全部代码在最后面。
分类任务：
用名字识别出语言；
这里每一个名字实际上是一个序列，(序列长短不一致)
例如Maclean，-> M a c l e a n == x1,x2,x3,x4,x5,x6,x7
①准备数据
用ASCII码来表示;
序列长短不一: 用padding
对标签Y也做成词典：将来就可以再这个词典里查找
对数据（.gz类型）的读取：
不同数据类型用不同包去读取！
制作键值对表：
code：
def getConutryDict(self):
country_dict = dict()
for idx, country_name in enumerate(self.country_list, 0):
country_dict[country_name] = idx
return country_dict
根据键值对的索引返回国家的字符串：
code：
def idx2country(self, index):
return self.country_list[index]
embedding层的输入输出维度：
embedding图示：
GRU的输入输出维度：
初始化的隐层维度：
Bi-direction RNN/LSTM/GRU（双向的）：
疑问：h0b从哪里得来的？或许也是初始化好全0的，如下图代码所示：
将来的输出：
hidden将来状态：
input维度变换：
PackedSequence
得先排序！（“去掉”0的padding层）
作用：方便gru的计算
图示：
把name转换成张量：
①：先把人名拆开，再利用ASCII码对标；
②填充，padding，弥补长短不一问题；
padding 实现代码：
实际上是先做一个全0的张量，然后依次把每个样本的指贴过去
code：
# Padding make tensor of name, BatchSize x SeqLen
# 先做一个全0的张量
seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
# 这是一个复制操作，
for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths), 0):
seq_tensor[idx, :seq_len] = torch.LongTensor(seq)
③转置，以便于满足embedding层的输入维度；
④把这些排序；
按序列长度排序：
code：
# sort by length to use
# 排完序后得到 seq_lengths（排序后的序列） perm_idx（排序后对应的ID，即索引）pack_padded_seqence
seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)
seq_tensor = seq_tensor[perm_idx]
countries = countries[perm_idx]
总的code：
import gzip
import csv
import math
import torch
import time
from torchvision import datasets
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
from torch.nn.utils.rnn import pack_padded_sequence
HIDDEN_SIZE = 100
BATCH_SIZE = 256
N_LAYER = 2
N_EPOCHS = 100
N_CHARS = 128
USE_GPU = False
class NameDataset(Dataset):
# 选择从训练集中读取/测试集中读取
def __init__(self, is_train_set=True):
filename = 'data/names_train.csv.gz' if is_train_set else 'data/names_test.csv.gz'
with gzip.open(filename, 'rt') as f:
reader = csv.reader(f)
# 读取所有行 类型(name, language)
rows = list(reader)
# 把每一行的第0个元素放一起，即 name （row[0]）集合在一个列表
self.names = [row[0] for row in rows]
self.len = len(self.names)
# countries 同理 countries对应将来的标签
self.countries = [row[1] for row in rows]
# set(): 把列表变为集合,即去除重复元素，每个语言就只剩下一个实例，再sorted排序
self.country_list = list(sorted(set(self.countries)))
# 把这个列表转变为一个词典
self.country_dict = self.getCountryDict()
self.country_num = len(self.country_list)
# 提供索引访问，返回两项
def __getitem__(self, index):
return self.names[index], self.country_dict[self.countries[index]]
def __len__(self):
return self.len
def getCountryDict(self):
country_dict = dict()
for idx, country_name in enumerate(self.country_list, 0):
country_dict[country_name] = idx
return country_dict
# 根据键值对的索引返回国家的字符串
def idx2country(self, index):
return self.country_list[index]
# 想知道一共有几个国家
def getCountriesNum(self):
return self.country_num
trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=False)
# N_COUNTRY 决定将来模型的输出维度
N_COUNTRY = trainset.getCountriesNum()
def create_tensor(tensor):
if USE_GPU:
device = torch.device("cuda:0")
tensor = tensor.to(device)
return tensor
class RNNClassifier(torch.nn.Module):
def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):
super(RNNClassifier, self).__init__()
# hidden_size 和n_layers要用在GRU的处理上
self.hidden_size = hidden_size
self.n_layers = n_layers
self.n_directions = 2 if bidirectional else 1
self.embedding = torch.nn.Embedding(input_size, hidden_size)
self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers,
bidirectional=bidirectional)
