简单有趣的NLP教程:手把手教你用 PyTorch 辨别自然语言(附代码)

    xiaoxiao2021-04-16  249

    最近在学pyTorch的实际应用例子。这次说个简单的例子:给定一句话,判断是什么语言。这个例子是比如给定一句话:

    Give it to me  判断是 ENGLISH  me gusta comer en la cafeteria   判断是 SPANISH  

    就是这么简单的例子。

    来看怎么实现:

    准备数据 格式 [(语句,类型),…]

    data是train的时候用的语句,test_data是test的时候用的语句

    data = [ ("me gusta comer en la cafeteria".split(), "SPANISH"),           ("Give it to me".split(), "ENGLISH"),           ("No creo que sea una buena idea".split(), "SPANISH"),           ("No it is not a good idea to get lost at sea".split(), "ENGLISH") ]  test_data = [("Yo creo que si".split(), "SPANISH"),                 ("it is lost on me".split(), "ENGLISH")]  

    因为文本计算机室识别不出来的,他们只认识01串,也就是数字。所以我们得把文本映射到数字上。

    word_to_ix = {}  for sent, _ in data + test_data:      for word in sent:          if word not in word_to_ix:              word_to_ix[word] = len(word_to_ix)   print(word_to_ix)  

    输出word_to_ix (意思是word to index)是:

    {'me': 0, 'gusta': 1, 'comer': 2, 'en': 3, 'la': 4, 'cafeteria': 5, 'Give': 6, 'it': 7, 'to': 8, 'No': 9,  'creo': 10, 'que': 11, 'sea': 12, 'una': 13, 'buena': 14, 'idea': 15, 'is': 16, 'not': 17, 'a': 18, 'good': 19,   'get': 20, 'lost': 21, 'at': 22, 'Yo': 23, 'si': 24, 'on': 25}  

    这里先提前设置下接下来要用到的参数

    VOCAB_SIZE = len(word_to_ix)   NUM_LABELS = 2#只有两类 ENGLISH SPANISH  

    固定模板

    def init(self, num_labels, vocab_size):初始化,就是输入和输出的大小。这里我们要输入是一个句子,句子最大就是拥有所有字典的词,这里也就是vocab_size(下面再说怎么将一句话根据字典转换成一个数字序列的),输出就是分类,这里分为2类,即num_labels。这里我们用的是线性分类 ,即nn.Linear()。

    def forward(self, bow_vec):bow_vec是一个句子的数字化序列,经过self.linear()得到一个线性结果(也就是预测结果),之后对这个结果进行softmax(这里用log_softmax是因为下面的损失函数用的是NLLLoss() 即负对数似然损失,需要log以下)

    class BoWClassifier(nn.Module):#nn.Module 这是继承torch的神经网络模板      def __init__(self, num_labels, vocab_size):           super(BoWClassifier, self).__init__()          self.linear = nn.Linear(vocab_size, num_labels)      def forward(self, bow_vec):          return F.log_softmax(self.linear(bow_vec))   def make_bow_vector(sentence, word_to_ix)  

    大概能看懂什么意思吧。就是把一个句子sentence通过word_to_ix转换成数字化序列.比如 sentence=我 是 一只 小 小 鸟 word_to_id={你:0,我:1,他:2,不:3,是:4,大:5,小:6,猪:7,鸟:8,,} make_bow_vector之后的结果是[0,1,0,0,1,0,2,0,1]。view()就是改变下向量维数。

    这里是讲len(word_to_ix)1->1len(word_to_ix)

    def make_bow_vector(sentence, word_to_ix):      vec = torch.zeros(len(word_to_ix))      for word in sentence:          vec[word_to_ix[word]] += 1       return vec.view(1, -1)  

    这个就不用说了吧 一样。(如果想知道torch.LongTensor啥意思的话。可以看看。Torch中,Tensor主要有ByteTensor(无符号char),CharTensor(有符号),ShortTensor(shorts), IntTensor(ints), LongTensor(longs), FloatTensor(floats), DoubleTensor(doubles),默认存放为double类型,如果需要特别指出,通过torch.setdefaulttensortype()方法进行设定。例如torch.setdefaulttensortype(‘torch.FloatTensor’)。 )

    def make_target(label, label_to_ix):       return torch.LongTensor([label_to_ix[label]])  

