深度学习Day-38：Pytorch文本分类入门
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：
- 了解文本分类的基本流程
- 学习常用数据清洗方法
- 学习如何使用jieba实现英文分词
- 学习如何构建文本向量
1.前期准备
1.1 环境安装
pip install torchvision==0.15.0
pip install torchaudio==2.0.1
pip install torch==2.0.01.2 加载数据
import torchvision
from torchvision import transforms, datasets
import torch
import torch.nn as nn
import os,PIL,pathlib,warnings
warnings.filterwarnings("ignore") #忽略警告信息
# win10系统，调用GPU运行
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device代码输出为：
device(type='cpu')
1.3 构建词典
from torchtext.datasets import AG_NEWS
train_iter = AG_NEWS(split='train') # 加载 AG News 数据集
from torchtext.data.utils import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
tokenizer = get_tokenizer('basic_english') # 返回分词器函数，训练营内“get_tokenizer函数详解”一文
def yield_tokens(data_iter):
for _, text in data_iter:
yield tokenizer(text)
vocab = build_vocab_from_iterator(yield_tokens(train_iter),
specials=[""])
vocab.set_default_index(vocab[""]) # 设置默认索引，如果找不到单词，则会选择默认索引
torchtext.datasets.AG_NEWS()是一个用于加载 AG News 数据集的 TorchText 数据集类。AG News 数据集是一个用于文本分类任务的常见数据集，其中包含四个类别的新闻文章：世界、科技、体育和商业。torchtext.datasets.AG_NEWS() 类加载的数据集是一个列表，其中每个条目都是一个元组，包含以下两个元素：
- 一条新闻文章的文本内容
- 新闻文章所属的类别（一个整数，从1到4，分别对应世界、科技、体育和商业）
抽查索引：
text_pipeline = lambda x: vocab(tokenizer(x))
label_pipeline = lambda x: int(x) - 1
text_pipeline('here is the an example')
代码输出为：
[475, 21, 2, 30, 5297].data.utils.get_tokenizer() 是一个用于将文本数据分词的函数。它返回一个分词器（tokenizer）函数，可以将一个字符串转换成一个单词的列表。这个函数可以接受两个参数：tokenizer 和 language，tokenizer参数指定要使用的分词器的名称。
1.4 生成数据批次和迭代器
from torch.utils.data import DataLoader
def collate_batch(batch):
label_list, text_list, offsets = [], [], [0]
for (_label, _text) 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.int64)
text_list.append(processed_text)
# 偏移量，即语句的总词汇量
offsets.append(processed_text.size(0))
label_list = torch.tensor(label_list, dtype=torch.int64)
text_list = torch.cat(text_list)
offsets = torch.tensor(offsets[:-1]).cumsum(dim=0) #返回维度dim中输入元素的累计和
return label_list.to(device), text_list.to(device), offsets.to(device)
# 数据加载器
dataloader = DataLoader(train_iter,
batch_size=8,
shuffle =False,
collate_fn=collate_batch)
2.准备模型
2.1 定义模型
from torch import nn
class TextClassificationModel(nn.Module):
def __init__(self, vocab_size, embed_dim, num_class):
super(TextClassificationModel, self).__init__()
self.embedding = nn.EmbeddingBag(vocab_size, # 词典大小
embed_dim, # 嵌入的维度
sparse=False) #
self.fc = nn.Linear(embed_dim, num_class)
self.init_weights()
def init_weights(self):
initrange = 0.5
self.embedding.weight.data.uniform_(-initrange, initrange)
self.fc.weight.data.uniform_(-initrange, initrange)
self.fc.bias.data.zero_()
def forward(self, text, offsets):
embedded = self.embedding(text, offsets)
return self.fc(embedded)
这里定义TextClassificationModel模型，首先对文本进行嵌入，然后对句子嵌入之后的结果进行均值聚合。
self.embedding.weight.data.uniform_(-initrange, initrange)这段代码是在 PyTorch 框架下用于初始化神经网络的词嵌入层（embedding layer）权重的一种方法。这里使用了均匀分布的随机值来初始化权重，具体来说，其作用如下：
- self.embedding: 这是神经网络中的词嵌入层（embedding layer）。词嵌入层的作用是将离散的单词表示（通常为整数索引）映射为固定大小的连续向量。这些向量捕捉了单词之间的语义关系，并作为网络的输入。
- self.embedding.weight: 这是词嵌入层的权重矩阵，它的形状为 (vocab_size, embedding_dim)，其中 vocab_size 是词汇表的大小，embedding_dim 是嵌入向量的维度。
