文章目录
- 1 这一讲任务
- 2 相关解释
- 3 代码
该专栏内容为对该视频的学习记录：【《PyTorch深度学习实践》完结合集】
专栏的全部代码、数据集和课件全放在个人GitHub了，欢迎自取。
1 这一讲任务
根据名字中的字符来预测其是哪个语言地区：如"Nasikovsky"这个名字一看就是念什么什么斯基，立即推！这个人很可能就是俄语地区。
我们的模型结构：
2 相关解释
双向循环神经网络（Bidirectional Recurrent Neural Network，BiRNN）是一种常见的循环神经网络结构。与传统的循环神经网络只考虑历史时刻的信息不同，双向循环神经网络不仅考虑历史时刻的信息，还考虑未来时刻的信息。
在双向循环神经网络中，输入序列可以被看作是由两个部分组成的：正向和反向。在正向部分中，输入数据从前往后进行处理，而在反向部分中，输入数据从后往前进行处理。这两个部分在网络中分别使用独立的循环神经网络进行计算，并将它们的输出进行拼接。这样，网络就可以获得正向和反向两个方向的信息，并且能够同时考虑整个序列的上下文信息。
双向循环神经网络的作用是在处理序列数据时，提供更全面、更准确的上下文信息，能够捕获序列中前后关系，对于很多序列处理任务（例如自然语言处理、语音识别等）的效果都有很大的提升。在本代码中，设置了 bidirectional=True，意味着使用双向 GRU，提取的特征包含了正向和反向的信息。在 GRU 层输出后，通过 torch.cat() 将正向和反向的最后一个时间步的隐含状态进行拼接，从而得到一个更全面的特征表示。
3 代码
看过这系列视频的都知道这一讲是最难的，相关流程及解释可以看代码中的注释。
温馨提示：如果你有GPU加速的话，请把代码中第18行USE_GPU = False改成USE_GPU = True，同时把第154行和177行中的output = classifier(inputs, seq_lengths)改成output = classifier(inputs, seq_lengths.cpu())，否则会报错；除此之外，如果深度学习代码运行很久，千万记得让屏幕亮着，要不然它就停了！看我的运行结果epoch为97那里就发现了这是我的经验之谈。
import csv
import time
import matplotlib.pyplot as plt
import numpy as np
import math
import gzip # 用于读取压缩文件
import torch
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
from torch.nn.utils.rnn import pack_padded_sequence
# 一些超参数
HIDDEN_SIZE = 100
BATCH_SIZE = 256 # 一次训练的样本数，为256个名字
N_LAYER = 2 # RNN的层数
N_EPOCHS = 100
N_CHARS = 128 # ASCII码一共有128个字符
USE_GPU = False # 不好意思，我没GPU！
# 构造数据集
class NameDataset(Dataset):
def __init__(self, is_train_set=True):
filename = '../Data/names_train.csv.gz' if is_train_set else '../Data/names_test.csv.gz'
with gzip.open(filename, 'rt') as f: # rt表示以只读模式打开文件，并将文件内容解析为文本形式
reader = csv.reader(f)
rows = list(reader) # rows是一个列表，每个元素是一个名字和国家名组成的列表
self.names = [row[0] for row in rows] # 一个很长的列表，每个元素是一个名字，字符串，长度不一，需要转化为数字
self.len = len(self.names) # 训练集：13374 测试集：6700
self.countries = [row[1] for row in rows] # 一个很长的列表，每个元素是一个国家名，字符串，需要编码成数字
# 下面两行的作用其实就是把国家名编码成数字，因为后面要用到交叉熵损失函数
self.country_list = list(sorted(set(self.countries))) # 列表，按字母表顺序排序，去重后有18个国家名
self.country_dict = self.getCountryDict() # 字典，key是国家名，value是country_list的国家名对应的索引(0-17)
self.country_num = len(self.country_list) # 18
# 根据样本的索引返回姓名和国家名对应的索引，可以理解为(特征,标签)，但这里的特征是姓名，后面还需要转化为数字，标签是国家名对应的索引
def __getitem__(self, index):
return self.names[index], self.country_dict[self.countries[index]]
# 返回样本数量
def __len__(self):
return self.len
# 返回一个key为国家名和value为索引的字典
def getCountryDict(self):
country_dict = dict() # 空字典
for idx, country_name in enumerate(self.country_list):
country_dict[country_name] = idx
return country_dict
# 根据索引(标签值)返回对应的国家名
def idx2country(self, index):
return self.country_list[index]
# 返回国家名(标签类别)的个数，18
def getCountriesNum(self):
return self.country_num
# 实例化数据集
trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=False)
N_COUNTRY = trainset.getCountriesNum() # 18个国家名，即18个类别
# 设计神经网络模型
class RNNClassifier(torch.nn.Module):
def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):
super(RNNClassifier, self).__init__()
self.hidden_size = hidden_size # 隐含层的大小，100
self.n_layers = n_layers # RNN的层数，2
self.n_directions = 2 if bidirectional else 1 # 是否使用双向RNN
# 词嵌入层：input_size是输入的特征数(即不同词语的个数)，即128;embedding_size是词嵌入的维度(即将词语映射到的向量的维度)，这里让它等于了隐含层的大小，即100
self.embedding = torch.nn.Embedding(input_size, hidden_size)
