【Bi-LSTM对IMDB数据集进行文本分类】

RSJason_Y

于 2024-11-16 16:26:08 发布

阅读量801

点赞数 24

文章标签： lstm 分类人工智能深度学习 python rnn nlp

本文链接：https://blog.youkuaiyun.com/bcxbdzh/article/details/143808095

版权

本文用pytorch实现了用双向LSTM模型对IMDB数据集的文本分类。

文章目录

前言
一、导入相关的库
二、加载数据集
三、定义Bi-LSTM模型用于文本分类
四、训练函数
五、测试函数
六、主循环函数
总结

前言

本文用pytorch实现了用双向LSTM模型对IMDB数据集的文本分类。

一、导入相关的库

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.utils.data import *
from keras.preprocessing.sequence import pad_sequences
from keras.datasets import imdb

数据说明：本文选用keras的IMDB数据集，包含来自互联网电影数据库(IMDB)的50000条严重两级分化的评论。数据集被分为用于训练的25000条评论和用于测试的25000条评论，训练集和测试集中都包含50%的正面评价和50%的负面评价。IMDB数据集内置于keras库中，它已经过预处理，单词序列的评论已经被转化为整数序列，其中每个整数代表字典中的某个单词。

二、加载数据集

1.设置参数

max_words = 10000 # imdb's vocab_size 词汇表大小
max_len = 200 # max length
batch_size = 256
emb_size = 128 # embedding size
hid_size = 128 # lstm hidden size
dropout = 0.2
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

2.载入数据

代码如下：

# 借助keras加载数据集
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_words) # 只保留前10000个最常用的单词，有助于减少模型的复杂性，并提高训练效率
x_train = pad_sequences(x_train, maxlen=max_len, padding="post", truncating="post") # maxlen设定了最终序列的最大长度,padding="post"表示在序列的后面填充0以达到所需长度，truncating="post"表示如果序列超过max_len则从序列的后面截断
x_test = pad_sequences(x_test, maxlen=max_len, padding="post", truncating="post")
print(x_train.shape, x_test.shape)

首先通过(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_words)来加载训练集和测试集，num_words=max_words表示词汇表大小，只保留前10000个最常用的单词，这样有助于减少模型的复杂性，并提高训练效率。
然后进行填充序列操作，maxlen=200表示每条评论的最大长度设置为200，如果序列长度不足200则需要进行padding，即padding=“post”，如果序列长度超过200，则需要对超出的长度进行截断，即truncating=“post”。
最后可以打印一下训练集测试集的shape。

可以看到，padding后的数据shape都变为了(25000,200)。

3.将数据转化为TensorDataset

# 转化为TensorDataset
train_data = TensorDataset(torch.LongTensor(x_train), torch.LongTensor(y_train)) # 长整型张量
test_data = TensorDataset(torch.LongTensor(x_test), torch.LongTensor(y_test))

把数据转换为pytorch的长整型张量
转化为TensorDataset格式

4.将数据转化为DataLoader

# 转化为DataLoader
train_sampler = RandomSampler(train_data) # 随机从train_data选择数据,提高模型泛化能力，防止过拟合
train_loader = DataLoader(train_data, sampler=train_sampler, batch_size=batch_size)
test_sampler = RandomSampler(test_data)
test_loader = DataLoader(test_data, sampler=test_sampler, batch_size=batch_size)

RandomSampler()函数可以随机从train_data中选择样本，增加训练的随机性，提高模型泛化能力，从而防止过拟合。
通过DataLoader()函数生成数据加载器，以便后续训练。(将randomsampler传入sampler参数中)

三、定义Bi-LSTM模型用于文本分类

class model(nn.Module):
    def __init__(self, max_words, emb_size, hid_size, dropout):
        super(model, self).__init__()
        self.maxwords = max_words
        self.emb_size = emb_size
        self.hid_size = hid_size
        self.dropout = dropout
        self.Embedding = nn.Embedding(self.maxwords, self.emb_size)
        self.LSTM = nn.LSTM(input_size=self.emb_size, hidden_size=hid_size,
                           num_layers=2, batch_first=True, bidirectional=True) #2层双向LSTM
        self.dropout = nn.Dropout(self.dropout)
        self.fc1 = nn.Linear(self.hid_size*2, self.hid_size)
        self.fc2 = nn.Linear(self.hid_size, 2)


    def forward(self, x):
        '''
        input:[bs, maxlen]
        output:[bs, 2]
        '''
        x = self.Embedding(x) # [bs, maxlen, emb_size]
        x = self.dropout(x)
        x, _ = self.LSTM(x) # [bs, maxlen, 2*hid_size]
        x = self.dropout(x)
        x = F.relu(self.fc1(x)) # [bs, maxlen, hid_size]
        x = F.avg_pool2d(x, (x.shape[1], 1)).squeeze(1) # [bs, 1, hid_size]=>[bs, hid_size] 对maxlen维度进行平均池化，将每个特征的所有时间步进行平均，从而将每个样本的所有时刻信息汇聚成一个单一的特征表示
        output = self.fc2(x) # [bs, 2]

        return output

本文通过创建一个两层的双向LSTM模型。

LSTM层直接使用pytorch官方API实现，当然也可以根据官网的公式直接手写LSTM的前向传播函数也可以。
本文的模型结构为：

由于是2分类问题，因此最终经过全连接层特征数降维至2。

四、训练函数

def train(model, device, train_loader, optimizer, epoch):
    model.train()
    criterion = nn.CrossEntropyLoss()
    for batch_idx, (x, y) in enumerate(train_loader):
        x, y = x.to(device), y.to(device)
        optimizer.zero_grad()
        y_ = model(x)
        loss = criterion(y_, y)
        loss.backward()
        optimizer.step()
        if (batch_idx + 1) % 10 == 0:
            print("Train Epoch: {} [{} / {} ({:.0f}%)]\tLoss: {:.6f}".format(
                epoch, batch_idx * len(x), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()
            ))

训练套路不多赘述。

五、测试函数

def test(model, device, test_loader):
    model.eval()
    criterion = nn.CrossEntropyLoss(reduction="sum") # 累加loss default为mean
    test_loss = 0.0
    acc = 0
    for batch_idx, (x, y) in enumerate(test_loader):
        x, y = x.to(device), y.to(device)
        with torch.no_grad():
            y_ = model(x) # [batch_size, num_classes]
        test_loss += criterion(y_, y)
        pred = y_.max(-1, keepdim=True)[1] # .max() 两个输出，最大值和最大值的index 表示在最后一个维度上进行最大值操作
        acc += pred.eq(y.view_as(pred)).sum().item()
    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {} / {} ({:.0f}%)'.format(
        test_loss, acc, len(test_loader.dataset), 100. * acc / len(test_loader.dataset)
    ))
    
    return acc / len(test_loader.dataset)

测试函数和训练函数大致相仿，加入了初始化损失和准确率，以便于后续进行计算。

六、主循环函数

model = model(max_words, emb_size, hid_size, dropout).to(device)
print(model)
optimizer = torch.optim.Adam(model.parameters())
best_acc = 0.0
# path = 'imdb model/model.pth' 
for epoch in range(1, 11):
    train(model, device, train_loader, optimizer, epoch)
    acc = test(model, device, test_loader)
    if best_acc < acc:
        best_acc = acc
        # torch.save(model.state_dict(), path)
    print("acc is: {:.4f}, best acc is: {:.4f}\n".format(acc, best_acc))