tensorflow笔记:使用tf来实现word2vec

版权声明：本文为博主原创文章，未经博主允许不得转载。

目录(?)[+]

原文：http://blog.csdn.net/u014595019/article/details/54093161

（一） tensorflow笔记：流程，概念和简单代码注释 

（二） tensorflow笔记：多层CNN代码分析 

（三） tensorflow笔记：多层LSTM代码分析 

（四） tensorflow笔记：常用函数说明 

（五） tensorflow笔记：模型的保存与训练过程可视化 

（六）tensorflow笔记：使用tf来实现word2vec

时隔若干个月，又绕到了word2vec。关于word2vec的原理我就不叙述了，具体可见word2vec中的数学，写的非常好。 

我后来自己用Python实现了一遍word2vec,过程写在自己动手写word2vec (一):主要概念和流程以及后续的若干文章中

我当时使用的是Hierarchical Softmax+CBOW的模型。给我的感觉是比较累，既要费力去写huffman树，还要自己写计算梯度的代码，完了按层softmax速度还慢。这次我决定用tensorflow来写，除了极大的精简了代码以外，可以使用gpu对运算进行加速。此外，这次使用了负采样(negative sampling)+skip-gram模型，从而避免了使用Huffman树导致训练速度变慢的情况，适合大规模的文本。

一些相关的资料： 
word2vec 中的数学原理详解-基于 Negative Sampling 的模型 
自己动手写word2vec (四):CBOW和skip-gram模型 
tensorflow笔记：流程，概念和简单代码注释 
tensorflow笔记 ：常用函数说明

其实google已经实现过一遍word2vec了（点这里）,我看了一下代码,感觉核心代码非常简介干练，我自己写的许多运算和函数调用也是参照它来的，但是关于外围的代码，包括数据集的生成等方面，我不是很喜欢，而且也与我的要求不符，所以我重新写了一下，并且进行了封装，增加了模型的存/取，训练过程可视化等功能，并且简化了流程。

我的模型主要分成两部分：由输入单词生成训练集的外围代码，以及用于描述模型，训练的核心代码。在训练的时候，外围代码收到一个分好词的句子，例如[‘我’,’中午’,’吃饭’],然后根据skip-gram模型，将其转化成输入集和标签集。例如 

[我，中午，中午，吃饭] 

[中午，我，吃饭，中午] 

当然了，实际过程中输入集和标签集都是用id来表示的。生成输入集和标签集以后，将其输入核心代码进行训练。那就先从核心代码讲起吧。这篇文章中的代码是不完全的，想看完整版的可以移步https://github.com/multiangle/tfword2vec

核心代码

核心代码主要就是描述模型，计算loss,根据loss优化参数等步骤。这里计算loss直接使用了tf封装好的tf.nn.nce_loss方法，比较方便。优化方法这里也是选的最简单的梯度下降法。具体的描述就放在代码里说好了

self.graph = tf.Graph()
self.graph = tf.Graph()
with self.graph.as_default():
# 首先定义两个用作输入的占位符，分别输入输入集(train_inputs)和标签集(train_labels)
self.train_inputs = tf.placeholder(tf.int32, shape=[self.batch_size])
self.train_labels = tf.placeholder(tf.int32, shape=[self.batch_size, 1])

# 词向量矩阵，初始时为均匀随机正态分布
self.embedding_dict = tf.Variable(

4000
tf.random_uniform([self.vocab_size,self.embedding_size],-1.0,1.0)
)

# 模型内部参数矩阵，初始为截断正太分布
self.nce_weight = tf.Variable(tf.truncated_normal([self.vocab_size, self.embedding_size],
stddev=1.0/math.sqrt(self.embedding_size)))
self.nce_biases = tf.Variable(tf.zeros([self.vocab_size]))

# 将输入序列向量化，具体可见我的【常用函数说明】那一篇
embed = tf.nn.embedding_lookup(self.embedding_dict, self.train_inputs) # batch_size

# 得到NCE损失(负采样得到的损失)
self.loss = tf.reduce_mean(
tf.nn.nce_loss(
weights = self.nce_weight,  # 权重
biases = self.nce_biases,   # 偏差
labels = self.train_labels, # 输入的标签
inputs = embed,             # 输入向量
num_sampled = self.num_sampled, # 负采样的个数
num_classes = self.vocab_size # 类别数目
)
)

