IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 李宏毅ML作业笔记4: RNN文本情感分类 -> 正文阅读

[人工智能]李宏毅ML作业笔记4: RNN文本情感分类

更新中...

本文代码在kaggle公开: https://www.kaggle.com/laugoon/hw4-emotion-classification

任务介绍

使用 RNN 實作, 不能使用額外 data (禁止使用其他 corpus 或 pretrained model).

文本情感分类

Text Sentiment Classification/Emotion Classification

数据为Twitter 上收集到的推文.

labeled data每則推文都會被標注為正面或負面.

1正面:

?0负面:

labeled training data :20萬

unlabeled training data? :120萬

testing data :20萬(10 萬 public,10 萬 private)

RNN模型:

句子喂入RNN的方式

1. 建立字典,字典內含有每一個字所對應到的index(维度)

1

2

3

4

I

have

a

pen

2. 句子每个字用向量(Word Embedding)代表.

?

?得到word embedding的常用方法: skip-gram, CBOW等. (这些方法也可以用套件, 不用自己手刻)

3. 将句子喂入RNN, 或bag of words (BOW), 得到代表句子的向量h.

embedding也可以和模型其他部分一起训练(设fix embedding参数).

?Bag of Words (BOW) 方法表示句子.

不考虑语法, 词的顺序. 不需要RNN, 喂入DNN就可以算.

如:

句子

John likes to watch movies. Mary likes movies too.

BOW

[1, 2, 1, 1, 2, 0, 0, 0, 1, 1]

其中likes, movies出现两次, 则代表这两个词的维度处为2.

半监督

利用 unlabeled data. 常用Self-Training:

用训练好的模型对unlabeled data做标记, 再加入训练集.

可以调整阈值, 取比较有信心的data, 如:

pos_threshold = 0.8, 则prediction > 0.8时标1.

data格式

labeled data

label +++$+++ text

unlabeled data

text

每一行一个句子

預測結果

id, label

kaggle评估指标为正确率

代码思路

NLP任务語句分類(文本分類)

給定一個語句,判斷他其情绪(負面標 1,正面標 0)

加载数据集

文件位置

/kaggle/input/ml2020spring-hw4/testing_data.txt

/kaggle/input/ml2020spring-hw4/training_nolabel.txt

/kaggle/input/ml2020spring-hw4/training_label.txt

1. training_label.txt:有 label 的训练集(句子与标记 0 or 1,+++$+++ 是分隔符號)

e.g., 1 +++$+++ are wtf ... awww thanks !

2. training_nolabel.txt:沒有 label 的训练集(只有句子),用來做半监督学习

e.g.: hates being this burnt !! ouch

3. testing_data.txt:要判斷 testing data 裡面的句子是 0 or 1

测试集的数据从第二行开始

id,text

0,my dog ate our dinner . no , seriously ... he ate it .

有标签训练集:

with open(path, 'r') as f:

??? lines = f.readlines()

??? lines = [line.strip('\n').split(' ') for line in lines]

x = [line[2:] for line in lines]

y = [line[0] for line in lines]

train_x, y = load_training_data('/kaggle/input/ml2020spring-hw4/training_label.txt')

无标签训练集:

lines = f.readlines()

x = [line.strip('\n').split(' ') for line in lines]

train_x_no_label = load_training_data('/kaggle/input/ml2020spring-hw4/training_nolabel.txt')

测试集:

lines = f.readlines()

X = ["".join(line.strip('\n').split(",")[1:]).strip() for line in lines[1:]]

X = [sen.split(' ') for sen in X]

test_x = load_testing_data('/kaggle/input/ml2020spring-hw4/testing_data.txt')

word embedding

利用word2vec训练词向量

(此处使用__name__是为了迁移到notebook外模块, 不影响执行)

word2vec.Word2Vec中size参数主要是用来向量的维度, 换成了vector_size. iter迭代次数,换成了epochs. 新版本的API改名了, 要注意修改.