# 若是n_directions = 2，hidden是俩个，所以线形层要把这俩个拼在一起，故hidden_size也要乘n_directions。
self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)
def _init_hidden(self, batch_size):
hidden = torch.zeros(self.n_layers * self.n_directions,
batch_size, self.hidden_size)
return create_tensor(hidden)
def forward(self, input, seq_lengths):
# input shape:B X S -> S X B 矩阵转置，因为embedding层 需要的输入维度为：seqLen * batch_size
input = input.t()
# 同时算出batch_size
batch_size = input.size(1)
# 利用构造的函数和求导的batch_size得到初始化的隐层h
hidden = self._init_hidden(batch_size)
embedding = self.embedding(input)
# pack them up
gru_input = pack_padded_sequence(embedding, seq_lengths)
output, hidden = self.gru(gru_input, hidden)
if self.n_directions == 2:
hidden_cat = torch.cat([hidden[-1], hidden[-2]], dim=1)
else:
hidden_cat = hidden[-1]
fc_output = self.fc(hidden_cat)
return fc_output
# name2list是一个元组
def name2list(name):
# 把名字变为列表，列表生成式↓👇，把每一个名字变成一个ASCII码列表
arr = [ord(c) for c in name]
# 返回一个列表本身和列表的长度
return arr, len(arr)
def make_tensors(names, countries):
sequences_and_lengths = [name2list(name) for name in names]
# 取出列表的名字和列表长度
name_sequences = [sl[0] for sl in sequences_and_lengths]
seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths])
countries = countries.long()
# Padding make tensor of name, BatchSize x SeqLen
# 先做一个全0的张量
seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
# 这是一个复制操作，
for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths), 0):
seq_tensor[idx, :seq_len] = torch.LongTensor(seq)
# sort by length to use pack_padded_seqence
# 排完序后得到 seq_lengths（排序后的序列） perm_idx（排序后对应的ID，即索引）
seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)
seq_tensor = seq_tensor[perm_idx]
countries = countries[perm_idx]
return create_tensor(seq_tensor), create_tensor(seq_lengths), create_tensor(countries)
def trainModel():
total_loss = 0
for i, (names, countries) in enumerate(trainloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = classifier(inputs, seq_lengths)
loss = criterion(output, target)
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_loss += loss.item()
if i % 10 == 0:
print(f'[{time_since(start)}] Epoch {epoch} ', end='')
print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
print(f'loss={total_loss / (i * len(inputs))}')
return total_loss
def testModel():
correct = 0
total = len(testset)
print("evaluating train model ...")
with torch.no_grad():
for i, (names, countries) in enumerate(testloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = classifier(inputs, seq_lengths)
pred = output.max(dim=1, keepdim=True)[1]
correct += pred.eq(target.view_as(pred)).sum().item()
percent = '%.2f' % (100 * correct / total)
print(f'Test set: Accuracy {correct}/{total} {percent}%')
return correct / total
def time_since(since):
# 当前的时间-开始的时间
s = time.time() - since
m = math.floor(s / 60)
s -= m * 60
return '%dm %ds' % (m, s)
if __name__ == '__main__':
classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
if USE_GPU:
device = torch.device("cude:0")
classifier.to(device)
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(classifier.parameters(), lr=0.001)
# 求一下训练时间有多长
start = time.time()
print("Training for %d eopchs..." % N_EPOCHS)
acc_list = []
for epoch in range(1, N_EPOCHS + 1):
trainModel()
acc = testModel()
acc_list.append(acc)
效果图（cpu）：
效果图（GPU）：
tips，用GPU时需要在此处更改：在seq_lengths加一个.cpu()
# pack them up
gru_input = pack_padded_sequence(embedding, seq_lengths.cpu())
