rnn-人名案例实现
模型训练实现:
coding: utf-8
导入torch工具
import json
import torch
导入nn准备构建模型
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
导入torch的数据源 数据迭代器工具包
from torch.utils.data import Dataset, DataLoader
用于获得常见字母及字符规范化
import string
导入时间工具包
import time
引入制图工具包
import matplotlib.pyplot as plt
从io中导入文件打开方法
from io import open
from tqdm import tqdm
1.获取常用的字符和标点
all_letters = string.ascii_letters + " .,;'"
print(f’all_letters–>{all_letters}')
n_letter = len(all_letters)
print(f’all_letters长度–>{len(all_letters)}‘)
print(’*'*80)
2.获取国家类别总数
国家名 种类数
categorys = [‘Italian’, ‘English’, ‘Arabic’, ‘Spanish’, ‘Scottish’, ‘Irish’, ‘Chinese’, ‘Vietnamese’, ‘Japanese’,
‘French’, ‘Greek’, ‘Dutch’, ‘Korean’, ‘Polish’, ‘Portuguese’, ‘Russian’, ‘Czech’, ‘German’]
国家名 个数
categorynum = len(categorys)
print(‘categorys—>’, categorys)
print(‘*’*80)
categorys = [‘Italian’, ‘English’, ‘Arabic’, ‘Spanish’, ‘Scottish’, ‘Irish’, ‘Chinese’, ‘Vietnamese’, ‘Japanese’,
‘French’, ‘Greek’, ‘Dutch’, ‘Korean’, ‘Polish’, ‘Portuguese’, ‘Russian’, ‘Czech’, ‘German’]
国家名 个数
categorynum = len(categorys)
print(‘categorys—>’, categorys)
print(‘*’*80)
def read_data(filename):
# 1. 初始化两个空列表
my_list_x, my_list_y = [], []
# 2. 读取文件内容
with open(filename,‘r’, encoding=‘utf-8’) as fr:
for line in fr.readlines():
if len(line) <= 5:
continue
# strip()方法默认将字符串首尾两端的空白去掉
x, y = line.strip().split(‘\t’)
my_list_x.append(x)
my_list_y.append(y)
return my_list_x, my_list_y
todo 构建数据源
class NameClassDataset(Dataset):
def init(self, mylist_x, mylist_y):
self.mylist_x = mylist_x
self.mylist_y = mylist_y
self.sample_len = len(mylist_x)
def __len__(self):
return self.sample_len
def __getitem__(self, index):
# todo 异常值处理 max(x,y) 取x,y较大的值,若小于0则取0
# todo min(x,y) 取最小的值 保证索引不超出界限
index = min(max(index, 0), self.sample_len - 1)
x = self.mylist_x[index]
y = self.mylist_y[index]
# todo one-hot处理 0,1 创建全0张量 特征置为一 就实现了one-hot编码
tensor_x=torch.zeros(len(x),n_letter)
# li 索引 letter 值
for li,letter in enumerate(x):
# todo 将得到第li行数第find列置为1
tensor_x[li][all_letters.find(letter)]=1
# 返回值的索引 置为张量
tensor_y=torch.tensor(categorys.index(y),dtype=torch.long)
return tensor_x,tensor_y
def get_dataloader():
# todo 核心思想: 处理脏数据 封装数据处理方法 将数据打乱分批次
filename = ‘…/data/name_classfication.txt’
my_list_x, my_list_y = read_data(filename)
mydataset = NameClassDataset(mylist_x=my_list_x, mylist_y=my_list_y)
my_dataloader = DataLoader(dataset=mydataset, batch_size=1, shuffle=True)
return my_dataloader
class MyRNN(nn.Module):
def init(self, input_size, hidden_size, ouput_size, num_layers=1):
# 调用nn方法
super().init()
# todo 输入 长度不一致的数据:文本 时间序列数据 长度一致:语音 图像
# todo 再这里输入前需要对数据处理保证长度一致 方法:填充 截断
self.input_size = input_size
# todo 长度固定 8 62 128 256
self.hidden_size = hidden_size
# todo 长度等于要预测的种类数量
self.ouput_size = ouput_size
self.num_layers = num_layers
# rnn网络层 todo 昨天区别参数顺序不一致 因为batch_first=true
self.rnn = nn.RNN(self.input_size, self.hidden_size,
num_layers=self.num_layers, batch_first=True)
# 输出层
self.linear = nn.Linear(self.hidden_size, self.ouput_size)
# softmax层
# todo Softmax 函数会将输入转换为概率分布，然后再通过 CrossEntropyLoss 计算交叉熵损失。
# todo LogSoftmax 先将输入转换为对数概率分布，然后与 NLLLoss 结合计算损失。
# todo 选型 回归:mse mae 分类 Softmax LogSoftmax
# todo 选型: LogSoftmax + NLLLoss 计算快多分类
# todo 选型: Softmax + CrossEntropyLoss 默认多分类 不稳定
# todo dim=-1 最后一个维度
self.softmax = nn.LogSoftmax(dim=-1)
