NLP实验三:自然语言处理的应用——基于mindspore的情感分类实验
实验目的
使用SentimentNet实现情感分类(基于华为云mindspore框架)
实验内容
- 安装Annaconda
- 安装MindSpore
- 安装Jupyter Notebook
- 运行SentimentNet网络
实验过程
安装Annaconda:
首先要知道什么是Annconda——Anaconda,中文大蟒蛇,是一个开源的Python发行版本,其包含了conda、Python等180多个科学包及其依赖项。
conda是一个开源的包、环境管理器,可以用于在同一个机器上安装不同版本的软件包及其依赖,并能够在不同的环境之间切换。 所以说这个东西其实就是一个可以自由组装的工具包,可以类比于一个虚拟机,我可以在我现有的安装了Annaconda的机器上随意安装任何版本的Python环境而互不干扰。 选择清华大学的独立镜像网站 根据自己的机器配置来选择下载版本: ![在这里插入图片描述](https://img-blog.csdnimg.cn/ea77176bb3e5468a9430c8460d696373.png) 安装配置过程这里省略。
Mindspore框架配置:
首先使用Annaconda创建一个专为此次实验的环境:
conda create -n SentimentNet python=3.7.5
这个时候下面应该有这个目录: ![在这里插入图片描述](https://img-blog.csdnimg.cn/1e18265fb88c4914bf65aadad317a131.png) 进入.conda(默认隐藏的)文件夹,内容如下: ![在这里插入图片描述](https://img-blog.csdnimg.cn/c296c2badb9e4e08bc540ebc11d06e7b.png) 这个envs就是我们创建的虚拟环境的目录: 进入envs,会看到如下所示: ![在这里插入图片描述](https://img-blog.csdnimg.cn/5ef1798669764f679d9cf355628464f4.png) 可以清楚地看到有我们刚才创建的环境SentimentNet 这里我使用的是Pycharm,但对于任何IDE应该都适用。 创建一个Pycharm项目,选择先前配置的解释器: ![在这里插入图片描述](https://img-blog.csdnimg.cn/4a7e2efe9d71493eb5fc9928aad07f87.png) 点击右侧… : ![在这里插入图片描述](https://img-blog.csdnimg.cn/fbd9876822da42d688e5aa32b2466e7d.png) 添加一个conda环境,同样点击右侧… : ![在这里插入图片描述](https://img-blog.csdnimg.cn/34b27f90e2c24bdba2549432bf03699c.png) 选取最开始创建地SentimentNet目录下的python.exe文件并确定,然后创建项目即可 在下面终端中激活环境:
conda activate SentimentNet
![在这里插入图片描述](https://img-blog.csdnimg.cn/8b8e4de2f1c94dac839de971c1da4349.png) 在终端执行下列命令安装mindspore1.2.0:
pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.2.0/MindSpore/cpu/windows_x64/mindspore-1.2.0-cp37-cp37m-win_amd64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple
3、安装Jupyter Notebook(这里直接使用这个会更方便) 执行下列命令:
pip install Jupyter Notebook
安装完成后执行下列命令:
jupyter notebook
这时会打开你的浏览器,进入如下界面: ![在这里插入图片描述](https://img-blog.csdnimg.cn/b41950c91dcc4fe8ab5723e206d4ddb6.png) 然后按照要求把文件夹、数据集都在目录中放好,打开nlp_application.ipynb文件就可以快乐的执行了! ![在这里插入图片描述](https://img-blog.csdnimg.cn/fe3b7a42512945e88f3343f07fd7ff46.png)
结果展示
这里只给出训练和验证的结果: ![在这里插入图片描述](https://img-blog.csdnimg.cn/fbe11450452942e8b7afb2194dd8cef8.png) ![在这里插入图片描述](https://img-blog.csdnimg.cn/49b2832252d841b0bed54f6d01e32de6.png)
根据以上一段代码的输出可以看到,在经历了10轮epoch之后,使用验证的数据集,对文本的情感分析正确率在84%左右,达到一个基本满意的结果。
文件
https://download.csdn.net/download/zhiliao_aaa/85502269
|