• NLP 使用Word2vec实现文本分类

    🍨 本文为[🔗365天深度学习训练营学习记录博客
     
    🍦 参考文章：365天深度学习训练营
     
    🍖 原作者：[K同学啊 | 接辅导、项目定制]\n🚀 文章来源：[K同学的学习圈子](https://www.yuque.com/mingtian-fkmxf/zxwb45)

    一、加载数据 

    1. import torch
    2. import torch.nn as nn
    3. import torchvision
    4. from torchvision import transforms, datasets
    5. import os,PIL,pathlib,warnings
    6.  
    7. warnings.filterwarnings("ignore")             #忽略警告信息
    8.  
    9. device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    10. print(device)
    11.  
    12. import pandas as pd
    13.  
    14. # 加载自定义中文数据
    15. train_data = pd.read_csv('D:/train.csv', sep='\t', header=None)
    16. print(train_data)

     二、构造数据迭代器

    1. # 构造数据集迭代器
    2. def coustom_data_iter(texts, labels):
    3.     for x, y in zip(texts, labels):
    4.         yield x, y
    5.         
    6. x = train_data[0].values[:]
    7. #多类标签的one-hot展开
    8. y = train_data[1].values[:]
    9. print(x,"\n",y)

    yield x, y：使用 yield 关键字，将每次迭代得到的 (x, y) 元组作为迭代器的输出。yield 的作用类似于 return，但不同之处在于它会暂停函数的执行，并将结果发送给调用方，但函数的状态会被保留，以便下次调用时从上次离开的地方继续执行。 

     三、构建词典

    1. from gensim.models.word2vec import Word2Vec
    2. import numpy as np
    3.  
    4. # 训练 Word2Vec 浅层神经网络模型
    5. w2v = Word2Vec(vector_size=100, #是指特征向量的维度，默认为100。
    6.                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。
    7.  
    8. w2v.build_vocab(x)
    9. w2v.train(x,                         
    10.           total_examples=w2v.corpus_count, 
    11.           epochs=20)

    Word2Vec可以直接训练模型，一步到位。这里分了三步

    • Word2Vec(vector_size=100, min_count=3): 创建了一个Word2Vec对象，设置了词向量的维度为100，同时设置了词频最小值为3，即只有在训练语料中出现次数不少于3次的词才会被考虑。

    • w2v.build_vocab(x): 使用 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。

    • w2v.train(x, total_examples=w2v.corpus_count, epochs=20): 训练Word2Vec模型，其中：

    1. x是训练数据。
    2. total_examples=w2v.corpus_count: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
    3. epochs=20指定了训练的轮数，每轮对整个数据集进行一次训练。
    1. # 将文本转化为向量
    2. def average_vec(text):
    3.     vec = np.zeros(100).reshape((1, 100))
    4.     for word in text:
    5.         try:
    6.             vec += w2v.wv[word].reshape((1, 100))
    7.         except KeyError:
    8.             continue
    9.     return vec
    10.  
    11. # 将词向量保存为 Ndarray
    12. x_vec = np.concatenate([average_vec(z) for z in x])
    13.  
    14. # 保存 Word2Vec 模型及词向量
    15. w2v.save('w2v_model.pkl')

    这段代码逐步完成了将文本转化为词向量的过程，并保存了Word2Vec模型及词向量。

    1. average_vec(text): 这个函数接受一个文本列表作为输入，并返回一个平均词向量。它首先创建了一个形状为 (1, 100) 的全零NumPy数组 vec，用于存储文本的词向量的累加和。然后，它遍历文本中的每个词，尝试从已经训练好的Word2Vec模型中获取词向量，如果词在模型中存在，则将其词向量加到 vec 中。如果词不在模型中（KeyError异常），则跳过该词。最后，返回词向量的平均值。

    2. x_vec = np.concatenate([average_vec(z) for z in x]): 这一行代码使用列表推导式，对数据集中的每个文本 z 调用 average_vec 函数，得到文本的词向量表示。然后，使用 np.concatenate 函数将这些词向量连接成一个大的NumPy数组 x_vec。这个数组的形状是 (样本数, 100)，其中样本数是数据集中文本的数量。