def forward(self,input,hidden):
rnn_output, rnn_hn = self.rnn(input, hidden)
# todo 保持维度一致 如果这里维度不统一后续计算会出错
tmep = rnn_output[0][-1].unsqueeze(0)
output = self.linear(tmep)
return self.softmax(output), rnn_hn
# 初始化隐藏值 第一个时间步需要
def inithidden(self):
return torch.zeros(self.num_layers, 1, self.hidden_size)
todo 测试 方法: 模型置为评估 单个数据输送 全部数据输送 指标评估
def test_RNN():
# todo 核心思想加载数据 置为需要的张量形状 调用模型 查看模型输出结果
# 1.得到数据
my_dataloader = get_dataloader()
# 2.实例化模型
input_size = n_letter # 57
hidden_size = 128 # 自定设定RNN模型输出结果维度
output_size = len(categorys) # 18
my_rnn = MyRNN(input_size, hidden_size, output_size)
h0 = my_rnn.inithidden()
for i, (x, y) in enumerate(my_dataloader):
print(f’x—>{x.shape}‘)
output, hn = my_rnn(input=x, hidden=h0)
print(f’output模型输出结果–>{output.shape}’)
print(f’hn–>{hn.shape}')
break
epochs = 1
my_lr = 1e-3
todo 模型训练
def train_RNN():
# todo 核心思想: 加载数据集 置换维度形状 调用模型
my_list_x, my_list_y = read_data(filename=‘…/data/name_classfication.txt’)
# 实例化自己定义的Dataset
myDataset = NameClassDataset(mylist_x=my_list_x, mylist_y=my_list_y)
# 实例化自己的Dataloader
my_dataloader = DataLoader(dataset=myDataset, batch_size=1, shuffle=True)
input_size = 57
hidden_size = 128
ouput_size = 18
my_rnn = MyRNN(input_size, hidden_size, ouput_size)
# todo forward定义了损失函数的话这里为什么还需要定义? 因为这是整个训练过程 函数内是单个的不是全局
#todo --------- 损失函数和优化器可以互换置
my_crossentropy=nn.NLLLoss()
my_optimizer=optim.Adam(my_rnn.parameters(),lr=my_lr)
#todo ---------
start_time = time.time() # 开始的时间
total_iter_num = 0 # 已经训练好的样本数
total_loss = 0 # 已经训练的总损失
total_loss_list = [] # 每隔100步存储一下平均损失
total_acc_num = 0 # 已经训练的样本数预测正确的样本
total_acc_list = [] # 每隔100步存储一下平均准确率
#训练
#批次
for epoch_idx in range(epochs):
# 批次样本数量
for i, (x, y) in enumerate(tqdm(my_dataloader)):
# todo 这里为什么要再次初始化???模型内部已经实现了
# todo 答: 在 PyTorch 中，每个批次数据的计算图（Computational Graph）会被动态构建。
# 在每次向后传播（backward）之前，计算图会被清空以释放显存，并且隐藏状态等变量也会被重置
h0=my_rnn.inithidden()
output,hn=my_rnn(input=x,hidden=h0)
# todo 注意: 以下顺序不能变 否则精度不准确
# 预测值和真实值做计算
my_loss = my_crossentropy(output, y)
# 优化器梯度清零
my_optimizer.zero_grad()
# 损失函数反向传播
my_loss.backward()
# 优化器更新参数
my_optimizer.step()
total_iter_num += 1 # 计数
total_loss += my_loss.item() # 累计损失值
# todo 模型预测的类别与真实值对比 对为1
item1 = 1 if torch.argmax(output, dim=-1).item() == y.item() else 0
total_acc_num += item1 # 累计正确样本的个数
# 每隔100步存储一下平均损失和准确率
if total_iter_num % 100 == 0:
# 保存平均损失
loss_avg = total_loss / total_iter_num
total_loss_list.append(loss_avg)
# 保存平均准确率
acc_avg = total_acc_num / total_iter_num
total_acc_list.append(acc_avg)
if total_iter_num % 2000 == 0:
loss_avg = total_loss / total_iter_num
acc_avg = total_acc_num / total_iter_num
end_time = time.time()
use_time = end_time-start_time
print("当前训练的批次: %d,平均损失: %.5f, 训练时间: %.3f, 准确率: %.2f"%(epoch_idx+1,
loss_avg,
use_time,
acc_avg))
# todo 模型保存作用: 复用和部署
#todo 模型结构: 输入层 隐藏层 输出层
# todo 模型参数: 权重偏执
#todo my_rnn.state_dict() 只保存模型参数 不保存模型结构
# 加载方法:
# model = MyRNN(input_size=10, hidden_size=128, output_size=5)
# model.load_state_dict(torch.load('./my_rnn_state_dict.pth'))
#todo torch.save() 保存结构和参数
