassificationModel：使用嵌入和线性层的简单文本分类模型。
GCNN
class GCNN(nn.Module):
def __init__(self, vocab_size=VOCAB_SIZE, embedding_dim=64, num_class=2):
super(GCNN, self).__init__()
self.embedding_table = nn.Embedding(vocab_size, embedding_dim)
nn.init.xavier_uniform_(self.embedding_table.weight)
# 都是1维卷积
self.conv_A_1 = nn.Conv1d(embedding_dim, 64, 15, stride=7)
self.conv_B_1 = nn.Conv1d(embedding_dim, 64, 15, stride=7)
self.conv_A_2 = nn.Conv1d(64, 64, 15, stride=7)
self.conv_B_2 = nn.Conv1d(64, 64, 15, stride=7)
self.output_linear1 = nn.Linear(64, 128)
self.output_linear2 = nn.Linear(128, num_class)
def forward(self, word_index):
"""
定义GCN网络的算子操作流程，基于句子单词ID输入得到分类logits输出
"""
# 1. 通过word_index得到word_embedding
# word_index shape: [bs, max_seq_len]
word_embedding = self.embedding_table(word_index) # [bs, max_seq_len, embedding_dim]
# 2. 编写第一层1D门卷积模块，通道数在第2维
word_embedding = word_embedding.transpose(1, 2) # [bs, embedding_dim, max_seq_len]
A = self.conv_A_1(word_embedding)
B = self.conv_B_1(word_embedding)
H = A * torch.sigmoid(B) # [bs, 64, max_seq_len]
A = self.conv_A_2(H)
B = self.conv_B_2(H)
H = A * torch.sigmoid(B) # [bs, 64, max_seq_len]
# 3. 池化并经过全连接层
pool_output = torch.mean(H, dim=-1) # 平均池化，得到[bs, 4096]
linear1_output = self.output_linear1(pool_output)
# 最后一层需要设置为隐含层数目
logits = self.output_linear2(linear1_output) # [bs, 2]
return logits
TextClassificationModel
class TextClassificationModel(nn.Module):
"""
简单版embedding.DNN模型
"""
def __init__(self, vocab_size=VOCAB_SIZE, embed_dim=64, num_class=2):
super(TextClassificationModel, self).__init__()
self.embedding = nn.EmbeddingBag(vocab_size, embed_dim, sparse=False)
self.fc = nn.Linear(embed_dim, num_class)
def forward(self, token_index):
# 词袋
embedded = self.embedding(token_index) # shape: [bs, embedding_dim]
return self.fc(embedded)
准备IMDb数据集
这行代码使用TorchText的IMDB数据集对象，导入IMDb数据集的训练集部分。
# 数据集导入
train_data_iter = IMDB(root="./data", split="train")
这行代码创建了一个用于将文本分词为单词的分词器。
# 数据预处理
tokenizer = get_tokenizer("basic_english")
这里，build_vocab_from_iterator 函数根据文本数据创建了一个词汇表，只包括出现频率大于等于20次的单词。特殊标记用于处理未知单词。然后，set_default_index将特殊标记的索引设置为0。
# 构建词汇表
vocab = build_vocab_from_iterator(yeild_tokens(train_data_iter, tokenizer), min_freq=20, specials=["" ])
vocab.set_default_index(0)
这是一个自定义的校对函数，用于处理DataLoader返回的批次数据，将文本转换为可以输入模型的张量形式。
def collate_fn(batch):
"""
对DataLoader所生成的mini-batch进行后处理
"""
target = []
token_index = []
max_length = 0 # 最大的token长度
for i, (label, comment) in enumerate(batch):
tokens = tokenizer(comment)
token_index.append(vocab(tokens)) # 字符列表转换为索引列表
# 确定最大的句子长度
if len(tokens) > max_length:
max_length = len(tokens)
if label == "pos":
target.append(0)
else:
target.append(1)
token_index = [index + [0] * (max_length - len(index)) for index in token_index]
# one-hot接收长整形的数据，所以要转换为int64
return (torch.tensor(target).to(torch.int64), torch.tensor(token_index).to(torch.int32))