    3. w2v.save('w2v_model.pkl'): 这一行代码保存了训练好的Word2Vec模型及词向量。w2v.save() 方法将整个Word2Vec模型保存到文件中。

    1. train_iter = coustom_data_iter(x_vec, y)
    2. print(len(x),len(x_vec))

    1. train_iter = coustom_data_iter(x_vec, y): 这行代码创建了一个名为 train_iter 的迭代器，用于迭代训练数据。它调用了一个名为 coustom_data_iter 的函数，该函数接受两个参数 x_vec 和 y，分别表示训练样本的特征和标签。在这个上下文中，x_vec 是一个NumPy数组，包含了训练样本的特征向量表示，y 是一个数组，包含了训练样本的标签。该迭代器将用于训练模型。

    2. print(len(x),len(x_vec)): 这行代码打印了训练数据的长度，即 x 的长度和 x_vec 的长度。在这里，len(x) 表示训练样本的数量，len(x_vec) 表示每个样本的特征向量的长度（通常表示特征的维度）。这行代码的目的是用于验证数据的准备是否正确，以及特征向量的维度是否与预期一致。

     

    1. label_name = list(set(train_data[1].values[:]))
    2. print(label_name)

     四、生成数据批次和迭代器

    1. text_pipeline  = lambda x: average_vec(x)
    2. label_pipeline = lambda x: label_name.index(x)
    3. print(text_pipeline("你在干嘛"))
    4. print(label_pipeline("Travel-Query"))

    1. text_pipeline = lambda x: average_vec(x): 这一行定义了一个名为 text_pipeline 的匿名函数（lambda函数），它接受一个参数 x（文本数据）。在函数体内部，它调用了前面定义的 average_vec 函数，将文本数据 x 转换为词向量的平均值。

    2. label_pipeline = lambda x: label_name.index(x): 这一行定义了另一个匿名函数 label_pipeline，它接受一个参数 x，该参数表示标签数据。在函数体内部，它调用了 index 方法来查找标签在 label_name 列表中的索引，并返回该索引值。

    3. print(text_pipeline("你在干嘛")): 这行代码调用了 text_pipeline 函数，将字符串 "你在干嘛" 作为参数传递给函数。函数会将这个文本转换为词向量的平均值，并打印出来。

    4. print(label_pipeline("Travel-Query")): 这行代码调用了 label_pipeline 函数，将字符串 "Travel-Query" 作为参数传递给函数。函数会在 label_name 列表中查找 "Travel-Query" 的索引，并打印出来。

     

    1. from torch.utils.data import DataLoader
    2.  
    3. def collate_batch(batch):
    4.     label_list, text_list= [], []
    5.     
    6.     for (_text, _label) in batch:
    7.         # 标签列表
    8.         label_list.append(label_pipeline(_label))
    9.         
    10.         # 文本列表
    11.         processed_text = torch.tensor(text_pipeline(_text), dtype=torch.float32)
    12.         text_list.append(processed_text)
    13.  
    14.     label_list = torch.tensor(label_list, dtype=torch.int64)
    15.     text_list  = torch.cat(text_list)
    16.     
    17.     return text_list.to(device),label_list.to(device)
    18.  
    19. # 数据加载器，调用示例
    20. dataloader = DataLoader(train_iter,
    21.                         batch_size=8,
    22.                         shuffle   =False,
    23.                         collate_fn=collate_batch)

    1. text_pipeline = lambda x: average_vec(x): 这行代码创建了一个名为 text_pipeline 的匿名函数，该函数接受一个参数 x，表示文本数据。在这里，text_pipeline 函数被定义为 average_vec(x)，即调用之前定义的 average_vec 函数，用来将文本转换为向量表示。

    2. label_pipeline = lambda x: label_name.index(x): 这行代码创建了一个名为 label_pipeline 的匿名函数，该函数接受一个参数 x，表示标签数据。在这里，label_pipeline 函数被定义为 label_name.index(x)，即查找 x 在 label_name 列表中的索引，返回其索引值作为标签的表示。

    3. collate_batch(batch): 这是一个自定义的函数，用于处理一个批次（batch）的数据。它接受一个批次的数据作为输入，并对数据进行处理，最后返回处理后的文本和标签列表。