# todo model = torch.load('../model/my_rnn_model.pth')
torch.save(my_rnn.state_dict(),'../model/my_rnn.bin')
all_time = time.time() - start_time
return total_loss_list, all_time, total_acc_list
def save_rnn_results():
# 1. 训练模型得到需要的结果
total_loss_list, all_time, total_acc_list = train_RNN() # 假设train_my_rnn是另一个函数，用于训练RNN模型并返回损失列表、总时间消耗和准确率列表
# 2. 定义一个字典
dict1 = {"loss": total_loss_list, # 字典中包含损失列表
"time": all_time, # 字典中包含总时间消耗
"acc": total_acc_list} # 字典中包含准确率列表
# 3. 保存到一个json格式的文件
with open("../rnn_result.json", "w") as fw: # 打开一个名为"rnn_result.json"的文件，用于写入
fw.write(json.dumps(dict1)) # 使用json.dumps将字典dict1转换为JSON格式的字符串，并写入文件
读取json文件内容
def read_json():
with open(“…/rnn_result.json”, “r”) as fr: # 打开一个名为"rnn_result.json"的文件，用于读取
results = json.load(fr) # 使用json.load将JSON格式的字符串转换回字典
return results # 返回读取到的字典
if name == ‘main’:
test_RNN()
train_RNN()
save_rnn_results()
read_json()
模型预测:
coding: utf-8
导入torch工具
import json
import torch
导入nn准备构建模型
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
导入torch的数据源 数据迭代器工具包
from torch.utils.data import Dataset, DataLoader
用于获得常见字母及字符规范化
import string
导入时间工具包
import time
引入制图工具包
import matplotlib.pyplot as plt
从io中导入文件打开方法
from io import open
from tqdm import tqdm
from nlp_self.day03.rnn.example_rnn_train import read_json, MyRNN
import os
os.environ[‘KMP_DUPLICATE_LIB_OK’]=‘True’
all_letters = string.ascii_letters + " .,;'"
print(f’all_letters–>{all_letters}')
n_letter = len(all_letters)
print(f’all_letters长度–>{len(all_letters)}‘)
print(’*'*80)
2.获取国家类别总数
国家名 种类数
categorys = [‘Italian’, ‘English’, ‘Arabic’, ‘Spanish’, ‘Scottish’, ‘Irish’, ‘Chinese’, ‘Vietnamese’, ‘Japanese’,
‘French’, ‘Greek’, ‘Dutch’, ‘Korean’, ‘Polish’, ‘Portuguese’, ‘Russian’, ‘Czech’, ‘German’]
国家名 个数
categorynum = len(categorys)
print(‘categorys—>’, categorys)
画图
def plt_RNN():
#加载模型参数
rnn_results=read_json()
# todo 根据key获取
total_loss_list_rnn, all_time_rnn, total_acc_list_rnn =rnn_results[‘loss’],rnn_results[‘time’],rnn_results[‘acc’]
# 损失对比
plt.figure(0)
plt.plot(total_loss_list_rnn,label=‘RNN’)
plt.legend(loc=“upper left”)
# todo 保存图片
plt.savefig(‘…/pictures/loss.png’)
plt.show()
构建模型入参
def line2tensor(x):
#todo 核心思想: 模型不能识别文字需要转码 常用词嵌入 onehot
# todo 选型: 字符就用one-hot 单词就用词嵌入
tensor_x=torch.zeros(len(x),n_letter)
for li,letter in enumerate(x):
# todo 找到的张量置为1 实现one-hot编码
tensor_x[li][all_letters.find(letter)]=1
return tensor_x
todo 模型预测
def rnn_predict(x):
# todo 模型预测和训练区别: 数据不一致:训练要标签数据 预测不需要 训练要反向传播 预测不需要
# todo 方法: 单步 多步 递归预测(模型使用已有的预测结果作为下一个时间步的输入，依次递归预测整个序列)
# todo : 核心思想: 传数据 调用模型
# todo 调用模型属于推理过程 要使用上下文管理器 (它可以临时地关闭 PyTorch 中的梯度计算。在这个上下文中的所有操作，都不会被记录在计算图中，也不会影响梯度的计算)
# todo 开始预测过程: 1.上下文管理器 2参数初始化(因为每次调用pytorch会清空隐藏状态) 3. 取出预测结果
tensor_x=line2tensor(x)
my_rnn = MyRNN(input_size=57, hidden_size=128, ouput_size=18)
my_rnn.load_state_dict(torch.load(‘…/model/my_rnn.bin’))
# # todo 上下文管理器 关闭梯度计算 推理过程关闭
with torch.no_grad():
# todo 升维 保持现状一致
input0=tensor_x.unsqueeze(0)
h0=my_rnn.inithidden()
output, hn = my_rnn(input0, h0)
# todo 取出预测最大值
topv,topi=output.topk(3,1,True)
for i in range(3):
value = topv[0][i]
index = topi[0][i]
category = categorys[index]
print('RNN模型预测的结果：%.2f, 国家类别是%s'% (value, category))
if name == ‘main’:
#plt_RNN()
rnn_predict(‘Wang’)