深度学习Day-41：使用Word2vec实现文本分类
本文为：[365天深度学习训练营] 中的学习记录博客
原作者：[K同学啊 | 接辅导、项目定制]
任务：
本次将加入Word2vec使用PyTorch实现中文文本分类，Word2Vec 则是其中的一种词嵌入方法，是一种用于生成词向量的浅层神经网络模型，由Tomas Mikolov及其团队于2013年提出。Word2Vec通过学习大量文本数据，将每个单词表示为一个连续的向量，这些向量可以捕捉单词之间的语义和句法关系。数据示例如下：
- 结合Word2Vec文本内容（第1列）预测文本标签（第2列）
- 优化本文网络结构，将准确率提升至89%
- 绘制出验证集的ACC与Loss图
进阶：
- 尝试根据第2周的内容独立实现，尽可能的不看本文的代码
1. 加载数据
import torch
import warnings
warnings.filterwarnings("ignore") #忽略警告信息
# win10系统
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)代码输出为：
cpu接着，运行下面代码：
import pandas as pd
# 加载自定义中文数据
train_data = pd.read_csv('data/train.csv', sep='\t', header=None)
train_data.head()代码输出为：
0 1
0 还有双鸭山到淮阴的汽车票吗13号的 Travel-Query
1 从这里怎么回家 Travel-Query
2 随便播放一首专辑阁楼里的佛里的歌 Music-Play
3 给看一下墓王之王嘛 FilmTele-Play
4 我想看挑战两把s686打突变团竞的游戏视频 Video-Play接着，运行下面代码：
# 构造数据集迭代器
def coustom_data_iter(texts, labels):
for x, y in zip(texts, labels):
yield x, y
x = train_data[0].values[:]
# 多类标签的one-hot展开
y = train_data[1].values[:]
print(x)
print(y)代码输出为：
['还有双鸭山到淮阴的汽车票吗13号的' '从这里怎么回家' '随便播放一首专辑阁楼里的佛里的歌' ...
'黎耀祥陈豪邓萃雯畲诗曼陈法拉敖嘉年杨怡马浚伟等到场出席' '百事盖世群星星光演唱会有谁' '下周一视频会议的闹钟帮我开开']
['Travel-Query' 'Travel-Query' 'Music-Play' ... 'Radio-Listen'
'Video-Play' 'Alarm-Update']zip 是 Python 中的一个内置函数，它可以将多个序列（列表、元组等）中对应的元素打包成一个个元组，然后返回这些元组组成的一个迭代器。例如，在代码中 zip(texts, labels) 就是将 texts 和 labels 两个列表中对应位置的元素一一打包成元组，返回一个迭代器，每次迭代返回一个元组 (x, y)，其中 x 是 texts 中的一个元素，y 是 labels 中对应的一个元素。这样，每次从迭代器中获取一个元素，就相当于从 texts 和 labels 中获取了一组对应的数据。在这里，zip 函数主要用于将输入的 texts 和 labels 打包成一个可迭代的数据集，然后传给后续的模型训练过程使用。
2. 构建词典
from gensim.models.word2vec import Word2Vec
import numpy as np
# 训练 Word2Vec 浅层神经网络模型
w2v = Word2Vec(vector_size=100, #是指特征向量的维度，默认为100。
min_count=3) #可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5。
w2v.build_vocab(x)
w2v.train(x,
total_examples=w2v.corpus_count,
epochs=20)Word2Vec可以直接训练模型，一步到位。这里分了三步：
- 构建一个空模型。
- build_vocab 方法根据输入的文本数据 x 构建词典。build_vocab 方法会统计输入文本中每个词汇出现的次数，并按照词频从高到低的顺序将词汇加入词典中。
- 使用 train 方法对模型进行训练，total_examples 参数指定了训练时使用的文本数量，这里使用的是 w2v.corpus_count 属性，表示输入文本的数量。
如果一步到位的话代码为：
w2v = Word2Vec(x, vector_size=100, min_count=3, epochs=20)
print(w2v)代码输出为：
Word2Vec接着，运行代码：
# 将文本转化为向量
def average_vec(text):
vec = np.zeros(100).reshape((1, 100))
for word in text:
try:
vec += w2v.wv[word].reshape((1, 100))
except KeyError:
continue
return vec
# 将词向量保存为 Ndarray
x_vec = np.concatenate([average_vec(z) for z in x])
# 保存 Word2Vec 模型及词向量
w2v.save('w2v_model.pkl')
train_iter = coustom_data_iter(x_vec, y)
print(len(x),len(x_vec))代码输出为：
12100 12100这段代码定义了一个函数 average_vec(text)，它接受一个包含多个词的列表 text 作为输入，并返回这些词对应词向量的平均值。该函数：
- 初始化一个形状为 (1, 100) 的全零 numpy 数组来表示平均向量
- 遍历 text 中的每个词，并尝试从 Word2Vec 模型 w2v 中使用 wv 属性获取其对应的词向量。如果在模型中找到了该词，函数将其向量加到 vec中。如果未找到该词，函数会继续迭代下一个词
- 函数返回平均向量 vec
然后使用列表推导式将 average_vec() 函数应用于列表 x 中的每个元素。得到的平均向量列表使用 np.concatenate() 连接成一个 numpy 数组 x_vec，该数组表示 x 中所有元素的平均向量。x_vec 的形状为 (n, 100)，其中 n 是 x 中元素的数量。
接着，运行代码：
label_name = list(set(train_data[1].values[:]))
print(label_name)
代码输出为：