# GRU层：input_size是输入的特征数(这里是embedding_size,其大小等于hidden_size)，即100;hidden_size是隐含层的大小，即100;n_layers是RNN的层数，2;bidirectional是是否使用双向RNN
self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)
# 全连接层：hidden_size是隐含层的大小，即100;output_size是输出的特征数(即不同类别的个数)，即18
self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)
def _init_hidden(self, batch_size):
# 初始化隐含层，形状为(n_layers * num_directions, batch_size, hidden_size)
hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)
return create_tensor(hidden)
def forward(self, input, seq_lengths):
# input shape:B X S -> S X B
input = input.t() # 转置，变成(seq_len,batch_size)
batch_size = input.size(1) # 256，一次训练的样本数，为256个名字，即batch_size
hidden = self._init_hidden(batch_size)
# 1、嵌入层处理，input:(seq_len,batch_size) -> embedding:(seq_len,batch_size,embedding_size)
embedding = self.embedding(input)
# pack them up
gru_input = pack_padded_sequence(embedding, seq_lengths)
# output:(*, hidden_size * num_directions)，*表示输入的形状(seq_len,batch_size)
# hidden:(num_layers * num_directions, batch, hidden_size)
output, hidden = self.gru(gru_input, hidden)
if self.n_directions == 2:
hidden_cat = torch.cat([hidden[-1], hidden[-2]],
dim=1) # hidden[-1]的形状是(1,256,100)，hidden[-2]的形状是(1,256,100)，拼接后的形状是(1,256,200)
else:
hidden_cat = hidden[-1] # (1,256,100)
fc_output = self.fc(hidden_cat) # 返回的是(1,256,18)
return fc_output
# 下面该函数属于数据准备阶段的延续部分，因为神经网络只能处理数字，不能处理字符串，所以还需要把姓名转换成数字
def make_tensors(names, countries):
# 传入的names是一个列表，每个元素是一个姓名字符串，countries也是一个列表，每个元素是一个整数
sequences_and_lengths = [name2list(name) for name in
names] # 返回的是一个列表，每个元素是一个元组，元组的第一个元素是姓名字符串转换成的数字列表，第二个元素是姓名字符串的长度
name_sequences = [sl[0] for sl in sequences_and_lengths] # 返回的是一个列表，每个元素是姓名字符串转换成的数字列表
seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths]) # 返回的是一个列表，每个元素是姓名字符串的长度
countries = countries.long() # PyTorch 中，张量的默认数据类型是浮点型 (float)，这里转换成整型，可以避免浮点数比较时的精度误差，从而提高模型的训练效果
# make tensor of name, (Batch_size,Seq_len) 实现填充0的功能
seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths)):
seq_tensor[idx, :seq_len] = torch.LongTensor(seq)
# sort by length to use pack_padded_sequence
# perm_idx是排序后的数据在原数据中的索引,seq_tensor是排序后的数据,seq_lengths是排序后的数据的长度,countries是排序后的国家
seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)
seq_tensor = seq_tensor[perm_idx]
countries = countries[perm_idx]
return create_tensor(seq_tensor), create_tensor(seq_lengths), create_tensor(countries)
# 把名字转换成ASCII码，返回ASCII码值列表和名字的长度
def name2list(name):
arr = [ord(c) for c in name]
return arr, len(arr)
# 是否把数据放到GPU上
def create_tensor(tensor):
if USE_GPU:
device = torch.device('cuda:0')
tensor = tensor.to(device)
return tensor
# 训练模型
def trainModel():
total_loss = 0
for i, (names, countries) in enumerate(trainloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = classifier(inputs, seq_lengths)
loss = criterion(output, target)
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_loss += loss.item()
if i % 10 == 0:
print(f'[{timeSince(start)}] Epoch {epoch} ', end='') # end=''表示不换行
print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
print(f'loss={total_loss / (i * len(inputs))}') # 打印每个样本的平均损失
return total_loss # 返回的是所有样本的损失，我们并没有用上它
# 测试模型
def testModel():
correct = 0
total = len(testset)
print('evaluating trained model ...')