- self.embedding.weight.data: 这是权重矩阵的数据部分，我们可以在这里直接操作其底层的张量。
- uniform_(-initrange, initrange): 这是一个原地操作（in-place operation），用于将权重矩阵的值用一个均匀分布进行初始化。均匀分布的范围为 [-initrange, initrange]，其中initrange 是一个正数。
通过这种方式初始化词嵌入层的权重，可以使得模型在训练开始时具有一定的随机性，有助于避免梯度消失或梯度爆炸等问题。在训练过程中，这些权重将通过优化算法不断更新，以捕捉到更好的单词表示。
2.2 定义实例
num_class = len(set([label for (label, text) in train_iter]))
vocab_size = len(vocab)
em_size = 64
model = TextClassificationModel(vocab_size, em_size, num_class).to(device)
2.3 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 = 500
start_time = time.time()
for idx, (label, text, offsets) in enumerate(dataloader):
predicted_label = model(text, offsets)
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
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, (label, text, offsets) in enumerate(dataloader):
predicted_label = model(text, offsets)
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_count
3.训练模型
3.1 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
train_iter, test_iter = AG_NEWS() # 加载数据
train_dataset = to_map_style_dataset(train_iter)
test_dataset = to_map_style_dataset(test_iter)
num_train = int(len(train_dataset) * 0.95)
split_train_, split_valid_ = random_split(train_dataset,
[num_train, len(train_dataset)-num_train])
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)
test_dataloader = DataLoader(test_dataset, batch_size=BATCH_SIZE,
shuffle=True, collate_fn=collate_batch)
for epoch in range(1, EPOCHS + 1):
epoch_start_time = time.time()
train(train_dataloader)
val_acc, val_loss = evaluate(valid_dataloader)
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}'.format(epoch,
time.time() - epoch_start_time,
val_acc,val_loss))
print('-' * 69)
代码输出为：
| epoch 1 | 500/1782 batches | train_acc 0.711 train_loss 0.01138
| epoch 1 | 1000/1782 batches | train_acc 0.863 train_loss 0.00631
| epoch 1 | 1500/1782 batches | train_acc 0.881 train_loss 0.00551
---------------------------------------------------------------------
| epoch 1 | time: 15.64s | valid_acc 0.841 valid_loss 0.007
---------------------------------------------------------------------
| epoch 2 | 500/1782 batches | train_acc 0.902 train_loss 0.00457
| epoch 2 | 1000/1782 batches | train_acc 0.903 train_loss 0.00451
| epoch 2 | 1500/1782 batches | train_acc 0.905 train_loss 0.00440
---------------------------------------------------------------------
| epoch 2 | time: 15.79s | valid_acc 0.877 valid_loss 0.006
---------------------------------------------------------------------
| epoch 3 | 500/1782 batches | train_acc 0.919 train_loss 0.00382
| epoch 3 | 1000/1782 batches | train_acc 0.917 train_loss 0.00379
| epoch 3 | 1500/1782 batches | train_acc 0.916 train_loss 0.00389
---------------------------------------------------------------------
| epoch 3 | time: 15.24s | valid_acc 0.858 valid_loss 0.006
---------------------------------------------------------------------
| epoch 4 | 500/1782 batches | train_acc 0.939 train_loss 0.00297
| epoch 4 | 1000/1782 batches | train_acc 0.937 train_loss 0.00301
| epoch 4 | 1500/1782 batches | train_acc 0.936 train_loss 0.00304
---------------------------------------------------------------------
| epoch 4 | time: 15.48s | valid_acc 0.912 valid_loss 0.004