    这里再介绍下model.parameters()这个函数。他的返回结果是model里的所有参数。这里我们用的是线性函数,所以就是f(x)=Ax+b中的A和b(x即输入的数据),这些参数在之后的反馈和更新参数需要的。

    model = BoWClassifier(NUM_LABELS, VOCAB_SIZE)  for param in model.parameters():       print("param:", param)  

    可以看出A是2len(vocab_size),b是21

    param: Parameter containing:  Columns 0 to 9    0.0786  0.1596  0.1259  0.0054  0.0558 -0.0911 -0.1804 -0.1526 -0.0287 -0.1086  -0.0651 -0.1096 -0.1807 -0.1907 -0.0727 -0.0179  0.1530 -0.0910  0.1943 -0.1148  Columns 10 to 19    0.0452 -0.0786  0.1776  0.0425  0.1194 -0.1330 -0.1877 -0.0412 -0.0269 -0.1572  -0.0361  0.1909  0.1558  0.1309  0.1461 -0.0822  0.1078 -0.1354 -0.1877  0.0184  Columns 20 to 25    0.1818 -0.1401  0.1118  0.1002  0.1438  0.0790   0.1812 -0.1414 -0.1876  0.1569  0.0804 -0.1897  [torch.FloatTensor of size 2x26]  param: Parameter containing:   0.1859   0.1245   [torch.FloatTensor of size 2]  

    我们再看看model的def forward(self, bow_vec):怎么用。这里就想下面的代码一样,直接在mode()填一个参数即可,就调用forward函数。

    sample = data[0]  bow_vector = make_bow_vector(sample[0], word_to_ix)  log_probs = model(autograd.Variable(bow_vector))   print("log_probs", log_probs) 

    输出是:(就是log_softmax后的值)

    log_probs Variable containing:  -0.6160 -0.7768   [torch.FloatTensor of size 1x2]  

    我们这里看看在test上的预测

    label_to_ix = { "SPANISH": 0, "ENGLISH": 1 }  for instance, label in test_data:      bow_vec = autograd.Variable(make_bow_vector(instance, word_to_ix))      log_probs = model(bow_vec)      print log_probs   print next(model.parameters())[:,word_to_ix["creo"]]  

    结果是

    Variable containing:  -0.5431 -0.8698  [torch.FloatTensor of size 1x2]  Variable containing:  -0.7405 -0.6480  [torch.FloatTensor of size 1x2]  Variable containing:  -0.0467   0.1065   [torch.FloatTensor of size 2]  

    下面就该进行重要的部分了。

    循环训练和更新参数

    这里我们用的损失函数是nn.NLLLoss()负对数似然损失,优化依然用的最常见的optim.SGD() 梯度下降法,一般训练5-30次最终优化基本不再变化。

    每一步过程:

    a. 首先都要model.zero_grad(),因为接下来要极端梯度,得清零,以防问题

    b. 将数据向量化(也可以说是数字序列化,转成计算机能看懂的形式)

    c. 得到预测值

    d. 求损失loss_function

    e. 求梯度loss.backward()

    f. 更新参数optimizer.step()

    loss_function = nn.NLLLoss()  optimizer = optim.SGD(model.parameters(), lr=0.1)  for epoch in range(100):      for instance, label in data:          model.zero_grad()          bow_vec = autograd.Variable(make_bow_vector(instance, word_to_ix))          target = autograd.Variable(make_target(label, label_to_ix))          log_probs = model(bow_vec)          loss = loss_function(log_probs, target)          loss.backward()           optimizer.step()  

    在测试集上测试

    for instance, label in test_data:      bow_vec = autograd.Variable(make_bow_vector(instance, word_to_ix))      log_probs = model(bow_vec)       print log_probs  

    我们在结果上很容易看到第一个例子预测是SPANISH最大,第二个是ENGLISH最大。成功了。

    Variable containing:  -0.0842 -2.5161  [torch.FloatTensor of size 1x2]  Variable containing:  -2.4886 -0.0867   [torch.FloatTensor of size 1x2]  

    本文作者:甄冉冉

    来源:51CTO

    相关资源:七夕情人节表白HTML源码(两款)

    最新回复(0)