1 RNN简介
RNN即循环神经网络，其主要用途是处理和预测序列数据。在CNN中，神经网络层间采用全连接的方式连接，但层内节点之间却无连接。RNN为了处理序列数据，层内节点的输出还会重新输入本层，以实现学习历史，预测未来。
RNN的两个主要改进是LSTM(长短时记忆网络)和GRU(门控循环单元)，二者为基本神经单元增加了额外的功能门，从而更好的实现长时记忆的处理。
在此基础上，通过两层或者多个RNN层的堆叠，可以实现双向循环神经网络(bidirectionalRNN)及深层循环神经网络(deepRNN)。
2 Keras对RNN的支持
Keras在layers包的recurrent模块中实现了RNN相关层模型的支持，并在wrapper模块中实现双向RNN的包装器。
2.1 recurrent模块导出类
| 名称 | 作用 | 原型参数 |
|---|---|---|
| SimpleRNN | 全连接RNN网络 | SimpleRNN(units, activation=’tanh’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’,dropout=0.0, recurrent_dropout=0.0)) |
| GRU | 门限循环单元层 | GRU(units, activation=’tanh’, recurrent_activation=’hard_sigmoid’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’, dropout=0.0, recurrent_dropout=0.0) |
| LSTM | 长短期记忆模型层 | LSTM(units, activation=’tanh’, recurrent_activation=’hard_sigmoid’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’, unit_forget_bias=True, dropout=0.0, recurrent_dropout=0.0) |
2.2 wrapper模块导出类
| 名称 | 作用 | 原型参数 |
|---|---|---|
| TimeDistributed | TimeDistributed(layer) | |
| Bidirectional | 双向RNN包装器 | Bidirectional(layer, merge_mode=’concat’, weights=None) |
model = Sequential()
model.add(Bidirectional(LSTM(10, return_sequences=True), input_shape=(5, 10)))
model.add(Bidirectional(LSTM(10)))
model.add(Dense(5))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop')2.3 参数说明
| 名称 | 作用 |
|---|---|
| units | RNN的单元数，也是输出维度 |
| activation | 激活函数，为预定义的激活函数名 |
| dropout | 0~1之间的浮点数，控制输入线性变换的神经元断开比例 |
| recurrent_dropout | 0~1之间的浮点数，控制循环状态的线性变换的神经元断开比例 |
| return_sequences | True返回整个序列,用于stack两个层，False返回输出序列的最后一个输出 |
| go_backwards | True，逆向处理输入序列并返回逆序后的序列 |
| stateful | True，则一个batch中下标为i的样本的最终状态将会用作下一个batch同样下标的样本的初始状态 |
| implementation | 0为大的矩阵乘法，便于CPU加速。1为小矩阵乘法 便于GPU加速。2 LSTM和GRU有效，优化GPU运行 |
| input_dim | 当使用该层为模型首层时，应指定该值 |
| input_length | 当输入序列的长度固定时，该参数为输入序列的长度。当需要在该层后连接Flatten层，然后又要连接Dense层时，需要指定该参数 |
| merge_mode | 前向和后向RNN输出的结合方式，为sum,mul,concat,ave和None之一，若为None，则不结合，以列表形式返回 |
3 情感分析示例
下面的示例使用了LSTM模型，通过对豆瓣电视剧评论进行训练，最终使得模型可以对评论的好恶进行预测，或者说简单的情感分析。
3.1 语料处理
原始语料来自豆瓣，采集了约100w条豆瓣国产剧评论及对应的评分。在语料处理中，借助jeiba分词工具进行分词，并去除停词。这里下载停词表。最终处理得到的语料类似于下面的格式，即每行一条评论。每行第一个字段为评分，其余字段为分词去停词后的评论。
将语料文件review.csv放在corpus目录下。将stop_word.txt放在dict目录下
5 经典作品 道听途说 以为 懂 实际 读 觉得 独特 意想不到 新颖
5 东京 看过 热海 看过 回家
5 这部 电影 里 看出 东西 太多 比方说 注意 尾道 家中 鸡冠花 会 明白 黑白 影像 彩色 影像 不能 取代 魅力 母亲 热海 防波堤 上 说 东京 游览 热海 回家 真是 人生 非常 隽永 总结
5 刚 几幕 觉得 极 做作 哪有 众人 说 这般 好 再 耐心 看 下去 方 发觉 表面 客套 微笑 下 内心深处 悲凉 其实 很 幸福 其实 幸福 等到 老时 会 老伴 相视而笑
5 生活 总是 人 失望 3.2 评分与情感的关系
为了简化示例，简单的认为1-2分为负面情感，4-5分为正面情感。未评分及3分为中性，不计入训练。这样将问题转化为一个二分类问题。
3.3 文本向量表示
借助Keras提供的文本预处理类Tokenizer，可以很容易的实现文本向量化。处理代码如下:
texts = []
labels = []
for line in lines:
fields = line.split()
rate = int(fields[0])
if rate==0 or rate==3:
continue
elif rate < 3:
rate = 0
else:
rate = 1
cont = fields[1:]
cont = " ".join(cont)
texts.append(cont)
labels.append(rate)
tokenizer.fit_on_texts(texts)
tokenizer.texts_to_sequence(texts)由于每句长度不同,为便于计算,最终统一用0填充成长度为100的向量.
