一、循环神经网络和自然语言处理介绍

目标

• 知token和tokenization
• 知道N-gram的概念和作用
• 知道文本向量化表示的方法

1.1 文本的tokenization

1.1.1 概念和工具的介绍

tokenization 就是通常所说的分词，分出的每一个词话我们把它称为token。
常见的分词工具很多，比如:

• jieba分词: https://github.com/fxsjy/jieba 。
• 清华大学的分词工具THULAC:
  https://github.com/thun1p/THULAC-Python

1.1.2 中英文分词的方法

1.2 N-garm表示方法

前面我们说，句子可以用但个字，词来表示，但是有的时候，我们可以用2个、3个或者多个词来表
N-gram一组一组的词语，其中的N表示能够被一起使用的词的数量
例如：

1.3 向量化

1.3.1 one-hot编码

1.3.2 word embedding

word embedding是深度学习中表示文本常用的一种方法。和one-hot偏码不同，word embedding使用了浮点型的稠密矩阵来表示token。根据词典的大小，我们的向量通常使用不同的维度，例如100,256,300等。其中向呈中的每一个值是一个超参数，其初始值是随机生成的，之后会在训练的过程中进行学习而获得。
如果我们文本中有20000个词语，如果使用one-hot编码，那么我们会有2000020000的矩阵，其中大多数的位置都为0，但是如果我们使用word embedding来表示的话，只需要20000 维度，比如20000*300
形象的表示就是:

1.3.3 word embedding API

1.3.4 数据的形状变化

思考:每个batch中的每个句子有10个词语，经过形状为[20，4]的Word emebedding之后，原来的句子会变成什么形状?
每个词语用长度为4的向量表示，所以，最终句子会变为 [batch_size,10,4]的形状。增加了一个维度，这个维度是embedding的dim

二、文本情感分类

目标

1. 知道文本处理的基本方法
2. 能够使用数据实现情感分类的

2.1 案例介绍

2.2 思路分析

首先可以把上述问题定义为分类问题，情感评分分为1-10，10个类别(也可以理解为回归问题，这里当做分类问题考虑)。那么根据之前的经验，我们的大致流程如下:

1. 准备数据集
2. 构建模型
3. 横型训练
4. 模型评估
   知道思路之后，那么我们一步步来完成上述步骤

2.3 准备数据集

2.3.1 基础Dataset的准备

2.3.2 文本序列化

再介绍word embedding的时候，我们说过，不会直接把文本转化为向量，而是先转化为数字，再把数字转化为向量，那么这个过程该如何实现呢?
这里我们可以考虑把文本中的每个词语和其对应的数字，使用字典保存，同时实现方法把句子通过字典映射为包含数字的列表。
实现文本序列化之前，考虑以下几点:

1. 如何使用字典把词语和数字进行对应
2. 不同的语出现的次数不尽相同，是否需要对高频或者低频词语进行过滤，以及总的词语数量是否需要进行限制
3. 得到词典之后，如何把句子转化为数字序列，如何把数字序列转化为句子
4. 不同子长度不相同，每个batch的句子如何构造成相同的长度(可以对短句子进行填充，填充特殊字符)
5. 对于新出现的词语在词典中没有出现怎么办(可以使用特殊字符代理)
   思路分析:
6. 对所有句了进行分词
7. 词语存入字典，根据次数对词语进行过滤，并统计次数
8. 实现文本转数字序列的方法
9. 实现数字序列转文本方法
   
   
   
   
   
   
   

2.4 构建模型

2.5 模型的训练和评估

三、循环神经网络

目标

1. 能够说出结环神经网络的概念和作用
2. 能够说出循环神经网络的类型和应用场景
3. 能够说出LSTM的作用和原理
4. 能够说出GRU的作用和原理

3.1 循环神经网络的介绍

为什么有了神经网络还需要有循环神经网络?
在普通的神经网络中，信息的传递是单向的，这种限制虽然使得网络变得更容易学习，但在一定程度上也减弱了神经网络模型的能力。特别是在很多现实任务中，网络的输出不仅和当前时刻的输入相关，也和具过去一段时间的输出相关。此外，普通网络难以处理时序数据，比如视频、语音、文本等，时序数据的长度一般显不固定的，而前馈神经网络要求输入和输出的维数都是固定的，不能任意改变，因此，当处理这一类和时序相关的问题时，就需要一种能力更强的悦型。
循环神经网络(Recurrent Neural Network，RNN)是一类具有短期记忆能力的神经网络。在循环神经网络中，神经元不但可以接受其它神经元的信息，也可以接受自身的信息，形成具有环路的网络结构。换句话说:神经元的输出可以在下一个时间步直接作用到自身(作为输入)