model = word2vec.Word2Vec(x, vector_size=250, window=5, min_count=5, workers=12, epochs=10, sg=1)

model = train_word2vec(train_x + test_x)

model.save(os.path.join(path_prefix, 'w2v_all.model'))

数据预处理

Data Preprocess

读入Word2Vec模型:

self.embedding = Word2Vec.load(self.w2v_path)

self.embedding_dim = self.embedding.vector_size

make_embedding

注意vocab 属性不能用了

self.embedding.wv.vocab

The vocab attribute was removed from KeyedVector in Gensim 4.0.0

Use KeyedVector's .key_to_index dict, .index_to_key list, and methods .get_vecattr(key, attr) and .set_vecattr(key, attr, new_val) instead.

使用方法如:

rock_idx = model.wv.vocab["rock"].index? # 🚫

rock_cnt = model.wv.vocab["rock"].count? # 🚫

vocab_len = len(model.wv.vocab)? # 🚫

rock_idx = model.wv.key_to_index["rock"]

words = list(model.wv.index_to_key)

rock_cnt = model.wv.get_vecattr("rock", "count")? # 👍

vocab_len = len(model.wv)? # 👍

embedding用法也改变了

self.embedding_matrix.append(self.embedding[word])

'Word2Vec' object is not subscriptable

改成:

self.embedding_matrix.append(self.embedding.wv[word])

RNN模型构建

import torch

from torch import nn

class LSTM_Net(nn.Module):

??? def __init__(self, embedding, embedding_dim, hidden_dim, num_layers, dropout=0.5, fix_embedding=True):

??????? super(LSTM_Net, self).__init__()

??????? # 製作 embedding layer

??????? self.embedding = torch.nn.Embedding(embedding.size(0),embedding.size(1))

??????? self.embedding.weight = torch.nn.Parameter(embedding)

??????? # 是否將 embedding fix 住,如果 fix_embedding 為 False,在訓練過程中,embedding 也會跟著被訓練

??????? self.embedding.weight.requires_grad = False if fix_embedding else True

??????? self.embedding_dim = embedding.size(1)

??????? self.hidden_dim = hidden_dim

??????? self.num_layers = num_layers

??????? self.dropout = dropout

??????? self.lstm = nn.LSTM(embedding_dim, hidden_dim, num_layers=num_layers, batch_first=True)

??????? self.classifier = nn.Sequential( nn.Dropout(dropout),

???????????????????????????????????????? nn.Linear(hidden_dim, 1),

???????????????????????????????????????? nn.Sigmoid() )

??? def forward(self, inputs):

??????? inputs = self.embedding(inputs)

??????? x, _ = self.lstm(inputs, None)

??????? # x 的 dimension (batch, seq_len, hidden_size)

??????? # 取用 LSTM 最後一層的 hidden state

??????? x = x[:, -1, :]

??????? x = self.classifier(x)

??????? return x

5次迭代的精确度没有很大提高:

[ Epoch1: 1407/1407 ] loss:0.694 acc:11.719

Train | Loss:0.69361 Acc: 50.032

Valid | Loss:0.69313 Acc: 50.174

saving model with acc 50.174

-----------------------------------------------

[ Epoch2: 1407/1407 ] loss:0.693 acc:12.500

Train | Loss:0.69320 Acc: 49.872

Valid | Loss:0.69316 Acc: 49.308

-----------------------------------------------

[ Epoch3: 1407/1407 ] loss:0.693 acc:14.062

Train | Loss:0.69319 Acc: 49.780

Valid | Loss:0.69313 Acc: 50.174

-----------------------------------------------

[ Epoch4: 1407/1407 ] loss:0.694 acc:10.156

Train | Loss:0.69317 Acc: 49.765

Valid | Loss:0.69318 Acc: 49.348

-----------------------------------------------

[ Epoch5: 1407/1407 ] loss:0.693 acc:15.625

Train | Loss:0.69317 Acc: 49.942

Valid | Loss:0.69314 Acc: 50.174

-----------------------------------------------

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-07 12:05:08  更:2021-08-07 12:05:26 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年5日历 -2024/5/2 4:46:23-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码