    4. 在 collate_batch 函数中：

      • 首先，创建了两个空列表 label_list 和 text_list，用于存储标签和文本数据。
      • 然后，对批次中的每个样本进行遍历，提取样本的文本和标签。
      • 对于标签部分，调用了 label_pipeline 函数将标签转换为模型可接受的格式，并添加到 label_list 中。
      • 对于文本部分，调用了 text_pipeline 函数将文本转换为向量表示，并转换为 PyTorch 张量格式，并添加到 text_list 中。
      • 最后，将 label_list 转换为 PyTorch 整数张量格式，将 text_list 进行拼接并转换为 PyTorch 浮点数张量格式，并返回这两个张量。

    5. dataloader = DataLoader(train_iter, batch_size=8, shuffle=False, collate_fn=collate_batch): 这行代码创建了一个 PyTorch 的数据加载器 DataLoader，用于加载训练数据。其中参数说明如下：

      • train_iter 是之前定义的用于迭代训练数据的迭代器。
      • batch_size=8 指定了每个批次的样本数量为 8。
      • shuffle=False 表示不对数据进行洗牌，即不打乱样本的顺序。
      • collate_fn=collate_batch 指定了数据加载器在每个批次加载数据时调用的数据处理函数为 collate_batch 函数，用于处理每个批次的数据。

     

    五、构建模型

    1. from torch import nn
    2.  
    3. class TextClassificationModel(nn.Module):
    4.  
    5.     def __init__(self, num_class):
    6.         super(TextClassificationModel, self).__init__()
    7.         self.fc = nn.Linear(100, num_class)
    8.  
    9.     def forward(self, text):
    10.         return self.fc(text)
    11.  
    12. num_class  = len(label_name)
    13. vocab_size = 100000
    14. em_size    = 12
    15. model      = TextClassificationModel(num_class).to(device)
    16.  
    17. import time
    18.  
    19. def train(dataloader):
    20.     model.train()  # 切换为训练模式
    21.     total_acc, train_loss, total_count = 0, 0, 0
    22.     log_interval = 50
    23.     start_time   = time.time()
    24.  
    25.     for idx, (text,label) in enumerate(dataloader):
    26.         predicted_label = model(text)
    27.         
    28.         optimizer.zero_grad()                    # grad属性归零
    29.         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
    30.         loss.backward()                          # 反向传播
    31.         torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪
    32.         optimizer.step()  # 每一步自动更新
    33.         
    34.         # 记录acc与loss
    35.         total_acc   += (predicted_label.argmax(1) == label).sum().item()
    36.         train_loss  += loss.item()
    37.         total_count += label.size(0)
    38.         
    39.         if idx % log_interval == 0 and idx > 0:
    40.             elapsed = time.time() - start_time
    41.             print('| epoch {:1d} | {:4d}/{:4d} batches '
    42.                   '| train_acc {:4.3f} train_loss {:4.5f}'.format(epoch, idx,len(dataloader),
    43.                                               total_acc/total_count, train_loss/total_count))
    44.             total_acc, train_loss, total_count = 0, 0, 0
    45.             start_time = time.time()
    46.  
    47. def evaluate(dataloader):
    48.     model.eval()  # 切换为测试模式
    49.     total_acc, train_loss, total_count = 0, 0, 0
    50.  
    51.     with torch.no_grad():
    52.         for idx, (text,label) in enumerate(dataloader):
    53.             predicted_label = model(text)
    54.             
    55.             loss = criterion(predicted_label, label)  # 计算loss值
    56.             # 记录测试数据
    57.             total_acc   += (predicted_label.argmax(1) == label).sum().item()
    58.             train_loss  += loss.item()
    59.             total_count += label.size(0)
    60.             
    61.     return total_acc/total_count, train_loss/total_count

