pytorch实现textCNN的具体操作
1. 原理
2014年的一篇文章,开创cnn用到文本分类的先河。
Convolutional Neural Networks for Sentence Classification
原理说简单也简单,其实就是单层CNN加个全连接层:
不过与图像中的cnn相比,改动为将卷积核的宽固定为一个词向量的维度,而长度一般取2,3,4,5这样。
上图中第一幅图的每个词对应的一行为一个词向量,可以使用word2vec或者glove预训练得到。本例中使用随机初始化的向量。
2. 数据预处理
手中有三个文件,分别为train.txt,valid.txt,test.txt。其中每一行是一个字符串化的字典,格式为{‘type': ‘xx', ‘text':‘xxxxx'}。
2.1 转换为csv格式
首先将每个文件转换为csv文件,分为text和label两列。一共有4种label,可以转换为数字表示。代码如下:
# 获取文件内容 def getData(file): f = open(file,'r') raw_data = f.readlines() return raw_data # 转换文件格式 def d2csv(raw_data,label_map,name): texts = [] labels = [] i = 0 for line in raw_data: d = eval(line) #将每行字符串转换为字典 if len(d['type']) <= 1 or len(d['text']) <= 1: #筛掉无效数据 continue y = label_map[d['type']] #根据label_map将label转换为数字表示 x = d['text'] texts.append(x) labels.append(y) i+=1 if i%1000 == 0: print(i) df = pd.DataFrame({'text':texts,'label':labels}) df.to_csv('data/'+name+'.csv',index=False,sep='\t') # 保存文件 label_map = {'执行':0,'刑事':1,'民事':2,'行政':3} train_data = getData('data/train.txt') #22000+行 d2csv(train_data,label_map,'train') valid_data = getData('data/valid.txt') # 2000+行 d2csv(valid_data,label_map,'valid') test_data = getData('data/test.txt') # 2000+行 d2csv(test_data,label_map,'test')
2.2 观察数据分布
对于本任务来说,需要观察每个文本分词之后的长度。因为每个句子是不一样长的,所以需要设定一个固定的长度给模型,数据中不够长的部分填充,超出部分舍去。
训练的时候只有训练数据,因此观察训练数据的文本长度分布即可。分词可以使用jieba分词等工具。
train_text = [] for line in train_data: d = eval(line) t = jieba.cut(d['text']) train_text.append(t) sentence_length = [len(x) for x in train_text] #train_text是train.csv中每一行分词之后的数据 %matplotlib notebook import matplotlib.pyplot as plt plt.hist(sentence_length,1000,normed=1,cumulative=True) plt.xlim(0,1000) plt.show()
得到长度的分布图:
可以看到长度小于1000的文本占据所有训练数据的80%左右,因此训练时每个文本固定长度为1000个词。
2.3 由文本得到训练用的mini-batch数据
目前我们手里的数据为csv形式的两列数据,一列字符串text,一列数字label。label部分不需要再处理了,不过text部分跟可训练的数据还差得远。
假设每个词对应的词向量维度为 D i m Dim Dim,每一个样本的分词后的长度已知设为 W = 1000 W=1000 W=1000,每个mini-batch的大小为 N N N。那么我们希望得到的是一个个维度为 N ∗ W ∗ D i m N*W*Dim N∗W∗Dim的浮点数数据作为mini-batch输入到模型。
于是还需要以下几个步骤:
分词去除停用词建立词汇表(词汇表是词语到index的映射,index从0到M,M为已知词汇的个数,形如{'可爱‘:0, ‘美好':1,…})将分词且去除停用词之后的数据转换为下标数据,维度应该为 N a l l ∗ W N_{all}*W Nall∗W, N a l l N_{all} Nall是所有样本的数量。其中长度不足W的样本在后面补特定字符,长度超过W的样本截断。将数据分割为一个个 N ∗ W N*W N∗W大小的mini-batch作为模型的输入。根据mini-batch数据向词向量中映射得到 N ∗ W ∗ D i m N*W*Dim N∗W∗Dim大小的最终输入。(这步在模型中)
看起来复杂哭了,手动处理起来确实有些麻烦。不过后来发现跟pytorch很相关的有个包torchtext能够很方便的做到这几步,所以直接来介绍用这个包的做法。
在贴代码之前先贴两个torchtext的教程。torchtext入门教程 还是不懂的话看torchtext文档。 还还是不懂请直接看源码。对照教程看以下代码。
首先是分词函数,写为有一个参数的函数:
def tokenizer(x): res = [w for w in jieba.cut(x)] return res
接着是停用词表,在网上找的一个停用词资源(也可以跳过这步):
stop_words = [] print('build stop words set') with open('data/stopwords.dat') as f: for l in f.readlines(): stop_words.append(l.strip())
然后设定TEXT和LABEL两个field。定义以及参数含义看上面的文档或教程。
TEXT = data.Field(sequential=True, tokenize=tokenizer,fix_length=1000,stop_words=stop_words) LABEL = data.Field(sequential=False,use_vocab=False)
读取文件,分词,去掉停用词等等。直接一波带走:
train,valid,test = data.TabularDataset.splits(path='data',train='train.csv', validation='valid.csv',test='test.csv', format='csv', skip_header=True,csv_reader_params={'delimiter':'\t'}, fields=[('text',TEXT),('label',LABEL)])
建立词汇表:
TEXT.build_vocab(train)
生成iterator形式的mini-batch数据:
train_iter, val_iter, test_iter = data.Iterator.splits((train,valid,test), batch_sizes=(args.batch_size,args.batch_size,args.batch_size), device=args.device, sort_key=lambda x:len(x.text), sort_within_batch=False, repeat=False)
That's all! 简单得令人发指!虽然为了搞懂这几个函数整了大半天。最终的这几个xxx_iter就会生成我们需要的维度为N ∗ W N*WN∗W的数据。
3. 模型
模型其实相对很简单,只有一个embedding映射,加一层cnn加一个激活函数以及一个全连接。
不过需要注意使用不同大小的卷积核的写法。
可以选择使用多个nn.Conv2d然后手动拼起来,这里使用nn.ModuleList模块。其实本质上还是使用多个Conv2d然后拼起来。
