基于tensorflow+RNN的新浪新闻文本分类
2018年10月11日笔记
tensorflow是谷歌google的深度学习框架，tensor中文叫做张量，flow叫做流。 RNN是recurrent neural network的简称，中文叫做循环神经网络。 文本分类是NLP（自然语言处理）的经典任务。
0.编程环境
操作系统：Win10 tensorflow版本：1.6 tensorboard版本：1.6 python版本：3.6
1.致谢声明
本文是作者学习《使用卷积神经网络以及循环神经网络进行中文文本分类》的成果，感激前辈； github链接：https://github.com/gaussic/text-classification-cnn-rnn
2.配置环境
使用循环神经网络模型要求有较高的机器配置，如果使用CPU版tensorflow会花费大量时间。 读者在有nvidia显卡的情况下，安装GPU版tensorflow会提高计算速度。 安装教程链接：https://blog.csdn.net/qq_36556893/article/details/79433298 如果没有nvidia显卡，但有visa信用卡，请阅读我的另一篇文章《在谷歌云服务器上搭建深度学习平台》，链接：https://www.jianshu.com/p/893d622d1b5a
3.下载并解压数据集
数据集下载链接: https://pan.baidu.com/s/1oLZZF4AHT5X_bzNl2aF2aQ 提取码: 5sea 下载压缩文件cnews.zip完成后，选择解压到cnews，如下图所示：
image.png
文件夹结构如下图所示：
image.png
cnew文件夹中有4个文件： 1.训练集文件cnews.train.txt 2.测试集文件cnew.test.txt 3.验证集文件cnews.val.txt 4.词汇表文件cnews.vocab.txt 共有10个类别，65000个样本数据，其中训练集50000条，测试集10000条，验证集5000条。
4.完整代码
代码文件需要放到和cnews文件夹同级目录。 给读者提供完整代码，旨在读者能够直接运行代码，有直观的感性认识。 如果要理解其中代码的细节，请阅读后面的章节。
import warnings
warnings.filterwarnings('ignore')
import time
startTime = time.time()
def printUsedTime():
used_time = time.time() - startTime
print('used time: %.2f seconds' %used_time)
with open('./cnews/cnews.train.txt', encoding='utf8') as file:
line_list = [k.strip() for k in file.readlines()]
train_label_list = [k.split()[0] for k in line_list]
train_content_list = [k.split(maxsplit=1)[1] for k in line_list]
with open('./cnews/cnews.vocab.txt', encoding='utf8') as file:
vocabulary_list = [k.strip() for k in file.readlines()]
print('0.load train data finished')
printUsedTime()
word2id_dict = dict([(b, a) for a, b in enumerate(vocabulary_list)])
content2idList = lambda content : [word2id_dict[word] for word in content if word in word2id_dict]
train_idlist_list = [content2idList(content) for content in train_content_list]
vocabolary_size = 5000 # 词汇表达小
sequence_length = 150 # 序列长度
embedding_size = 64 # 词向量大小
num_hidden_units = 256 # LSTM细胞隐藏层大小
num_fc1_units = 64 #第1个全连接下一层的大小
dropout_keep_probability = 0.5 # dropout保留比例
num_classes = 10 # 类别数量
learning_rate = 1e-3 # 学习率
batch_size = 64 # 每批训练大小
import tensorflow.contrib.keras as kr
train_X = kr.preprocessing.sequence.pad_sequences(train_idlist_list, sequence_length)
from sklearn.preprocessing import LabelEncoder
labelEncoder = LabelEncoder()
train_y = labelEncoder.fit_transform(train_label_list)
train_Y = kr.utils.to_categorical(train_y, num_classes)
import tensorflow as tf
tf.reset_default_graph()
X_holder = tf.placeholder(tf.int32, [None, sequence_length])
Y_holder = tf.placeholder(tf.float32, [None, num_classes])
print('1.data preparation finished')
printUsedTime()
embedding = tf.get_variable('embedding',
[vocabolary_size, embedding_size])
embedding_inputs = tf.nn.embedding_lookup(embedding,
X_holder)
gru_cell = tf.contrib.rnn.GRUCell(num_hidden_units)