这行代码将IMDb训练数据集加载到DataLoader对象中，以便进行模型训练。collate_fn函数用于处理数据的批处理。
train_data_loader = torch.utils.data.DataLoader(
to_map_style_dataset(train_data_iter), batch_size=BATCH_SIZE, collate_fn=collate_fn, shuffle=True)
上述代码块执行了IMDb数据集的准备工作，包括导入数据、分词、构建词汇表和设置数据加载器。这些步骤是为了使数据集可用于训练文本分类模型。
整理函数
这个 collate_fn 函数用于对 DataLoader 批次中的数据进行处理，确保每个批次中的文本序列具有相同的长度，并将标签转换为适用于模型输入的张量形式。它的工作包括以下几个方面：
提取标签和评论文本。
使用分词器将评论文本分词为单词。
确定批次中最长评论的长度。
根据最长评论的长度，将所有评论的单词索引序列填充到相同的长度。
将标签转换为适当的张量形式（这里是将标签转换为长整数型）。
返回处理后的批次数据，其中包括标签和填充后的单词索引序列。
这个整理函数确保了模型在训练期间能够处理不同长度的文本序列，并将它们转换为模型可接受的张量输入。
训练函数
def train(train_data_loader, eval_data_loader, model, optimizer, num_epoch, log_step_interval, save_step_interval, eval_step_interval, save_path, resume=""):
"""
此处data_loader是map-style dataset
"""
start_epoch = 0
start_step = 0
if resume != "":
# 加载之前训练过的模型的参数文件
logging.warning(f"loading from resume")
checkpoint = torch.load(resume)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
start_epoch = checkpoint['epoch']
start_step = checkpoint['step']
for epoch_index in tqdm(range(start_epoch, num_epoch), desc="epoch"):
ema_loss = 0
total_acc_account = 0
total_account = 0
true_labels = []
predicted_labels = []
num_batches = len(train_data_loader)
for batch_index, (target, token_index) in enumerate(train_data_loader):
optimizer.zero_grad()
step = num_batches * (epoch_index) + batch_index + 1
logits = model(token_index)
# one-hot需要转换float32才可以训练
bce_loss = F.binary_cross_entropy(torch.sigmoid(logits), F.one_hot(target, num_classes=2).to(torch.float32))
ema_loss = 0.9 * ema_loss + 0.1 * bce_loss # 指数平均loss
bce_loss.backward()
nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度的正则进行截断，保证训练稳定
optimizer.step() # 更新参数
true_labels.extend(target.tolist())
predicted_labels.extend(torch.argmax(logits, dim=-1).tolist())
if step % log_step_interval == 0:
logging.warning(f"epoch_index: {epoch_index}, batch_index: {batch_index}, ema_loss: {ema_loss}")
if step % save_step_interval == 0:
os.makedirs(save_path, exist_ok=True)
save_file = os.path.join(save_path, f"step_{step}.pt")
torch.save({
"epoch": epoch_index,
"step": step,
"model_state_dict": model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': bce_loss
}, save_file)
logging.warning(f"checkpoint has been saved in {save_file}")
if step % save_step_interval == 0:
os.makedirs(save_path, exist_ok=True)
save_file = os.path.join(save_path, f"step_{step}.pt")
torch.save({
"epoch": epoch_index,
"step": step,
"model_state_dict": model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': bce_loss,
'accuracy': accuracy,
'precision': precision,
'recall': recall,
'f1': f1
}, save_file)
logging.warning(f"checkpoint has been saved in {save_file}")
if step % eval_step_interval == 0:
logging.warning("start to do evaluation...")
