第20周：Pytorch文本分类入门

前言

一、前期准备

1.1 环境安装导入包

1.2 加载数据

1.3 构建词典

1.4 生成数据批次和迭代器

二、准备模型

2.1 定义模型

2.2 定义示例

2.3 定义训练函数与评估函数

三、训练模型

3.1 拆分数据集并运行模型

3.2 使用测试数据集评估模型

总结

前言

🍨 本文为[🔗365天深度学习训练营]中的学习记录博客
🍖 原作者：[K同学啊]

说在前面

本周任务：了解文本分类的基本流程、学习常用数据清洗方法、学习如何使用jieba实现英文分词、学习如何构建文本向量

我的环境：Python3.8、Pycharm2020、torch1.12.1+cu113

数据来源：[K同学啊]

一、前期准备

1.1 环境安装导入包

本文是一个使用Pytorch实现的简单文本分类实战案例，在本案例中，我们将使用AG News数据集进行文本分类

需要确保已经安装了torchtext与poralocker库

PS：torchtext库的安装需要与Pytorch、python的版本进行匹配，具体可参考torchtext版本对应

import torch
import torch.nn as nn
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warnings
from torchtext.datasets import AG_NEWS
from torchtext.vocab import build_vocab_from_iterator
import torchtext.data.utils as utils
from torch.utils.data import DataLoader
from torch import nn
import time

warnings.filterwarnings("ignore")
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

1.2 加载数据

本文使用的数据集是AG News（AG's News Topic Classification Dataset）是一个广泛用于文本分；分类任务的数据集，尤其是在新闻领域，该数据集是由AG’s Corpus of News Ariticles收集整理而来，包含了四个主要的类别：世界、体育、商业和科技

torchtext.datasets.AG_NEWS是一个用于加载AG News数据集的torchtext数据集类，具体的参数如下：

root：数据集的根目录，默认值是'.data'
split：数据集的拆分train、test
**kwargs：可选的关键字参数，可传递给torchtext.datasets.TextClassificationDataset类构造的函数

该类加载的数据集是一个列表，其中每个条目都是一个元祖，包含以下两个元素

一条新闻文章的文本内容
新闻文章所属的类别（一个整数，从1到4，分别对应世界、科技、体育和商业）

代码如下：

train_iter = AG_NEWS(split='train')

1.3 构建词典

torchtext.data.ttils.get_tokenizer()是一个用于将文本数据分词的函数，它返回一个分词器（tokenizer）函数，可以将一个字符串转换成一个单词的列表

函数原型：torchtext.data.ttils.get_tokenizer(tokenizer, language = 'en')

tokenizer参数是用于指定使用的分词器名称，可以是一下之一

basic_english:用于基本英文文本的分词器
moses:用于处理各种语言的分词器，支持多种选项
spacy:使用spaCy分词器，需要安装spaCy库
toktok：用于各种语言的分词器，速度较快

PS:分词器函数返回的单词列表中不包含任何标点符号或空格

代码如下：

tokenizer = utils.get_tokenizer('basic_english')

def yield_tokens(data_iter):
    for _, text in data_iter:
        yield tokenizer(text)

vocab = build_vocab_from_iterator(yield_tokens(train_iter),specials=["<unk>"])
vocab.set_default_index(vocab["<unk>"])  #设置默认索引，如果找不到单词，则会选择默认索引

print(vocab(['here', 'is', 'an', 'example']))

text_pipeline = lambda  x: vocab(tokenizer(x))
label_pipeline = lambda x: int(x) - 1

print(text_pipeline('here is an example'))
print(label_pipeline('10'))

输出结果：

[475, 21, 30, 5297]
[475, 21, 30, 5297]
9

1.4 生成数据批次和迭代器

代码如下：

def collate_batch(batch):
    label_list, text_list, offsets = [],[],[0]

    for (_label, _text) in batch:
        # 标签列表
        label_list.append(label_pipeline(_label))