import torch import torch.nn as nn import torch.nn.functional as F class textCNN(nn.Module): def __init__(self, args): super(textCNN, self).__init__() self.args = args Vocab = args.embed_num ## 已知词的数量 Dim = args.embed_dim ##每个词向量长度 Cla = args.class_num ##类别数 Ci = 1 ##输入的channel数 Knum = args.kernel_num ## 每种卷积核的数量 Ks = args.kernel_sizes ## 卷积核list,形如[2,3,4] self.embed = nn.Embedding(Vocab,Dim) ## 词向量,这里直接随机 self.convs = nn.ModuleList([nn.Conv2d(Ci,Knum,(K,Dim)) for K in Ks]) ## 卷积层 self.dropout = nn.Dropout(args.dropout) self.fc = nn.Linear(len(Ks)*Knum,Cla) ##全连接层 def forward(self,x): x = self.embed(x) #(N,W,D) x = x.unsqueeze(1) #(N,Ci,W,D) x = [F.relu(conv(x)).squeeze(3) for conv in self.convs] # len(Ks)*(N,Knum,W) x = [F.max_pool1d(line,line.size(2)).squeeze(2) for line in x] # len(Ks)*(N,Knum) x = torch.cat(x,1) #(N,Knum*len(Ks)) x = self.dropout(x) logit = self.fc(x) return logit
4. 训练脚本
import os import sys import torch import torch.autograd as autograd import torch.nn.functional as F def train(train_iter, dev_iter, model, args): if args.cuda: model.cuda(args.device) optimizer = torch.optim.Adam(model.parameters(), lr=args.lr) steps = 0 best_acc = 0 last_step = 0 model.train() print('training...') for epoch in range(1, args.epochs+1): for batch in train_iter: feature, target = batch.text, batch.label #(W,N) (N) feature.data.t_() if args.cuda: feature, target = feature.cuda(), target.cuda() optimizer.zero_grad() logit = model(feature) loss = F.cross_entropy(logit, target) loss.backward() optimizer.step() steps += 1 if steps % args.log_interval == 0: result = torch.max(logit,1)[1].view(target.size()) corrects = (result.data == target.data).sum() accuracy = corrects*100.0/batch.batch_size sys.stdout.write('\rBatch[{}] - loss: {:.6f} acc: {:.4f}$({}/{})'.format(steps, loss.data.item(), accuracy, corrects, batch.batch_size)) if steps % args.dev_interval == 0: dev_acc = eval(dev_iter, model, args) if dev_acc > best_acc: best_acc = dev_acc last_step = steps if args.save_best: save(model,args.save_dir,'best',steps) else: if steps - last_step >= args.early_stop: print('early stop by {} steps.'.format(args.early_stop)) elif steps % args.save_interval == 0: save(model,args.save_dir,'snapshot',steps)
训练脚本中还有设置optimizer以及loss的部分。其余部分比较trivial。
模型的保存:
def save(model, save_dir, save_prefix, steps): if not os.path.isdir(save_dir): os.makedirs(save_dir) save_prefix = os.path.join(save_dir,save_prefix) save_path = '{}_steps_{}.pt'.format(save_prefix,steps) torch.save(model.state_dict(),save_path)
eval函数,用来评估验证集与测试集合上的准确率acc。
def eval(data_iter, model, args): model.eval() corrects, avg_loss = 0,0 for batch in data_iter: feature, target = batch.text, batch.label feature.data.t_() if args.cuda: feature, target = feature.cuda(), target.cuda() logit = model(feature) loss = F.cross_entropy(logit,target) avg_loss += loss.data[0] result = torch.max(logit,1)[1] corrects += (result.view(target.size()).data == target.data).sum() size = len(data_iter.dataset) avg_loss /= size accuracy = 100.0 * corrects/size print('\nEvaluation - loss: {:.6f} acc: {:.4f}%({}/{}) \n'.format(avg_loss,accuracy,corrects,size)) return accuracy
5. main函数
这暂时就不贴了。可以参考下一部分给出的github。
最终在测试集合上accuracy为97%(毕竟只是四分类)。
但是遇到个问题就是随着accuracy上升,loss也在迅速增大。
在一番探究之后大致得出结论就是,这样是没问题的。比如在本例中是个四分类,加入全连接层输出的结果是[-10000,0,0,10000],而正确分类是0。
那么这就是个错误的结果。计算一下这个单个样例的loss。先算softmax,约等于[ e − 20000 , e − 10000 , e − 10000 , 1 e^{-20000},e^{-10000},e^{-10000},1 e−20000,e−10000,e−10000,1]。真实的label为[1,0,0,0],因此交叉熵为20000。
所以我们发现这一个错误样例的loss就会这么大。最终的loss大一些也是正常的。
不过为什么随着accuracy接近100%而导致loss迅速增加这个问题还需要进一步研究。大概是因为随着accuracy升高导致结果接近训练集的分布,这样与验证集或测试集的分布产生比较极端差别的个例会增加。
6.引用
代码部分参考了很多这位老哥的github,在此感谢。跟他不一样的地方主要是数据处理部分。
以上为个人经验,希望能给大家一个参考,也希望大家多多支持我们。