model.eval()
ema_eval_loss = 0
total_acc_account = 0
total_account = 0
true_labels = []
predicted_labels = []
for eval_batch_index, (eval_target, eval_token_index) in enumerate(eval_data_loader):
total_account += eval_target.shape[0]
eval_logits = model(eval_token_index)
total_acc_account += (torch.argmax(eval_logits, dim=-1) == eval_target).sum().item()
eval_bce_loss = F.binary_cross_entropy(torch.sigmoid(eval_logits),
F.one_hot(eval_target, num_classes=2).to(torch.float32))
ema_eval_loss = 0.9 * ema_eval_loss + 0.1 * eval_bce_loss
true_labels.extend(eval_target.tolist())
predicted_labels.extend(torch.argmax(eval_logits, dim=-1).tolist())
accuracy = accuracy_score(true_labels, predicted_labels)
precision = precision_score(true_labels, predicted_labels)
recall = recall_score(true_labels, predicted_labels)
f1 = f1_score(true_labels, predicted_labels)
logging.warning(f"ema_eval_loss: {ema_eval_loss}, eval_acc: {total_acc_account / total_account}")
logging.warning(f"Precision: {precision}, Recall: {recall}, F1: {f1}, Accuracy: {accuracy}")
model.train()
这段代码定义了一个名为 train 的函数，用于执行训练过程。下面是该函数的详细说明：
train 函数接受以下参数：
train_data_loader: 训练数据的 DataLoader，用于迭代训练数据。
eval_data_loader: 用于评估的 DataLoader，用于评估模型性能。
model: 要训练的神经网络模型。
optimizer: 用于更新模型参数的优化器。
num_epoch: 训练的总周期数。
log_step_interval: 记录日志的间隔步数。
save_step_interval: 保存模型检查点的间隔步数。
eval_step_interval: 执行评估的间隔步数。
save_path: 保存模型检查点的目录。
resume: 可选的，用于恢复训练的检查点文件路径。
训练函数的主要工作如下：
它首先检查是否有恢复训练的检查点文件。如果有，它会加载之前训练的模型参数和优化器状态，以便继续训练。
然后，它开始进行一系列的训练周期（epochs），每个周期内包含多个训练步（batches）。
在每个训练步中，它执行以下操作：
零化梯度，以准备更新模型参数。
计算模型的预测输出（logits）。
计算二进制交叉熵损失（binary cross-entropy loss）。
使用反向传播（backpropagation）计算梯度并更新模型参数。
记录损失、真实标签和预测标签。
如果步数达到了 log_step_interval，则记录损失。
如果步数达到了 save_step_interval，则保存模型检查点。
如果步数达到了 eval_step_interval，则执行评估：
将模型切换到评估模式（model.eval()）。
对评估数据集中的每个批次执行以下操作：
计算模型的预测输出。
计算二进制交叉熵损失。
计算准确性、精确度、召回率和F1分数。
记录评估损失和评估指标。
将模型切换回训练模式（model.train()）。
最后，训练函数返回经过训练的模型。
这个训练函数执行了完整的训练过程，包括了模型的前向传播、损失计算、梯度更新、日志记录、模型检查点的保存和评估。通过调用这个函数，你可以训练模型并监视其性能。
模型初始化和优化器
model = GCNN()
# model = TextClassificationModel()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
加载用于训练和评估的数据
在提供的代码中，加载用于训练和评估的数据的部分如下：
train_data_iter = IMDB(root="data", split="train")
这一行代码使用 TorchText 的 IMDB 数据集对象，导入 IMDB 数据集的训练集部分。这部分数据将用于模型的训练。
eval_data_iter = IMDB(root="data", split="test")
这一行代码使用 TorchText 的 IMDB 数据集对象，导入 IMDB 数据集的测试集部分。这部分数据将用于评估模型的性能。
之后，这些数据集通过以下代码转化为 DataLoader 对象，以便用于模型训练和评估：
# 训练数据 DataLoader
train_data_loader = torch.utils.data.DataLoader(
to_map_style_dataset(train_data_iter), batch_size=BATCH_SIZE, collate_fn=collate_fn, shuffle=True)
# 评估数据 DataLoader
eval_data_loader = utils.data.DataLoader(
to_map_style_dataset(eval_data_iter), batch_size=8, collate_fn=collate_fn)
这些 DataLoader 对象将数据加载到内存中，以便训练和评估使用。collate_fn 函数用于处理数据的批次，确保它们具有适当的格式，以便输入到模型中。
这些部分负责加载和准备用于训练和评估的数据，是机器学习模型训练和评估的重要准备步骤。训练数据用于训练模型，而评估数据用于评估模型的性能。
恢复训练
start_epoch = 0
start_step = 0
if resume != "":
# 加载之前训练过的模型的参数文件
logging.warning(f"loading from resume")
checkpoint = torch.load(resume)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