        # 文本列表
        processed_text = torch.tensor(text_pipeline(_text),dtype=torch.int64)
        text_list.append(processed_text)

        #偏移量，即语句的总词汇量
        offsets.append(processed_text.size(0))

    label_list = torch.tensor(label_list, dtype=torch.int64)
    text_list = torch.cat(text_list)
    offsets = torch.tensor(offsets[:-1]).cumsum(dim=0)

    return label_list.to(device),text_list.to(device), offsets.to(device)

#数据集加载器
dataloader = DataLoader(train_iter, batch_size=8, shuffle=False, collate_fn=collate_batch)

二、准备模型

2.1 定义模型

首先对文本进行嵌入，然后对句子嵌入之后的结果进行均值聚合

代码如下：

#2.1 准备模型
class TextClassificationModel(nn.Module):
    def __init__(self,vocab_size,embed_dim,num_calss):
        super(TextClassificationModel, self).__init__()
        self.embedding = nn.EmbeddingBag(vocab_size, embed_dim, sparse=False)
        self.fc = nn.Linear(embed_dim, num_calss)
        self.init_weights()

    def init_weights(self):
        initrange = 0.5
        self.embedding.weight.data.uniform_(-initrange, initrange)
        self.fc.weight.data.uniform_(-initrange, initrange)
        self.fc.bias.data.zero_()

    def forward(self, text, offsets):
        embedded = self.embedding(text, offsets)
        return self.fc(embedded)

self.embedding.weight.data.uniform_(-initrange, initrange)是在PyTorch框架下用于初始化神经网络的词嵌入层(embedding layer)权重的一种方法，这里使用了均匀分布的随机值来初始化权重，具体来说，其作用如下：

self.embedding：这是神经网络的词嵌入层(embedding layer)，其嵌入层的作用是将离散的单词表示（通常为整数索引）映射为固定大小的连续向量，这些向量捕捉了单词之间的语义关系，并作为网络的输入
self.embedding.weight：这是词嵌入层的权重矩阵，它的形状为(vocab_size,embedding_dim)，其中vocab_size是词汇表的大小，embedding_dim是嵌入向量的维度
self.embedding.weight.data：这是权重矩阵的数据部分，可以直接操作其底层的张量
.uniform_(-initrange, initrange)：这是一个原地操作，用于将权重矩阵的值用一个均匀分布进行初始化，均匀分布的范围为[-initrange,initrange]，其中initrange是一个正数

这种方式初始化词嵌入层的权重，可以使得模型在训练开始时具有一定的随机性，有助于避免梯度消失或梯度爆炸等问题，在训练过程中，这些权重将通过优化算法不断更新，以捕捉到更好的单词表示

2.2 定义示例

代码如下：

#2.2定义实例
num_class = len(set([label for (label,text) in train_iter]))
vocab_size = len(vocab)
em_size = 64
model = TextClassificationModel(vocab_size, em_size, num_class).to(device)

epochs = 10
lr = 5
batch_szie =64

critertion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=lr)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer,1.0,gamma=0.1)

2.3 定义训练函数与评估函数

#2.3 定义训练函数与评估函数
def train(dataloader):
    model.train()
    total_acc, train_loss, total_count = 0,0,0
    log_interval = 500
    start_time = time.time()

    for idx, (label, text, offsets) in enumerate(dataloader):
        predicted_label = model(text, offsets)
        optimizer.zero_grad()
        loss = critertion(predicted_label, label)
        loss.backward()
        optimizer.step()

