详解文本分类之DeepCNN的理论与实践
导读
最近在梳理文本分类的各个神经网络算法,特地一个来总结下。下面目录中多通道卷积已经讲过了,下面是链接,没看的可以瞅瞅。我会一个一个的讲解各个算法的理论与实践。目录暂定为:
-
多通道卷积神经网络(multi_channel_CNN)
-
深度卷积神经网络(deep_CNN)
-
基于字符的卷积神经网络(Char_CNN)
-
循环与卷积神经网络并用网络(LSTM_CNN)
-
树状LSTM神经网络(Tree-LSTM)
-
Transformer(目前常用于NMT)
-
etc..
之后的以后再补充。今天我们该将第二个,深度卷积神经网络(DeepCNN)。
DeepCNN
DeepCNN即是深度卷积神经网络,就是有大于1层的卷积网络,也可以说是多层卷积网络(Multi_Layer_CNN,咳咳,我就是这么命名滴!)我们来直接上图,看看具体长得啥样子:
我大概描述下这个过程,比如sent_len=10,embed_dim=100,也就是输入的矩阵为(10*100),假设kernel num=n,用了上下padding,kernel size=(3*100),那么卷积之后输出的矩阵为(n*10),接着再将该矩阵放入下个卷积中,放之前我们先对这个矩阵做个转置,你肯定要问为什么?俺来告诉你我自己的认识,有两点:
-
硬性要求:这个矩阵第一个维度为10是句子长度产生的,所以是变量,我们习惯将该维度的大小控制为定量,比如第一个输入的值就是(sent_len,embed_dim),embed_dim就为定量,不变。所以转置即可。
-
理论要求:(n*10)中的n处于的维度的数据表示的是上个数据kernel对这个数据的10个数据第一次计算,第二次计算... 第10次计算,也就可以表示为通过kernel对上个数据的每个词和它的上下文进行了新的特征提取。n则表示用n个kernel对上个句子提取了n次。则最终的矩阵为(n*10),我们要转成和输入的格式一样,将第二维度依然放上一个词的表示。所以转置即可。
n 可以设置100,200等。
然后对最终的结果进行pooling,cat,然后进过线性层映射到分类上,进过softmax上进行预测输出即可。
上述仅仅说的是两层CNN的搭建,当然你可以搭建很多层啦。
实践
下面看下具体的pytotch代码如何实现
类Multi_Layer_CNN的初始化
[code]def __init__(self, opts, vocab, label_vocab): super(Multi_Layer_CNN, self).__init__() random.seed(opts.seed) torch.manual_seed(opts.seed) torch.cuda.manual_seed(opts.seed) self.embed_dim = opts.embed_size self.word_num = vocab.m_size self.pre_embed_path = opts.pre_embed_path self.string2id = vocab.string2id self.embed_uniform_init = opts.embed_uniform_init self.stride = opts.stride self.kernel_size = opts.kernel_size self.kernel_num = opts.kernel_num self.label_num = label_vocab.m_size self.embed_dropout = opts.embed_dropout self.fc_dropout = opts.fc_dropout self.embeddings = nn.Embedding(self.word_num, self.embed_dim) if opts.pre_embed_path != '': embedding = Embedding.load_predtrained_emb_zero(self.pre_embed_path, self.string2id) self.embeddings.weight.data.copy_(embedding) else: nn.init.uniform_(self.embeddings.weight.data, -self.embed_uniform_init, self.embed_uniform_init) # 2 convs self.convs1 = nn.ModuleList( [nn.Conv2d(1, self.embed_dim, (K, self.embed_dim), stride=self.stride, padding=(K // 2, 0)) for K in self.kernel_size]) self.convs2 = nn.ModuleList( [nn.Conv2d(1, self.kernel_num, (K, self.embed_dim), stride=self.stride, padding=(K // 2, 0)) for K in self.kernel_size]) in_fea = len(self.kernel_size)*self.kernel_num self.linear1 = nn.Linear(in_fea, in_fea // 2) self.linear2 = nn.Linear(in_fea // 2, self.label_num) self.embed_dropout = nn.Dropout(self.embed_dropout) self.fc_dropout = nn.Dropout(self.fc_dropout)
数据流动
[code]def forward(self, input): out = self.embeddings(input) out = self.embed_dropout(out) # torch.Size([64, 39, 100]) l = [] out = out.unsqueeze(1) # torch.Size([64, 1, 39, 100]) for conv in self.convs1: l.append(torch.transpose(F.relu(conv(out)).squeeze(3), 1, 2)) # torch.Size([64, 39, 100]) out = l l = [] for conv, last_out in zip(self.convs2, out): l.append(F.relu(conv(last_out.unsqueeze(1))).squeeze(3)) # torch.Size([64, 100, 39]) out = l l = [] for i in out: l.append(F.max_pool1d(i, kernel_size=i.size(2)).squeeze(2)) # torch.Size([64, 100]) out = torch.cat(l, 1) # torch.Size([64, 300]) out = self.fc_dropout(out) out = self.linear1(out) out = self.linear2(F.relu(out)) return out
数据对比
可以看出多层(深层)CNN还是在有提升的。
github地址:
https://github.com/zenRRan/Sentiment-Analysis/blob/master/models/Multi_layer_CNN.py
欢迎fork,有问题大家尽管指出!
PS:上述图片均来自于导师张梅山,唐都钰的《Deep Learning in Natural Language Processing》的情感分析篇。
更多精彩内容,请关注 深度学习自然语言处理 公众号,就是下方啦!跟随小博主,每天进步一丢丢!哈哈!
- 用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践(转载)
- 用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践(转载)
- 用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践
- 用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践
- [转] 用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践
- 用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践
- 用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践
- 用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践
- CNN tensorflow text classification CNN文本分类的例子
- 新闻上的文本分类:机器学习大乱斗 王岳王院长 王岳王院长 5 个月前 目标 从头开始实践中文短文本分类,记录一下实验流程与遇到的坑 运用多种机器学习(深度学习 + 传统机器学习)方法比较短文本分类处
- 卷积神经网络CNN理论到实践(1)
- 卷积神经网络(CNN)在TensorFlow文本分类中的应用Implementing a CNN for Text Classification in TensorFlow
- DeepLearning tutorial(4)CNN卷积神经网络原理简介+代码详解
- Java反射详解,从理论到实践
- Java基础学习总结(53)——HTTPS 理论详解与实践
- CNN用于文本分类
- DeepLearning tutorial(4)CNN卷积神经网络原理简介+代码详解
- 深度学习解决大规模文本分类问题 - 综述和实践
- 卷积神经网络CNN理论到实践(6)