outputs, state = tf.nn.dynamic_rnn(gru_cell,
embedding_inputs,
dtype=tf.float32)
last_cell = outputs[:, -1, :]
full_connect1 = tf.layers.dense(last_cell,
num_fc1_units)
full_connect1_dropout = tf.contrib.layers.dropout(full_connect1,
dropout_keep_probability)
full_connect1_activate = tf.nn.relu(full_connect1_dropout)
full_connect2 = tf.layers.dense(full_connect1_activate,
num_classes)
predict_Y = tf.nn.softmax(full_connect2)
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(labels=Y_holder,
logits=full_connect2)
loss = tf.reduce_mean(cross_entropy)
optimizer = tf.train.AdamOptimizer(learning_rate)
train = optimizer.minimize(loss)
isCorrect = tf.equal(tf.argmax(Y_holder,1), tf.argmax(predict_Y, 1))
accuracy = tf.reduce_mean(tf.cast(isCorrect, tf.float32))
print('2.build model finished')
printUsedTime()
init = tf.global_variables_initializer()
session = tf.Session()
session.run(init)
print('3.initialize variable finished')
printUsedTime()
with open('./cnews/cnews.test.txt', encoding='utf8') as file:
line_list = [k.strip() for k in file.readlines()]
test_label_list = [k.split()[0] for k in line_list]
test_content_list = [k.split(maxsplit=1)[1] for k in line_list]
test_idlist_list = [content2idList(content) for content in test_content_list]
test_X = kr.preprocessing.sequence.pad_sequences(test_idlist_list, sequence_length)
test_y = labelEncoder.transform(test_label_list)
test_Y = kr.utils.to_categorical(test_y, num_classes)
print('4.load test data finished')
printUsedTime()
print('5.begin model training')
import random
for i in range(5000):
selected_index = random.sample(list(range(len(train_y))), k=batch_size)
batch_X = train_X[selected_index]
batch_Y = train_Y[selected_index]
session.run(train, {X_holder:batch_X, Y_holder:batch_Y})
step = i + 1
if step % 100 == 0:
selected_index = random.sample(list(range(len(test_y))), k=200)
batch_X = test_X[selected_index]
batch_Y = test_Y[selected_index]
loss_value, accuracy_value = session.run([loss, accuracy], {X_holder:batch_X, Y_holder:batch_Y})
print('step:%d loss:%.4f accuracy:%.4f' %(step, loss_value, accuracy_value))
printUsedTime()上面一段代码的运行结果如下（只截取前1000次迭代）：
0.load train data finished used time: 1.17 seconds 1.data preparation finished used time: 15.78 seconds 2.building model finished used time: 16.90 seconds 3.initialize variable finished used time: 17.00 seconds 4.load test data finished used time: 20.29 seconds 5.begin model training step:100 loss:1.6444 accuracy:0.3800 used time: 41.93 seconds step:200 loss:1.1358 accuracy:0.5750 used time: 64.20 seconds step:300 loss:1.1324 accuracy:0.5950 used time: 86.21 seconds step:400 loss:0.8088 accuracy:0.7300 used time: 108.22 seconds step:500 loss:0.6240 accuracy:0.8200 used time: 130.22 seconds step:600 loss:0.6347 accuracy:0.8000 used time: 152.16 seconds step:700 loss:0.7305 accuracy:0.7900 used time: 174.48 seconds step:800 loss:0.5374 accuracy:0.8650 used time: 196.56 seconds step:900 loss:0.5020 accuracy:0.8650 used time: 218.81 seconds step:1000 loss:0.5872 accuracy:0.8150 used time: 241.07 seconds