        #记录acc和loss
        total_acc += (predicted_label.argmax(1) == label).sum().item()
        train_loss += loss.item()
        total_count += label.size(0)

        if idx % log_interval == 0 and idx>0:
            elapsed = time.time() - start_time
            print('| epoch{:1d} | {:4d}/{:4d} batches'
                  'train_acc {:4.3f} train_loss {:4.5f}'.format(epoch, idx, len(dataloader),
                                                                total_acc/total_count, train_loss/total_count))
            total_acc, train_loss, total_count = 0, 0, 0
            start_time = time.time()

def evaluate(dataloader):
    model.eval()
    total_acc, train_loss, total_count = 0, 0 ,0
    with torch.no_grad():
        for idx, (label, text, offsets) in enumerate(dataloader):
            predicted_label = model(text, offsets)
            loss = critertion(predicted_label, label)
            # 记录acc和loss
            total_acc += (predicted_label.argmax(1) == label).sum().item()
            train_loss += loss.item()
            total_count += label.size(0)
    return total_acc/total_count, train_loss/total_count

三、训练模型

3.1 拆分数据集并运行模型

torchtext.data.functional.to_map_style_dataset函数的作用是将一个迭代式的数据集(Iterable-style dataset)转换为映射式的数据集（Map-style dataset）。这个转换使得我们可以通过索引更方便访问数据集中的元素

在PyTorch中，数据集可以分为两种类型：Iterable-style和Map-style，Iterable-style数据集实现了__iter__()方法，可以迭代访问数据集中的元素，但不支持通过索引访问，而Map-style数据集实现了__getitem__()和__len__()方法，可以直接通过索引访问特定元素，并能获取数据集的大小、

TorchText是Pytorch的一个扩展库，专注于处理文本数据，torchtext.data.functional中的to_map_style_dataset函数可以帮助我们将一个Iterable-style数据集转换为一个易于操作的Map-style数据集，这样就可以通过索引直接访问数据集中的特定样本，从而简化了训练、验证和测试过程中的数据处理。

代码如下：

#3.1 拆分数据集并运行模型
from torch.utils.data.dataset import random_split
from torchtext.data.functional import to_map_style_dataset

total_accu = None

train_iter, test_iter = AG_NEWS()
train_dataset = to_map_style_dataset(train_iter)
test_dataset = to_map_style_dataset(test_iter)
num_train = int(len(train_dataset) * 0.95)
split_train_, split_valid_ = random_split(train_dataset, [num_train, len(train_dataset)-num_train])

train_dataloader = DataLoader(split_train_, batch_size=batch_szie, shuffle=True, collate_fn=collate_batch)
vaild_dataloader = DataLoader(split_valid_, batch_size=batch_szie, shuffle=True, collate_fn=collate_batch)
test_dataloader = DataLoader(test_dataset, batch_size=batch_szie, shuffle=True, collate_fn=collate_batch)


for epoch in range(1, epochs+1):
    epoch_start_time = time.time()
    train(train_dataloader)
    val_acc, val_loss = evaluate(vaild_dataloader)

    if total_accu is not None and total_accu > val_acc:
        scheduler.step()
    else:
        total_accu = val_acc
    print('-' * 69)
    print('| epoch{:1d} | time: {:4.2f}s |'
          'vaild_acc {:4.3f} vaild_loss {:4.3f}'.format(epoch,
                                                        time.time()-epoch_start_time,
                                                        val_acc, val_loss))
    print('-' * 69)