['Radio-Listen', 'Music-Play', 'Audio-Play', 'Calendar-Query', 'Video-Play', 'Other', 'HomeAppliance-Control', 'Alarm-Update', 'TVProgram-Play', 'FilmTele-Play', 'Weather-Query', 'Travel-Query']
3.生成数据批次和迭代器
text_pipeline = lambda x: average_vec(x)
label_pipeline = lambda x: label_name.index(x)
print(text_pipeline("你在干嘛"))
print(label_pipeline("Travel-Query"))代码输出为：
[[-0.50475422 1.40358877 2.10718489 0.62696353 -2.27326742 -0.86325586
1.91590985 0.02256403 0.70883784 -0.45788445 -1.81392689 -4.50311214
1.78359316 -0.25500346 -0.56241548 0.44832698 3.47105673 -2.67846954
3.39968163 -1.39780461 2.82882937 -1.61015151 0.25089827 -0.07058875
-0.4996658 -1.54310556 -1.56648542 -1.26974761 1.67414579 -0.96915421
2.55048783 1.92456639 -0.48464253 -0.32199331 -0.30795002 0.3949365
-0.14144704 4.1541061 -0.9569176 1.55245852 -0.4631255 0.88437843
-0.58941404 1.80091982 0.012504 0.66884801 1.86418419 -0.68803712
-2.61692403 2.41418719 0.92531049 -2.14762762 -1.14705408 -0.94946782
-0.43397234 -0.83550627 1.14806312 -0.48897886 -0.26805569 0.28821549
0.59152652 -1.84648283 3.38585148 -0.64367552 -0.29464381 -0.25962844
-1.39986839 1.29020444 0.3520185 -0.11786325 0.61111923 0.30863122
1.81852724 -0.88515008 0.20038423 -0.88415289 -3.15321362 0.56210989
1.42266002 0.29345044 -1.37240933 -0.26137188 -2.56611562 2.25422826
-2.40777135 -1.40590963 1.56099287 -2.09348607 -0.59971704 0.03473149
-0.39137083 -0.15937868 1.691751 1.63441243 0.41640663 -1.43600623
-1.06085297 0.74154633 -1.4142051 0.06242213]]
11lambda 表达式的语法为：lambda arguments: expression
其中 arguments 是函数的参数，可以有多个参数，用逗号分隔。expression 是一个表达式，它定义了函数的返回值。
- text_pipeline 函数：接受一个包含多个词的列表 x 作为输入，并返回这些词对应词向量的平均值，即调用了之前定义的 average_vec 函数。这个函数用于将原始文本数据转换为词向量平均值表示的形式
- label_pipeline 函数：接受一个标签名 x 作为输入，并返回该标签名label_name 列表中的索引。这个函数可以用于将原始标签数据转换为数字索引表示的形式
接着运行：
vocab(['我','想','看','和平','精英','上','战神','必备','技巧','的','游戏','视频'])
label_name = list(set(train_data[1].values[:]))
print(label_name)代码输出为：
['Radio-Listen', 'Travel-Query', 'HomeAppliance-Control', 'Other', 'Audio-Play', 'Calendar-Query', 'Weather-Query', 'FilmTele-Play', 'TVProgram-Play', 'Alarm-Update', 'Music-Play', 'Video-Play']接着运行：
text_pipeline = lambda x: vocab(tokenizer(x))
label_pipeline = lambda x: label_name.index(x)
print(text_pipeline('我想看和平精英上战神必备技巧的游戏视频'))
print(label_pipeline('Video-Play'))
代码输出为：
[2, 10, 13, 973, 1079, 146, 7724, 7574, 7793, 1, 186, 28]
11 ambda 表达式的语法为：lambda arguments: expression
其中 arguments 是函数的参数，可以有多个参数，用逗号分隔。expression 是一个表达式，它定义了函数的返回值。
- text_pipeline函数：将原始文本数据转换为整数列表，使用了之前构建的vocab词表和tokenizer分词器函数。具体来说，它接受一个字符串x作为输入，首先使用tokenizer将其分词，然后将每个词在vocab词表中的索引放入一个列表中返回。
- label_pipeline函数：将原始标签数据转换为整数，它接受一个字符串x作为输入，并使用label_name.index(x)方法获取 x 在 label_name 列表中的索引作为输出。
接着，运行下面代码：
from torch.utils.data import DataLoader
def collate_batch(batch):
label_list, text_list = [], []
for (_text, _label) in batch:
# 标签列表
label_list.append(label_pipeline(_label))
# 文本列表
processed_text = torch.tensor(text_pipeline(_text), dtype=torch.float32)
text_list.append(processed_text)