---------------------------------------------------------------------
| epoch 5 | 500/1782 batches | train_acc 0.939 train_loss 0.00295
| epoch 5 | 1000/1782 batches | train_acc 0.941 train_loss 0.00289
| epoch 5 | 1500/1782 batches | train_acc 0.942 train_loss 0.00287
---------------------------------------------------------------------
| epoch 5 | time: 15.37s | valid_acc 0.914 valid_loss 0.004
---------------------------------------------------------------------
| epoch 6 | 500/1782 batches | train_acc 0.942 train_loss 0.00282
| epoch 6 | 1000/1782 batches | train_acc 0.941 train_loss 0.00287
| epoch 6 | 1500/1782 batches | train_acc 0.941 train_loss 0.00286
---------------------------------------------------------------------
| epoch 6 | time: 14.84s | valid_acc 0.913 valid_loss 0.004
---------------------------------------------------------------------
| epoch 7 | 500/1782 batches | train_acc 0.941 train_loss 0.00284
| epoch 7 | 1000/1782 batches | train_acc 0.944 train_loss 0.00274
| epoch 7 | 1500/1782 batches | train_acc 0.943 train_loss 0.00278
---------------------------------------------------------------------
| epoch 7 | time: 13.46s | valid_acc 0.913 valid_loss 0.004
---------------------------------------------------------------------
| epoch 8 | 500/1782 batches | train_acc 0.944 train_loss 0.00273
| epoch 8 | 1000/1782 batches | train_acc 0.943 train_loss 0.00280
| epoch 8 | 1500/1782 batches | train_acc 0.944 train_loss 0.00274
---------------------------------------------------------------------
| epoch 8 | time: 13.50s | valid_acc 0.914 valid_loss 0.004
---------------------------------------------------------------------
| epoch 9 | 500/1782 batches | train_acc 0.943 train_loss 0.00275
| epoch 9 | 1000/1782 batches | train_acc 0.944 train_loss 0.00276
| epoch 9 | 1500/1782 batches | train_acc 0.944 train_loss 0.00276
---------------------------------------------------------------------
| epoch 9 | time: 13.43s | valid_acc 0.914 valid_loss 0.004
---------------------------------------------------------------------
| epoch 10 | 500/1782 batches | train_acc 0.943 train_loss 0.00278
| epoch 10 | 1000/1782 batches | train_acc 0.942 train_loss 0.00279
| epoch 10 | 1500/1782 batches | train_acc 0.945 train_loss 0.00272
---------------------------------------------------------------------
| epoch 10 | time: 13.28s | valid_acc 0.914 valid_loss 0.004
---------------------------------------------------------------------
torchtext.data.functional.to_map_style_dataset 函数的作用是将一个迭代式的数据集（Iterable-style dataset）转换为映射式的数据集（Map-style dataset）。这个转换使得我们可以通过索引（例如：整数）更方便地访问数据集中的元素。
在 PyTorch 中，数据集可以分为两种类型：Iterable-style 和 Map-style。Iterable-style 数据集实现了 __ iter__() 方法，可以迭代访问数据集中的元素，但不支持通过索引访问。而 Map-style 数据集实现了 __ getitem__() 和 __ len__() 方法，可以直接通过索引访问特定元素，并能获取数据集的大小。
TorchText 是 PyTorch 的一个扩展库，专注于处理文本数据。torchtext.data.functional 中的 to_map_style_dataset 函数可以帮助我们将一个 Iterable-style 数据集转换为一个易于操作的 Map-style 数据集。这样，我们可以通过索引直接访问数据集中的特定样本，从而简化了训练、验证和测试过程中的数据处理。
3.2 使用测试数据集评估模型
print('Checking the results of test dataset.')
test_acc, test_loss = evaluate(test_dataloader)
print('test accuracy {:8.3f}'.format(test_acc))
代码输出为：
Checking the results of test dataset.
test accuracy 0.911