# tensorboard 相关
tf.scalar_summary('loss',self.loss)  # 让tensorflow记录参数

# 根据 nce loss 来更新梯度和embedding，使用梯度下降法(gradient descent)来实现
self.train_op = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(self.loss)  # 训练操作

# 计算与指定若干单词的相似度
self.test_word_id = tf.placeholder(tf.int32,shape=[None])
vec_l2_model = tf.sqrt(  # 求各词向量的L2模
tf.reduce_sum(tf.square(self.embedding_dict),1,keep_dims=True)
)

avg_l2_model = tf.reduce_mean(vec_l2_model)
tf.scalar_summary('avg_vec_model',avg_l2_model)

self.normed_embedding = self.embedding_dict / vec_l2_model
# self.embedding_dict = norm_vec # 对embedding向量正则化
test_embed = tf.nn.embedding_lookup(self.normed_embedding, self.test_word_id)
self.similarity = tf.matmul(test_embed, self.normed_embedding, transpose_b=True)

# 变量初始化操作
self.init = tf.global_variables_initializer()
# 汇总所有的变量记录
self.merged_summary_op = tf.merge_all_summaries()
# 保存模型的操作
self.saver = tf.train.Saver()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58

外围代码

外围代码其实有很多，例如训练过程中变量的记录，模型的保存与读取等等，不过这与训练本身没什么关系，这里还是贴如何将句子转化成输入集和标签集的代码。对其他方面感兴趣的看官可以到github上看完整的代码。

def train_by_sentence(self, input_sentence=[]):
#  input_sentence: [sub_sent1, sub_sent2, ...]
# 每个sub_sent是一个单词序列，例如['这次','大选','让']
sent_num = input_sentence.__len__()
batch_inputs = []
batch_labels = []
for sent in input_sentence: # 输入有可能是多个句子，这里每个循环处理一个句子
for i in range(sent.__len__()): # 处理单个句子中的每个单词
start = max(0,i-self.win_len)   # 窗口为 [-win_len,+win_len],总计长2*win_len+1
end = min(sent.__len__(),i+self.win_len+1)
# 将某个单词对应窗口中的其他单词转化为id计入label，该单词本身计入input
for index in range(start,end):
if index == i:
continue
else:
input_id = self.word2id.get(sent[i])
label_id = self.word2id.get(sent[index])
if not (input_id and label_id): #　如果单词不在词典中，则跳过
continue
batch_inputs.append(input_id)
batch_labels.append(label_id)
if len(batch_inputs)==0:　#　如果标签集为空，则跳过
return
batch_inputs = np.array(batch_inputs,dtype=np.int32)
batch_labels = np.array(batch_labels,dtype=np.int32)
batch_labels = np.reshape(batch_labels,[batch_labels.__len__(),1])

#　生成供tensorflow训练用的数据
feed_dict = {
self.train_inputs: batch_inputs,
self.train_labels: batch_labels
}
# 这句操控tf进行各项操作。数组中的选项，train_op等，是让tf运行的操作，feed_dict选项用来输入数据
_, loss_val, summary_str = self.sess.run([self.train_op,self.loss,self.merged_summary_op], feed_dict=feed_dict)

# train loss，记录这次训练的loss值
self.train_loss_records.append(loss_val)
# self.train_loss_k10 = sum(self.train_loss_records)/self.train_loss_records.__len__()
self.train_loss_k10 = np.mean(self.train_loss_records) # 求loss均值
if self.train_sents_num % 1000 == 0 :
self.summary_writer.add_summary(summary_str,self.train_sents_num)
print("{a} sentences dealed, loss: {b}"
.format(a=self.train_sents_num,b=self.train_loss_k10))

# train times
self.train_words_num += batch_inputs.__len__()
self.train_sents_num += input_sentence.__len__()
self.train_times_num += 1