3.2 LSTM和GRU

3.2.1 LSTM的基础介绍

假如现在有这样一个需求，根掘现有文本预测下一个词语，比如天上的云朵漂浮在_，通过问隔不远的位置就可以预测出来词语是天上，但是对于其他一些句子，可能需要被预测的词语在前100个词语之前，那么此时由于间隔非常大，随着间隔的增加可能会导致真实的预测值对结果的影响变的非常小，而无法非常好的进行预测(RNN中的长期依赖问题 (long-TermDependencies))
那么为了解决这个问题需要LSTM (Long Short-Term Memory网络)
LSTM是一种RNN特殊的类型，可以学习长期依赖信息。在很多问题上，LSTM都取得相当巨大的成功，并得到了广泛的应用。

3.2.2 LSTM的核心

3.2.3 逐步理解LSTM

3.2.3.1 遗忘门

3.2.3.2 输入门

3.2.3.3 输出门

3.2.4 GRU,LSTM的变形

LSTM内容参考地址: https://colah.github.ioposts/2015-08-Understanding:LSTMs/

3.3 双向LSTM

单向的 RNN，是根据前面的信息推出后面的，但有时候只看前面的词是不够的，可能需要预测的词语和后面的内容也相关，那么此时需要一种机制，能够让模型不仅能够从前往后的具有记忆，还需要从后往前需要记忆。此时双向LSTM就可以帮助我们解决这个问题

四、循环神经网络实现情感分类

目标

1. 知道LSTM和GRU的使用方法及输入输出的格式
2. 能够应用LSTM和GRU实现文本情感分类

4.1 Pytorch中LSTM和GRU模块使用

4.1.1 LSTM介绍

4.1.2 LSTM使用示例

假设数掘输入为 input,形状是[10,20]，假设embedding的形状是[100,30]

4.1.2 LSTM和GRU的使用注意点

4.2 使用LSTM完成文本情感分类

在前面，我们使用了word embedding去实现了toy级别的文本情感分类，那么现在我们在这个模型中添加上LSTM层，观察分类效果。
为了达到更好的效果，对之前的模型做如下修改

1. MAX_LEN = 200
2. 构建dataset的过程，把数据转化为2分类的问题，pos为1，neg为0，否则25000个样本完成10个类别的划分数据量是不够的
3. 在实例化LSTM的时候，使用dropout=0.5，在model.eval0的过程中，dropout自动会为0

五、Pythorch中的序列化容器

目标

1. 知道梯度消失和梯度爆炸的原理和解决方法
2. 能够使用nn.sequentia1完成模型的搭建
3. 知道nn.BatchNormld的使用方法
4. 知道nn.Dropout 的使用方法

5.1 梯度消失和梯度爆炸

在使用pytorch中的序列化 容器之前，我们先来了解一下常见的梯度消失和梯度海炸的问题

5.1.1 梯度消失

假设我们有四层极简神经网络：每层只有一个神经元

5.1.2 梯度爆炸

5.1.3 解决梯度消失或者梯度爆炸的经验

5.2 nn.Sequential

5.3 nn.BatchNormld

batch normalization 翻泽成中文就是批规范化，即在每个batch训练的过程中，对参数进行归一化的处理，从而达到加快训练速度的效果。
以sigmoid激活函数为例，他在反向传摇的过程中，在值为0,1的时候，梯度接近0，导致参数被更新的幅度很小，训练速度慢。但是如果对数掘进行归一化之后，就会尽可能的把数据拉倒[0-1]的范围，从而让参数更新的幅度变大，提高训练的速度。
batchNorm一般会放到激活函数之后，即对输入进行激活处理之后再进入batchNorm

5.4 nn.Dropout