    六、训练模型

    1. from torch.utils.data.dataset  import random_split
    2. from torchtext.data.functional import to_map_style_dataset
    3. # 超参数
    4. EPOCHS     = 10 # epoch
    5. LR         = 5  # 学习率
    6. BATCH_SIZE = 64 # batch size for training
    7.  
    8. criterion = torch.nn.CrossEntropyLoss()
    9. optimizer = torch.optim.SGD(model.parameters(), lr=LR)
    10. scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.1)
    11. total_accu = None
    12.  
    13. # 构建数据集
    14. train_iter    = coustom_data_iter(train_data[0].values[:], train_data[1].values[:])
    15. train_dataset = to_map_style_dataset(train_iter)
    16.  
    17. split_train_, split_valid_ = random_split(train_dataset,
    18.                                           [int(len(train_dataset)*0.8),int(len(train_dataset)*0.2)])
    19.  
    20. train_dataloader = DataLoader(split_train_, batch_size=BATCH_SIZE,
    21.                               shuffle=True, collate_fn=collate_batch)
    22.  
    23. valid_dataloader = DataLoader(split_valid_, batch_size=BATCH_SIZE,
    24.                               shuffle=True, collate_fn=collate_batch)
    25.  
    26. for epoch in range(1, EPOCHS + 1):
    27.     epoch_start_time = time.time()
    28.     train(train_dataloader)
    29.     val_acc, val_loss = evaluate(valid_dataloader)
    30.     
    31.     # 获取当前的学习率
    32.     lr = optimizer.state_dict()['param_groups'][0]['lr']
    33.     
    34.     if total_accu is not None and total_accu > val_acc:
    35.         scheduler.step()
    36.     else:
    37.         total_accu = val_acc
    38.     print('-' * 69)
    39.     print('| epoch {:1d} | time: {:4.2f}s | '
    40.           'valid_acc {:4.3f} valid_loss {:4.3f} | lr {:4.6f}'.format(epoch,
    41.                                            time.time() - epoch_start_time,
    42.                                            val_acc,val_loss,lr))
    43.  
    44.     print('-' * 69)
    45.  
    46. test_acc, test_loss = evaluate(valid_dataloader)
    47. print('模型准确率为：{:5.4f}'.format(test_acc))
    1. | epoch 1 |   50/ 152 batches | train_acc 0.732 train_loss 0.02655
    2. | epoch 1 |  100/ 152 batches | train_acc 0.822 train_loss 0.01889
    3. | epoch 1 |  150/ 152 batches | train_acc 0.838 train_loss 0.01798
    4. ---------------------------------------------------------------------
    5. | epoch 1 | time: 0.93s | valid_acc 0.812 valid_loss 0.019 | lr 5.000000
    6. ---------------------------------------------------------------------
    7. | epoch 2 |   50/ 152 batches | train_acc 0.840 train_loss 0.01745
    8. | epoch 2 |  100/ 152 batches | train_acc 0.843 train_loss 0.01807
    9. | epoch 2 |  150/ 152 batches | train_acc 0.843 train_loss 0.01846
    10. ---------------------------------------------------------------------
    11. | epoch 2 | time: 1.01s | valid_acc 0.854 valid_loss 0.020 | lr 5.000000
    12. ---------------------------------------------------------------------
    13. | epoch 3 |   50/ 152 batches | train_acc 0.850 train_loss 0.01770
    14. | epoch 3 |  100/ 152 batches | train_acc 0.850 train_loss 0.01675
    15. | epoch 3 |  150/ 152 batches | train_acc 0.859 train_loss 0.01565
    16. ---------------------------------------------------------------------
    17. | epoch 3 | time: 0.98s | valid_acc 0.836 valid_loss 0.023 | lr 5.000000
    18. ---------------------------------------------------------------------
    19. | epoch 4 |   50/ 152 batches | train_acc 0.898 train_loss 0.00972
    20. | epoch 4 |  100/ 152 batches | train_acc 0.892 train_loss 0.00936
    21. | epoch 4 |  150/ 152 batches | train_acc 0.900 train_loss 0.00948
    22. ---------------------------------------------------------------------
    23. | epoch 4 | time: 0.91s | valid_acc 0.879 valid_loss 0.011 | lr 0.500000
    24. ---------------------------------------------------------------------
    25. | epoch 5 |   50/ 152 batches | train_acc 0.911 train_loss 0.00679
    26. | epoch 5 |  100/ 152 batches | train_acc 0.899 train_loss 0.00786
    27. | epoch 5 |  150/ 152 batches | train_acc 0.903 train_loss 0.00752
    28. ---------------------------------------------------------------------
    29. | epoch 5 | time: 0.91s | valid_acc 0.879 valid_loss 0.010 | lr 0.500000
    30. ---------------------------------------------------------------------
    31. | epoch 6 |   50/ 152 batches | train_acc 0.905 train_loss 0.00692
    32. | epoch 6 |  100/ 152 batches | train_acc 0.915 train_loss 0.00595
    33. | epoch 6 |  150/ 152 batches | train_acc 0.910 train_loss 0.00615
    34. ---------------------------------------------------------------------
    35. | epoch 6 | time: 0.90s | valid_acc 0.880 valid_loss 0.010 | lr 0.050000
    36. ---------------------------------------------------------------------
    37. | epoch 7 |   50/ 152 batches | train_acc 0.907 train_loss 0.00615
    38. | epoch 7 |  100/ 152 batches | train_acc 0.911 train_loss 0.00602
    39. | epoch 7 |  150/ 152 batches | train_acc 0.908 train_loss 0.00632
    40. ---------------------------------------------------------------------
    41. | epoch 7 | time: 0.92s | valid_acc 0.881 valid_loss 0.009 | lr 0.050000
    42. ---------------------------------------------------------------------
    43. | epoch 8 |   50/ 152 batches | train_acc 0.903 train_loss 0.00656
    44. | epoch 8 |  100/ 152 batches | train_acc 0.915 train_loss 0.00582
    45. | epoch 8 |  150/ 152 batches | train_acc 0.912 train_loss 0.00578
    46. ---------------------------------------------------------------------
    47. | epoch 8 | time: 0.93s | valid_acc 0.881 valid_loss 0.009 | lr 0.050000
    48. ---------------------------------------------------------------------
    49. | epoch 9 |   50/ 152 batches | train_acc 0.903 train_loss 0.00653
    50. | epoch 9 |  100/ 152 batches | train_acc 0.913 train_loss 0.00595
    51. | epoch 9 |  150/ 152 batches | train_acc 0.914 train_loss 0.00549
    52. ---------------------------------------------------------------------
    53. | epoch 9 | time: 0.93s | valid_acc 0.877 valid_loss 0.009 | lr 0.050000
    54. ---------------------------------------------------------------------
    55. | epoch 10 |   50/ 152 batches | train_acc 0.911 train_loss 0.00565
    56. | epoch 10 |  100/ 152 batches | train_acc 0.908 train_loss 0.00584
    57. | epoch 10 |  150/ 152 batches | train_acc 0.909 train_loss 0.00604
    58. ---------------------------------------------------------------------
    59. | epoch 10 | time: 0.91s | valid_acc 0.878 valid_loss 0.009 | lr 0.005000
    60. ---------------------------------------------------------------------
    61. 模型准确率为：0.8781