with torch.no_grad():
for i, (names, countries) in enumerate(testloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = classifier(inputs, seq_lengths)
pred = output.max(dim=1, keepdim=True)[1] # 返回每一行中最大值的那个元素的索引，且keepdim=True，表示保持输出的二维特性
correct += pred.eq(target.view_as(pred)).sum().item() # 计算正确的个数
percent = '%.2f' % (100 * correct / total)
print(f'Test set: Accuracy {correct}/{total} {percent}%')
return correct / total # 返回的是准确率，0.几几的格式，用来画图
def timeSince(since):
now = time.time()
s = now - since
m = math.floor(s / 60) # math.floor()向下取整
s -= m * 60
return '%dmin %ds' % (m, s) # 多少分钟多少秒
if __name__ == '__main__':
classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
if USE_GPU:
device = torch.device('cuda:0')
classifier.to(device)
# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.Adam(classifier.parameters(), lr=0.001)
start = time.time()
print('Training for %d epochs...' % N_EPOCHS)
acc_list = []
# 在每个epoch中，训练完一次就测试一次
for epoch in range(1, N_EPOCHS + 1):
# Train cycle
trainModel()
acc = testModel()
acc_list.append(acc)
# 绘制在测试集上的准确率
epoch = np.arange(1, len(acc_list) + 1)
acc_list = np.array(acc_list)
plt.plot(epoch, acc_list)
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.grid()
plt.show()
运行结果：
Training for 100 epochs...
[0min 2s] Epoch 1 [2560/13374] loss=0.00880123688839376
[0min 4s] Epoch 1 [5120/13374] loss=0.007671719812788069
[0min 6s] Epoch 1 [7680/13374] loss=0.007059914680818717
[0min 8s] Epoch 1 [10240/13374] loss=0.006611915945541114
[0min 11s] Epoch 1 [12800/13374] loss=0.006199482078664005
evaluating trained model ...
Test set: Accuracy 4404/6700 65.73%
......
太长了，这里删去了
......
Test set: Accuracy 5614/6700 83.79%
[18min 40s] Epoch 96 [2560/13374] loss=0.00011034630369977094
[18min 42s] Epoch 96 [5120/13374] loss=0.0001254687798791565
[18min 44s] Epoch 96 [7680/13374] loss=0.00013128189433094425
[18min 46s] Epoch 96 [10240/13374] loss=0.0001387107873597415
[18min 48s] Epoch 96 [12800/13374] loss=0.0001461269668652676
evaluating trained model ...
Test set: Accuracy 5613/6700 83.78%
[18min 52s] Epoch 97 [2560/13374] loss=0.0001349131613096688
[18min 54s] Epoch 97 [5120/13374] loss=0.00014072275480430106
[18min 56s] Epoch 97 [7680/13374] loss=0.00014947503271590297
[30min 41s] Epoch 97 [10240/13374] loss=0.0001497450133683742
[30min 43s] Epoch 97 [12800/13374] loss=0.00015023023312096484
evaluating trained model ...