label_list = torch.tensor(label_list, dtype=torch.int64)
text_list = torch.cat(text_list)
return text_list.to(device), label_list.to(device)
# 数据加载器，调用示例
dataloader = DataLoader(train_iter,
batch_size=8,
shuffle=False,
collate_fn=collate_batch)4.模型构建
4.1 搭建模型
from torch import nn
class TextClassificationModel(nn.Module):
def __init__(self, num_class):
super(TextClassificationModel, self).__init__()
self.fc = nn.Linear(100, num_class)
def forward(self, text):
return self.fc(text)4.2 初始化模型
num_class = len(label_name)
vocab_size = 100000
em_size = 12
model = TextClassificationModel(num_class).to(device)4.3 定义训练函数与评估函数
import time
def train(dataloader):
model.train() # 切换为训练模式
total_acc, train_loss, total_count = 0, 0, 0
log_interval = 50
start_time = time.time()
for idx, (text, label) in enumerate(dataloader):
predicted_label = model(text)
optimizer.zero_grad() # grad属性归零
loss = criterion(predicted_label, label) # 计算网络输出和真实值之间的差距，label为真实值
loss.backward() # 反向传播
torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪
optimizer.step() # 每一步自动更新
# 记录acc与loss
total_acc += (predicted_label.argmax(1) == label).sum().item()
train_loss += loss.item()
total_count += label.size(0)
if idx % log_interval == 0 and idx > 0:
elapsed = time.time() - start_time
print('| epoch {:1d} | {:4d}/{:4d} batches '
'| train_acc {:4.3f} train_loss {:4.5f}'.format(epoch, idx, len(dataloader),
total_acc / total_count, train_loss / total_count))
total_acc, train_loss, total_count = 0, 0, 0
start_time = time.time()
def evaluate(dataloader):
model.eval() # 切换为测试模式
total_acc, train_loss, total_count = 0, 0, 0
with torch.no_grad():
for idx, (text, label) in enumerate(dataloader):
predicted_label = model(text)
loss = criterion(predicted_label, label) # 计算loss值
# 记录测试数据
total_acc += (predicted_label.argmax(1) == label).sum().item()
train_loss += loss.item()
total_count += label.size(0)
return total_acc / total_count, train_loss / total_counttorch.nn.utils.clip_grad_norm_(model.parameters(), 0.1)是一个PyTorch函数，用于在训练神经网络时限制梯度的大小。这种操作被称为梯度裁剪（gradient clipping），可以防止梯度爆炸问题，从而提高神经网络的稳定性和性能。
在这个函数中：
- model.parameters()表示模型的所有参数。对于一个神经网络，参数通常包括权重和偏置项。
- 0.1是一个指定的阈值，表示梯度的最大范数（L2范数）。如果计算出的梯度范数超过这个阈值，梯度会被缩放，使其范数等于阈值。
梯度裁剪的主要目的是防止梯度爆炸。梯度爆炸通常发生在训练深度神经网络时，尤其是在处理长序列数据的循环神经网络（RNN）中。当梯度爆炸时，参数更新可能会变得非常大，导致模型无法收敛或出现数值不稳定。通过限制梯度的大小，梯度裁剪有助于解决这些问题，使模型训练变得更加稳定。
5.训练模型
5.1 拆分数据集并运行模型
from torch.utils.data.dataset import random_split
from torchtext.data.functional import to_map_style_dataset
# 超参数
EPOCHS = 10 # epoch
LR = 5 # 学习率
BATCH_SIZE = 64 # batch size for training
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.1)
total_accu = None
# 构建数据集
train_iter = coustom_data_iter(train_data[0].values[:], train_data[1].values[:])
train_dataset = to_map_style_dataset(train_iter)
split_train_, split_valid_ = random_split(train_dataset,
[int(len(train_dataset) * 0.8), int(len(train_dataset) * 0.2)])
train_dataloader = DataLoader(split_train_, batch_size=BATCH_SIZE,
shuffle=True, collate_fn=collate_batch)