    七、测试指定数据 

    1. def predict(text, text_pipeline):
    2.     with torch.no_grad():
    3.         text = torch.tensor(text_pipeline(text), dtype=torch.float32)
    4.         print(text.shape)
    5.         output = model(text)
    6.         return output.argmax(1).item()
    7.  
    8. # ex_text_str = "随便播放一首专辑阁楼里的佛里的歌"
    9. ex_text_str = "还有双鸭山到淮阴的汽车票吗13号的"
    10.  
    11. model = model.to("cpu")
    12.  
    13. print("该文本的类别是：%s" %label_name[predict(ex_text_str, text_pipeline)])

  • 相关阅读:
    测试开发 | Java 接口自动化测试首选方案：REST Assured 实践
    深入探索：npm详解
    js-学习链表
    Docker安装pgAdmin4
    MySQL–innodb存储学习之锁
    基于PHP的Laravel框架实现学生管理系统(1+X Web前端开发中级 例题)——初稿
    一起瓜分20万奖金！第三届火焰杯软件测试大赛开始公开选拔！
    2023-11-01 node.js-electron-环境配置-记录
    镜像永久挂载
    智云通CRM：如何判断客户忠诚度的高低？
  • 原文地址：https://blog.csdn.net/qq_60245590/article/details/136242882