5.数据准备
读者阅读下文中的行数时，可以先把代码复制到jupyter notebook的代码块中。 在代码块中按Esc键，进入命令模式，代码块左边的竖线会显示蓝色，如下图所示：
image.png
在命令模式下，点击L键，会显示代码行数。 本文作者解释每行代码含义如下： 第1行代码导入warnings库； 第2行代码中ignore中文叫做忽略，即不打印警告信息； 第3行代码导入time库； 第4行代码把程序开始时间赋值给变量startTime； 第5-7行代码定义printUsedTime函数，作用是打印程序运行时间； 第8行代码调用open方法打开文本文件； 第9行代码使用列表推导式得到文本文件中的行内容列表赋值给变量label_list； 第10行代码得到训练集的标签列表赋值给变量train_label_list； 第11行代码得到训练集的内容列表赋值给变量train_content_list。 第12-13行代码得到词汇表文件cnews.vocab.txt中的词汇列表赋值给变量vocabulary_list； 第14行代码打印提示信息0.load train data finished，表示加载训练集数据完成； 第15行代码打印程序运行至此步使用的时间； 第16行代码使用列表推导式得到词汇及其id对应的列表，并调用dict方法将列表强制转换为字典。 打印变量word2id_dict的前5项，如下图所示：
image.png
第17行代码使用列表推导式和匿名函数定义函数content2idlist，函数作用是将文章中的每个字转换为id； 第18行代码使用列表推导式得到的结果是列表的列表，总列表train_idlist_list中的元素是每篇文章中的字对应的id列表； 第19-27这9行代码设置卷积神经网络的超参数； 第28-33这6行代码获得能够用于模型训练的特征矩阵和预测目标值； 第28行代码导入tensorflow.contrib.keras库，取别名kr； 第29行代码将每个样本统一长度为seq_length，即600； 第30行代码导入sklearn.preprocessing库的labelEncoder方法； 第31行代码实例化LabelEncoder对象； 第32行代码调用LabelEncoder对象的fit_transform方法做标签编码； 第33行代码调用keras.untils库的to_categorical方法将标签编码的结果再做Ont-Hot编码。 第34行代码导入tensorflow库，取别名tf； 第35行代码重置tensorflow图，加强代码的健壮性； 第36-37行代码中placeholder中文叫做占位符，将每次训练的特征矩阵X和预测目标值Y赋值给变量X_holder和Y_holder； 第38行代码打印提示信息1.data preparation finished，表示数据准备完成 第39行代码打印程序运行至此步使用的时间；
import warnings
warnings.filterwarnings('ignore')
import time
startTime = time.time()
def printUsedTime():
used_time = time.time() - startTime
print('used time: %.2f seconds' %used_time)
with open('./cnews/cnews.train.txt', encoding='utf8') as file:
line_list = [k.strip() for k in file.readlines()]
train_label_list = [k.split()[0] for k in line_list]
train_content_list = [k.split(maxsplit=1)[1] for k in line_list]
with open('./cnews/cnews.vocab.txt', encoding='utf8') as file:
vocabulary_list = [k.strip() for k in file.readlines()]
print('0.load train data finished')
printUsedTime()
word2id_dict = dict([(b, a) for a, b in enumerate(vocabulary_list)])
content2idList = lambda content : [word2id_dict[word] for word in content if word in word2id_dict]
train_idlist_list = [content2idList(content) for content in train_content_list]
vocabolary_size = 5000 # 词汇表达小
sequence_length = 150 # 序列长度
embedding_size = 64 # 词向量大小
num_hidden_units = 256 # LSTM细胞隐藏层大小
num_fc1_units = 64 #第1个全连接下一层的大小
dropout_keep_probability = 0.5 # dropout保留比例
num_classes = 10 # 类别数量
learning_rate = 1e-3 # 学习率
batch_size = num_classes * 5 # 每批训练大小
import tensorflow.contrib.keras as kr
train_X = kr.preprocessing.sequence.pad_sequences(train_idlist_list, sequence_length)
from sklearn.preprocessing import LabelEncoder
labelEncoder = LabelEncoder()