Test set: Accuracy 5591/6700 83.45%
[30min 47s] Epoch 98 [2560/13374] loss=0.00010461835518071894
[30min 50s] Epoch 98 [5120/13374] loss=0.00012207417294121114
[30min 52s] Epoch 98 [7680/13374] loss=0.00013591610816850638
[30min 54s] Epoch 98 [10240/13374] loss=0.00014654295728178113
[30min 56s] Epoch 98 [12800/13374] loss=0.00014601548456994351
evaluating trained model ...
Test set: Accuracy 5618/6700 83.85%
[31min 0s] Epoch 99 [2560/13374] loss=0.00012085143134754617
[31min 2s] Epoch 99 [5120/13374] loss=0.00013280441216920736
[31min 3s] Epoch 99 [7680/13374] loss=0.00013986867391698374
[31min 5s] Epoch 99 [10240/13374] loss=0.00014336458771140314
[31min 7s] Epoch 99 [12800/13374] loss=0.0001451119186822325
evaluating trained model ...
Test set: Accuracy 5617/6700 83.84%
[31min 11s] Epoch 100 [2560/13374] loss=0.0001406415132805705
[31min 13s] Epoch 100 [5120/13374] loss=0.00012996229634154588
[31min 15s] Epoch 100 [7680/13374] loss=0.000135468188818777
[31min 17s] Epoch 100 [10240/13374] loss=0.0001424965994374361
[31min 19s] Epoch 100 [12800/13374] loss=0.00014370402568602002
evaluating trained model ...
Test set: Accuracy 5623/6700 83.93%
当然了，如果你也跟我一样是个喜欢白嫖的人，可以尝试用Kaggle的GPU跑，速度飞快！快了10多倍啊！不过最后的曲线肯定是差不多的，如下：
代码解释：
这是一个使用 PyTorch 实现的 RNN 分类器模型，目的是将给定的姓名（输入特征）分类到对应的国家（输出类别）。模型使用了 GRU（Gated Recurrent Unit）层作为核心组件，并且支持双向 RNN。模型的输入是姓名，即一个长度不定的字符串，需要将其转化为固定长度的向量表示。这里采用了词嵌入层将每个字符映射到一个固定长度的向量，并通过 RNN 层来提取其特征。最终输出一个大小为 18 的向量，分别代表属于每个国家的概率，使用 softmax 函数进行归一化处理。
在模型训练过程中，使用交叉熵损失函数来衡量模型预测值与真实值之间的误差，并使用 Adam 优化器来更新模型参数。同时，还使用了 DataLoader 来处理数据，以及pack_padded_sequence 函数来处理可变长度的输入序列。此外，还提供了一些辅助函数，如将国家名编码为数字、将数字解码为国家名等。
在训练时，使用了一个名为Adam的优化器，它是一种常用的优化算法，能够自适应地调节学习率，降低了手动调节超参数的难度。此外，还使用了交叉熵损失函数，用于评估模型的预测结果和真实标签之间的差异。
最后，通过一个for循环迭代训练模型，训练100个epoch，每个epoch中，将训练集分成多个batch，每个batch中包含256个样本，使用该batch训练模型，并计算损失值，然后更新模型参数。同时，在每个epoch结束后，使用测试集对模型进行测试，计算准确率和损失值，并将结果打印出来。
在机器学习中，训练数据和测试数据是两个独立的数据集，用于训练和评估模型的性能。在训练模型时，通常会对训练数据进行随机打乱，以确保每个样本都有机会被用于训练，减少模型对数据的过拟合，提高泛化能力。但是，对于测试数据，我们希望评估模型在未见过的数据上的性能，因此不应该对测试数据进行打乱，以确保模型在真实场景中的性能得到准确评估。
因此，在上述代码中，我们对训练数据集进行shuffle=True的打乱操作，以便每个batch的数据是随机的，有助于模型更好地学习到数据的分布特征；而对于测试数据集，我们设置shuffle=False，以确保测试集中的数据顺序不会影响模型的评估结果，避免测试结果受到无意义的影响。
写在最后：好好学习！为了去大公司用最高端的GPU！