3.4 模型构建
采用双向LSTM的结构,构建代码如下:
model = Sequential()
model.add(Embedding(vocab_size, 256, input_length=sentence_max_len))
model.add(Bidirectional(LSTM(128,implementation=2)))
model.add(Dropout(0.5))
model.add(Dense(2, activation='relu'))
model.compile('RMSprop', 'categorical_crossentropy', metrics=['accuracy'])3.5 完整代码
from keras.models import Sequential
from keras.preprocessing.text import Tokenizer
import keras.preprocessing.sequence as S
from keras.utils import to_categorical
from keras.layers import Embedding, Bidirectional, LSTM, Dropout, Dense
import jieba
import json
import numpy as np
vocab_size = 350000
sentence_max_len = 100
model_path = 'keras.h5'
class SentimentLSTM:
def __init__(self):
self.tokenizer = Tokenizer(num_words=vocab_size)
self.stop_words = []
self.model = None
def load_stop_word(self,path='dict/stop_word.txt'):
with open(path, 'r') as f:
for line in f:
content = line.strip()
self.stop_words.append(content.decode('utf-8'))
def jieba_cut(self,line):
lcut = jieba.lcut(line)
cut = [x for x in lcut if x not in self.stop_words]
cut = " ".join(cut)
return cut
def load_cuted_corpus(self, dir, input):
f = open(dir + '/' + input , 'r')
lines = f.readlines()
texts = []
labels = []
for line in lines:
fields = line.split()
rate = int(fields[0])
if rate==0 or rate==3:
continue
elif rate < 3:
rate = 0
else:
rate = 1
cont = fields[1:]
cont = " ".join(cont)
texts.append(cont)
labels.append(rate)
self.tokenizer.fit_on_texts(texts)
f.close()
return texts,labels
def load_data(self):
x,y = self.load_cuted_corpus('corpus', 'review.csv')
x = self.tokenizer.texts_to_sequences(x)
x = S.pad_sequences(x,maxlen=sentence_max_len)
y = to_categorical(y,num_classes=2)
return ((x[0:500000],y[0:500000]), (x[500000:], y[500000:]))
def train(self,epochs=50):
print 'building model ...'
self.model = SentimentLSTM.build_model()
print 'loading data ...'
(text_train, rate_train), (text_test, rate_text) = self.load_data()
print 'training model ...'
self.model.fit(text_train, rate_train,batch_size=1000,epochs=epochs)
self.model.save('model/keras.model')
score = self.model.evaluate(text_test,rate_text)
print score
def load_trained_model(self,path):
model = SentimentLSTM.build_model()
model.load_weights(path)
return model
def predict_text(self,text):
if self.model == None:
self.model = self.load_trained_model(model_path)
self.load_stop_word()
self.load_cuted_corpus('corpus', 'review.csv')
vect = self.jieba_cut(text)
vect = vect.encode('utf-8')
vect = self.tokenizer.texts_to_sequences([vect,])
print vect
return self.model.predict_classes(S.pad_sequences(np.array(vect),100))
@staticmethod
def build_model():
model = Sequential()
model.add(Embedding(vocab_size, 256, input_length=sentence_max_len))
model.add(Bidirectional(LSTM(128,implementation=2)))
model.add(Dropout(0.5))
model.add(Dense(2, activation='relu'))
model.compile('RMSprop', 'categorical_crossentropy', metrics=['accuracy'])
return model
def main():
lstm = SentimentLSTM()
lstm.train(10)
while True:
input = raw_input('Please input text:')
if input == 'quit':
break
print lstm.predict_text(input)
if __name__=="__main__":
main()
运行代码,在训练完模型之后,在交互器中输入新的评论,即可以查看训练的模型对评论的预测了.负向输出为0,正向输出为1.
PS:在约60w的数据集上,CPU上跑10轮至少要10个小时.在GeForce GTX 1080上跑需要30分钟. 模型在测试集上的准确度能达到86%,召回率98%,精确度61%,F1评分75%.增大训练的轮数,100轮左右,仍可提升相关得分.
4 学习资料
2 LSTM与GRU
扫一扫
1972
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