valid_dataloader = DataLoader(split_valid_, batch_size=BATCH_SIZE,
shuffle=True, collate_fn=collate_batch)
total_val_acc = []
total_val_loss = []
# best_val_acc = 0 # 设置一个最佳准确率，作为最佳模型的判别指标
for epoch in range(1, EPOCHS + 1):
epoch_start_time = time.time()
train(train_dataloader)
val_acc, val_loss = evaluate(valid_dataloader)
# 保存最佳模型到 best_model
# if val_acc > best_val_acc:
# best_val_acc = val_acc
# best_model = copy.deepcopy(model)
total_val_acc.append(val_acc)
total_val_loss.append(val_loss)
# 获取当前的学习率
lr = optimizer.state_dict()['param_groups'][0]['lr']
if total_accu is not None and total_accu > val_acc:
scheduler.step()
else:
total_accu = val_acc
print('-' * 69)
print('| epoch {:1d} | time: {:4.2f}s | '
'valid_acc {:4.3f} valid_loss {:4.3f} | lr {:4.6f}'.format(epoch,
time.time() - epoch_start_time,
val_acc, val_loss, lr))
print('-' * 69)代码输出为：
| epoch 1 | 50/ 152 batches | train_acc 0.752 train_loss 0.02407
| epoch 1 | 100/ 152 batches | train_acc 0.822 train_loss 0.01892
| epoch 1 | 150/ 152 batches | train_acc 0.830 train_loss 0.01872
---------------------------------------------------------------------
| epoch 1 | time: 0.71s | valid_acc 0.858 valid_loss 0.014 | lr 5.000000
---------------------------------------------------------------------
| epoch 2 | 50/ 152 batches | train_acc 0.850 train_loss 0.01587
| epoch 2 | 100/ 152 batches | train_acc 0.844 train_loss 0.01787
| epoch 2 | 150/ 152 batches | train_acc 0.839 train_loss 0.01798
---------------------------------------------------------------------
| epoch 2 | time: 0.73s | valid_acc 0.852 valid_loss 0.021 | lr 5.000000
---------------------------------------------------------------------
| epoch 3 | 50/ 152 batches | train_acc 0.884 train_loss 0.01207
| epoch 3 | 100/ 152 batches | train_acc 0.894 train_loss 0.00914
| epoch 3 | 150/ 152 batches | train_acc 0.896 train_loss 0.00819
---------------------------------------------------------------------
| epoch 3 | time: 0.84s | valid_acc 0.887 valid_loss 0.010 | lr 0.500000
---------------------------------------------------------------------
| epoch 4 | 50/ 152 batches | train_acc 0.902 train_loss 0.00737
| epoch 4 | 100/ 152 batches | train_acc 0.891 train_loss 0.00707
| epoch 4 | 150/ 152 batches | train_acc 0.895 train_loss 0.00737
---------------------------------------------------------------------
| epoch 4 | time: 0.70s | valid_acc 0.887 valid_loss 0.009 | lr 0.500000
---------------------------------------------------------------------
| epoch 5 | 50/ 152 batches | train_acc 0.894 train_loss 0.00665
| epoch 5 | 100/ 152 batches | train_acc 0.900 train_loss 0.00636
| epoch 5 | 150/ 152 batches | train_acc 0.900 train_loss 0.00642
---------------------------------------------------------------------
| epoch 5 | time: 0.68s | valid_acc 0.880 valid_loss 0.009 | lr 0.500000
---------------------------------------------------------------------
| epoch 6 | 50/ 152 batches | train_acc 0.904 train_loss 0.00613
| epoch 6 | 100/ 152 batches | train_acc 0.913 train_loss 0.00541