输出结果：

| epoch1 | 500/1782 batchestrain_acc 0.714 train_loss 0.01141
| epoch1 | 1000/1782 batchestrain_acc 0.864 train_loss 0.00623
| epoch1 | 1500/1782 batchestrain_acc 0.879 train_loss 0.00551
---------------------------------------------------------------------
| epoch1 | time: 7.21s |vaild_acc 0.810 vaild_loss 0.008
---------------------------------------------------------------------
| epoch2 | 500/1782 batchestrain_acc 0.905 train_loss 0.00445
| epoch2 | 1000/1782 batchestrain_acc 0.905 train_loss 0.00440
| epoch2 | 1500/1782 batchestrain_acc 0.906 train_loss 0.00442
---------------------------------------------------------------------
| epoch2 | time: 5.68s |vaild_acc 0.910 vaild_loss 0.004
---------------------------------------------------------------------
| epoch3 | 500/1782 batchestrain_acc 0.915 train_loss 0.00389
| epoch3 | 1000/1782 batchestrain_acc 0.918 train_loss 0.00381
| epoch3 | 1500/1782 batchestrain_acc 0.918 train_loss 0.00377
---------------------------------------------------------------------
| epoch3 | time: 6.04s |vaild_acc 0.910 vaild_loss 0.004
---------------------------------------------------------------------
| epoch4 | 500/1782 batchestrain_acc 0.929 train_loss 0.00331
| epoch4 | 1000/1782 batchestrain_acc 0.921 train_loss 0.00357
| epoch4 | 1500/1782 batchestrain_acc 0.926 train_loss 0.00341
---------------------------------------------------------------------
| epoch4 | time: 6.54s |vaild_acc 0.890 vaild_loss 0.005
---------------------------------------------------------------------
| epoch5 | 500/1782 batchestrain_acc 0.941 train_loss 0.00280
| epoch5 | 1000/1782 batchestrain_acc 0.945 train_loss 0.00266
| epoch5 | 1500/1782 batchestrain_acc 0.944 train_loss 0.00265
---------------------------------------------------------------------
| epoch5 | time: 6.76s |vaild_acc 0.917 vaild_loss 0.004
---------------------------------------------------------------------
| epoch6 | 500/1782 batchestrain_acc 0.948 train_loss 0.00255
| epoch6 | 1000/1782 batchestrain_acc 0.946 train_loss 0.00265
| epoch6 | 1500/1782 batchestrain_acc 0.946 train_loss 0.00260
---------------------------------------------------------------------
| epoch6 | time: 6.80s |vaild_acc 0.920 vaild_loss 0.004
---------------------------------------------------------------------
| epoch7 | 500/1782 batchestrain_acc 0.948 train_loss 0.00254
| epoch7 | 1000/1782 batchestrain_acc 0.945 train_loss 0.00266
| epoch7 | 1500/1782 batchestrain_acc 0.949 train_loss 0.00248
---------------------------------------------------------------------
| epoch7 | time: 6.52s |vaild_acc 0.915 vaild_loss 0.004
---------------------------------------------------------------------
| epoch8 | 500/1782 batchestrain_acc 0.949 train_loss 0.00246
| epoch8 | 1000/1782 batchestrain_acc 0.949 train_loss 0.00246
| epoch8 | 1500/1782 batchestrain_acc 0.949 train_loss 0.00252
---------------------------------------------------------------------
| epoch8 | time: 6.75s |vaild_acc 0.919 vaild_loss 0.004
---------------------------------------------------------------------
| epoch9 | 500/1782 batchestrain_acc 0.948 train_loss 0.00251
| epoch9 | 1000/1782 batchestrain_acc 0.949 train_loss 0.00247
| epoch9 | 1500/1782 batchestrain_acc 0.950 train_loss 0.00245
---------------------------------------------------------------------
| epoch9 | time: 6.87s |vaild_acc 0.919 vaild_loss 0.004
---------------------------------------------------------------------
| epoch10 | 500/1782 batchestrain_acc 0.951 train_loss 0.00244
| epoch10 | 1000/1782 batchestrain_acc 0.947 train_loss 0.00255
| epoch10 | 1500/1782 batchestrain_acc 0.949 train_loss 0.00244
---------------------------------------------------------------------
| epoch10 | time: 6.64s |vaild_acc 0.919 vaild_loss 0.004
---------------------------------------------------------------------

3.2 使用测试数据集评估模型

代码如下：

print('Checking the results of test dataset.')
test_acc, test_loss = evaluate(test_dataloader)
print('test accuracy {:8.3f}'.format(test_acc))

输出结果：

总结

了解文本分类的基本流程、学习常用数据清洗方法、学习如何使用jieba实现英文分词、学习如何构建文本向量