start_epoch = checkpoint['epoch']
start_step = checkpoint['step']
上述代码段位于训练函数中的开头部分，主要用于检查是否有已经训练过的模型的检查点文件，以便继续训练。具体解释如下：
如果 resume 变量不为空（即存在要恢复的检查点文件路径），则执行以下操作：
通过 torch.load 加载之前训练过的模型的检查点文件。
使用 load_state_dict 方法将已保存的模型参数加载到当前的模型中，以便继续训练。
同样，使用 load_state_dict 方法将已保存的优化器状态加载到当前的优化器中，以确保继续从之前的状态开始训练。
获取之前训练的轮数和步数，以便从恢复的状态继续训练。
这部分代码的目的是允许从之前保存的模型检查点继续训练，而不是从头开始。这对于长时间运行的训练任务非常有用，可以在中途中断训练并在之后恢复，而不会丢失之前的训练进度。
调用训练
train(train_data_loader, eval_data_loader, model, optimizer, num_epoch=10, log_step_interval=20, save_step_interval=500, eval_step_interval=300, save_path="./log_imdb_text_classification2", resume=resume)
保存文件的读取
import torch
# 指定已存在的 .pt 文件路径
file_path = "./log_imdb_text_classification/step_3500.pt" # 替换为实际的文件路径
# 使用 torch.load() 加载文件
checkpoint = torch.load(file_path)
# 查看准确率、精确率、召回率和F1分数
accuracy = checkpoint["accuracy"]
precision = checkpoint["precision"]
recall = checkpoint["recall"]
f1 = checkpoint["f1"]
print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1 Score:", f1)
扩展 LSTM、GRU
本文原作者使用的是卷积神经网络，但是卷积神经网络的优化模型GCNN，但是这个模型对于图更好，由此我接下来引入两个循环神经网络LSTM和GRU
class LSTMModel(nn.Module):
def __init__(self, vocab_size=VOCAB_SIZE, embedding_dim=64, hidden_dim=64, num_class=2):
super(LSTMModel, self).__init__()
self.embedding_table = nn.Embedding(vocab_size, embedding_dim)
self.lstm = nn.LSTM(embedding_dim, hidden_dim, num_layers=1, batch_first=True)
self.output_linear = nn.Linear(hidden_dim, num_class)
def forward(self, word_index):
word_embedding = self.embedding_table(word_index)
lstm_out, _ = self.lstm(word_embedding)
lstm_out = lstm_out[:, -1, :] # 取最后一个时间步的输出
logits = self.output_linear(lstm_out)
return logits
class GRUModel(nn.Module):
def __init__(self, vocab_size=VOCAB_SIZE, embedding_dim=64, hidden_dim=64, num_class=2):
super(GRUModel, self).__init__()
self.embedding_table = nn.Embedding(vocab_size, embedding_dim)
self.gru = nn.GRU(embedding_dim, hidden_dim, num_layers=1, batch_first=True)
self.output_linear = nn.Linear(hidden_dim, num_class)
def forward(self, word_index):
word_embedding = self.embedding_table(word_index)
gru_out, _ = self.gru(word_embedding)
gru_out = gru_out[:, -1, :] # 取最后一个时间步的输出
logits = self.output_linear(gru_out)
return logits
# 创建LSTM模型
lstm_model = LSTMModel()
print("模型总参数:", sum(p.numel() for p in lstm_model.parameters()))
lstm_optimizer = torch.optim.Adam(lstm_model.parameters(), lr=0.001)
# 创建GRU模型
# gru_model = GRUModel()
# print("模型总参数:", sum(p.numel() for p in gru_model.parameters()))
# gru_optimizer = torch.optim.Adam(gru_model.parameters(), lr=0.001)
# 训练LSTM模型
train(train_data_loader, eval_data_loader, lstm_model, lstm_optimizer, num_epoch=10, log_step_interval=20, save_step_interval=500, eval_step_interval=300, save_path="./log_imdb_lstm", resume="")
# 训练GRU模型
# train(train_data_loader, eval_data_loader, gru_model, gru_optimizer, num_epoch=10, log_step_interval=20, save_step_interval=500, eval_step_interval=300, save_path="./log_imdb_gru", resume="")
感兴趣的小伙伴可以试试，对比一下
总结
本文代码来自网络仅供学习，原文地址
挑战与创造都是很痛苦的，但是很充实。