| epoch 6 | 150/ 152 batches | train_acc 0.906 train_loss 0.00583
---------------------------------------------------------------------
| epoch 6 | time: 0.67s | valid_acc 0.890 valid_loss 0.008 | lr 0.050000
---------------------------------------------------------------------
| epoch 7 | 50/ 152 batches | train_acc 0.914 train_loss 0.00521
| epoch 7 | 100/ 152 batches | train_acc 0.907 train_loss 0.00587
| epoch 7 | 150/ 152 batches | train_acc 0.902 train_loss 0.00569
---------------------------------------------------------------------
| epoch 7 | time: 0.69s | valid_acc 0.891 valid_loss 0.008 | lr 0.050000
---------------------------------------------------------------------
| epoch 8 | 50/ 152 batches | train_acc 0.909 train_loss 0.00560
| epoch 8 | 100/ 152 batches | train_acc 0.907 train_loss 0.00571
| epoch 8 | 150/ 152 batches | train_acc 0.908 train_loss 0.00519
---------------------------------------------------------------------
| epoch 8 | time: 0.69s | valid_acc 0.890 valid_loss 0.008 | lr 0.050000
---------------------------------------------------------------------
| epoch 9 | 50/ 152 batches | train_acc 0.907 train_loss 0.00572
| epoch 9 | 100/ 152 batches | train_acc 0.908 train_loss 0.00531
| epoch 9 | 150/ 152 batches | train_acc 0.907 train_loss 0.00523
---------------------------------------------------------------------
| epoch 9 | time: 0.66s | valid_acc 0.889 valid_loss 0.008 | lr 0.005000
---------------------------------------------------------------------
| epoch 10 | 50/ 152 batches | train_acc 0.900 train_loss 0.00576
| epoch 10 | 100/ 152 batches | train_acc 0.915 train_loss 0.00501
| epoch 10 | 150/ 152 batches | train_acc 0.911 train_loss 0.00546
---------------------------------------------------------------------
| epoch 10 | time: 1.14s | valid_acc 0.889 valid_loss 0.008 | lr 0.000500
---------------------------------------------------------------------
torch.Size([1, 100])
该文本的类别是：Travel-Query
Process finished with exit code 0
接着运行下述代码：
test_acc, test_loss = evaluate(valid_dataloader)
print('模型准确率为：{:5.4f}'.format(test_acc))代码输出为：
模型准确率为：0.88315.2 使用测试数据集评估模型
def predict(text, text_pipeline):
with torch.no_grad():
text = torch.tensor(text_pipeline(text), dtype=torch.float32)
print(text.shape)
output = model(text)
return output.argmax(1).item()
ex_text_str = "还有双鸭山到淮阴的汽车票吗13号的"
model = model.to("cpu")
print("该文本的类别是：%s" %label_name[predict(ex_text_str, text_pipeline)])代码输出为：
torch.Size([1, 100])
该文本的类别是：Travel-Query5.3 结果可视化
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore") #忽略警告信息
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.rcParams['figure.dpi'] = 100 #分辨率
epochs_range = range(EPOCHS)
plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, total_val_acc, label='Val Accuracy')
plt.legend(loc='lower right')
plt.title('Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, total_val_loss, label='Val Loss')
plt.legend(loc='upper right')
plt.title('Validation Loss')
plt.show()可视化结果：
