企业网站建设需要哪些资料信息,新竹自助网站,成品小说网站源码,旅游公司注册条件介绍#xff1a;
欢迎来到本篇文章#xff01;在这里#xff0c;我们将探讨一个常见而重要的自然语言处理任务——文本分类。具体而言#xff0c;我们将关注情感分析任务#xff0c;即通过分析电影评论的情感来判断评论是正面的、负面的。
展示#xff1a; 训练展示如下…介绍
欢迎来到本篇文章在这里我们将探讨一个常见而重要的自然语言处理任务——文本分类。具体而言我们将关注情感分析任务即通过分析电影评论的情感来判断评论是正面的、负面的。
展示 训练展示如下 实际使用如下 实现方式
选择PyTorch作为深度学习框架使用电影评论IMDB数据集并结合torchtext对数据进行预处理。
环境
WindowsAnaconda
重要库版本信息
torch1.8.2cu102
torchaudio0.8.2
torchdata0.7.1
torchtext0.9.2
torchvision0.9.2cu102实现思路
1、数据集 本次使用的是IMDB数据集IMDB是一个含有50000条关于电影评论的数据集 数据如下
2、数据加载与预处理 使用torchtext加载IMDB数据集并对数据集进行划分 具体划分如下
TEXT data.Field(tokenizespacy, tokenizer_languageen_core_web_sm)
LABEL data.LabelField(dtypetorch.float)
# Load the IMDB dataset
train_data, test_data datasets.IMDB.splits(TEXT, LABEL)创建一个 Field 对象用于处理文本数据。同时使用spacy分词器对文本进行分词由于IMDB是英文的所以使用en_core_web_sm语言模型。 创建一个 LabelField 对象用于处理标签数据。设置dtype 参数为 torch.float表示标签的数据类型为浮点型。
使用 datasets.IMDB.splits 方法加载 IMDB 数据集并将文本字段 TEXT 和标签字段 LABEL 传递给该方法。返回的 train_data 和 test_data 包含了 IMDB 数据集的训练和测试部分。 下面是train_data的输出
3、构建词汇表与加载预训练词向量
TEXT.build_vocab(train_data,max_size25000,vectorsglove.6B.100d,unk_inittorch.Tensor.normal_)
LABEL.build_vocab(train_data)train_data:表示使用train_data中数据构建词汇表 max_size:限制词汇表的大小为 25000 vectors“glove.6B.100d”:表示使用预训练的 GloVe 词向量其中 “glove.6B.100d” 指的是包含 100 维向量的 6B 版 GloVe。 unk_inittorch.Tensor.normal_ 表示指定未知单词UNK的初始化方式这里使用正态分布进行初始化。 LABEL.build_vocab(train_data):表示对标签进行类似的操作构建标签的词汇表
train_iterator, valid_iterator, test_iterator data.BucketIterator.splits( (train_data, valid_data, test_data), batch_sizeBATCH_SIZE, devicedevice)
使用data.BucketIterator.splits 来创建数据加载器包括训练、验证和测试集的迭代器。这将确保你能够方便地以批量的形式获取数据进行训练和评估。
4、定义神经网络 这里的网络定义比较简单主要采用在词嵌入层(embedding)后接一个全连接层的方式完成对文本数据的分类。 具体如下
class NetWork(nn.Module):def __init__(self,vocab_size,embedding_dim,output_dim,pad_idx):super(NetWork,self).__init__()self.embedding nn.Embedding(vocab_size,embedding_dim,padding_idxpad_idx)self.fc nn.Linear(embedding_dim,output_dim)self.dropout nn.Dropout(0.5)self.relu nn.ReLU()def forward(self,x):embedded self.embedding(x)embedded embedded.permute(1,0,2) pooled F.avg_pool2d(embedded, (embedded.shape[1], 1)).squeeze(1)pooled self.relu(pooled)pooled self.dropout(pooled)output self.fc(pooled)return output5、模型初始化
vocab_size len(TEXT.vocab)
embedding_dim 100
output 1
pad_idx TEXT.vocab.stoi[TEXT.pad_token]
model NetWork(vocab_size,embedding_dim,output,pad_idx)
pretrained_embeddings TEXT.vocab.vectors
model.embedding.weight.data.copy_(pretrained_embeddings)定义模型的超参数包括词汇表大小vocab_size、词向量维度embedding_dim、输出维度output在这个任务中是1因为是二元分类所以使用1以及 PAD 标记的索引pad_idx
之后需要将预训练的词向量加载到嵌入层的权重中。TEXT.vocab.vectors 包含了词汇表中每个单词的预训练词向量然后通过 copy_ 方法将这些词向量复制到模型的嵌入层权重中对网络进行初始化。这样做确保了模型的初始化状态良好。
6、训练模型 total_loss 0train_acc 0
model.train()
for batch in train_iterator:optimizer.zero_grad()preds model(batch.text).squeeze(1)loss criterion(preds,batch.label)total_loss loss.item()batch_acc (torch.round(torch.sigmoid(preds)) batch.label).sum().item()train_acc batch_accloss.backward()optimizer.step()average_loss total_loss / len(train_iterator)train_acc / len(train_iterator.dataset)optimizer.zero_grad()表示将模型参数的梯度清零以准备接收新的梯度。 preds model(batch.text).squeeze(1):表示一次前向传播的过程由于model输出的是torch.tensor(batch_size,1)所以使用squeeze(1)给其中的1维度数据去除以匹配标签张量的形状 criterion(preds,batch.label):定义的损失函数 criterion 计算预测值 preds 与真实标签 batch.label 之间的损失
(torch.round(torch.sigmoid(preds)) batch.label).sum().item(): 通过比较模型的预测值与真实标签计算当前批次的准确率并将其累加到 train_acc 中 后面的就是进行反向传播更新参数还有就是计算loss和train_acc的值了 7、模型评估
model.eval()valid_loss 0valid_acc 0best_valid_acc 0with torch.no_grad():for batch in valid_iterator:preds model(batch.text).squeeze(1)loss criterion(preds,batch.label)valid_loss loss.item()batch_acc ((torch.round(torch.sigmoid(preds)) batch.label).sum().item())valid_acc batch_acc和训练模型的类似这里就不解释了
8、保存模型 这里一共使用了两种保存模型的方式:
torch.save(model, model.pth)
torch.save(model.state_dict(),model.pth)第一种方式叫做模型的全量保存 第二种方式叫做模型的参数保存
全量保存是保存了整个模型包括模型的结构、参数、优化器状态等信息 参数量保存是保存了模型的参数state_dict不包括模型的结构 9、测试模型 测试模型的基本思路 加载训练保存的模型、对待推理的文本进行预处理、将文本数据加载给模型进行推理
加载模型
saved_model_path model.pth
saved_model torch.load(saved_model_path)输入文本 input_text “Great service! The staff was very friendly and helpful.”
文本进行处理:
tokenizer get_tokenizer(spacy, languageen_core_web_sm)
tokenized_text tokenizer(input_text)
indexed_text [TEXT.vocab.stoi[token] for token in tokenized_text]
tensor_text torch.LongTensor(indexed_text).unsqueeze(1).to(device)模型推理:
saved_model.eval()
with torch.no_grad():output saved_model(tensor_text).squeeze(1)prediction torch.round(torch.sigmoid(output)).item()probability torch.sigmoid(output).item()由于笔者能力有限所以在描述的过程中难免会有不准确的地方还请多多包含
更多NLP和CV文章以及完整代码请到陶陶name获取。