train_y = labelEncoder.fit_transform(train_label_list)
train_Y = kr.utils.to_categorical(train_y, num_classes)
import tensorflow as tf
tf.reset_default_graph()
X_holder = tf.placeholder(tf.int32, [None, sequence_length])
Y_holder = tf.placeholder(tf.float32, [None, num_classes])
print('1.data preparation finished')
printUsedTime()6.搭建神经网络
第1-2行代码调用tf库的get_variable方法实例化可以更新的模型参数embedding，矩阵形状为vocabulary_size*embedding_size，即5000*64；
第3-4行代码调用tf.nn库的embedding_lookup方法将输入数据做词嵌入，得到新变量embedding_inputs的形状为batch_size*sequence_length*embedding_size，即50*100*64；
理解word2vec原理，推荐阅读文章链接：https://www.jianshu.com/p/471d9bfbd72f
第5行代码调用tf.contrib.rnn.GRUCell方法实例化GRU细胞对象；
第6-8行代码调用tf.nn.dynamic_rnn方法动态计算循环神经网络中的结果，outputs是每个细胞的h的结果，state是最后一个细胞的h和c的结果，LSTM网络中h是短时记忆矩阵，c是长时记忆矩阵，想要理解c和h，请自行查找和学习LSTM理论；
第9行代码获取最后一个细胞的h，即最后一个细胞的短时记忆矩阵，等价于state.h；
第10-11行代码添加全连接层，tf.layers.dense方法结果赋值给变量full_connect1，形状为batch_size*num_fc1_units，即50*128；
第12-13行代码调用tf.contrib.layers.dropout方法，方法需要2个参数，第1个参数是输入数据，第2个参数是保留比例；
第14行代码调用tf.nn.relu方法，即激活函数；
第15-16行代码添加全连接层，tf.layers.dense方法结果赋值给变量full_connect2，形状为batch_size*num_classes，即50*10；
第17行代码调用tf.nn.softmax方法，方法结果是预测概率值；
第18-20行代码使用交叉熵作为损失函数；
第21行代码调用tf.train.AdamOptimizer方法定义优化器optimizer；
第22行代码调用优化器对象的minimize方法，即最小化损失；
第23-24行代码计算预测准确率；
第25行代码打印提示信息2.build model finished，表示搭建神经网络完成；
第26行代码打印程序运行至此步使用的时间；
embedding = tf.get_variable('embedding',
[vocabolary_size, embedding_size])
embedding_inputs = tf.nn.embedding_lookup(embedding,
X_holder)
gru_cell = tf.contrib.rnn.GRUCell(num_hidden_units)
outputs, state = tf.nn.dynamic_rnn(gru_cell,
embedding_inputs,
dtype=tf.float32)
last_cell = outputs[:, -1, :]
full_connect1 = tf.layers.dense(last_cell,
num_fc1_units)
full_connect1_dropout = tf.contrib.layers.dropout(full_connect1,
dropout_keep_probability)
full_connect1_activate = tf.nn.relu(full_connect1_dropout)
full_connect2 = tf.layers.dense(full_connect1_activate,
num_classes)
predict_Y = tf.nn.softmax(full_connect2)
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(labels=Y_holder,
logits=full_connect2)
loss = tf.reduce_mean(cross_entropy)
optimizer = tf.train.AdamOptimizer(learning_rate)
train = optimizer.minimize(loss)
isCorrect = tf.equal(tf.argmax(Y_holder,1), tf.argmax(predict_Y, 1))
accuracy = tf.reduce_mean(tf.cast(isCorrect, tf.float32))
print('2.build model finished')
printUsedTime()7.参数初始化
对于神经网络模型，重要是其中的W、b这两个参数。 开始神经网络模型训练之前，这两个变量需要初始化。 第1行代码调用tf.global_variables_initializer实例化tensorflow中的Operation对象。
image.png
第2行代码调用tf.Session方法实例化会话对象； 第3行代码调用tf.Session对象的run方法做变量初始化。 第4行代码打印提示信息3.initialize variable finished，表示参数初始化完成； 第5行代码打印程序运行至此步使用的时间；
init = tf.global_variables_initializer()
session = tf.Session()
session.run(init)
print('3.initialize variable finished')
printUsedTime()8.模型训练
第1-8行代码获取文本文件cnews.test.txt，即测试集中的数据； 第9行代码打印提示信息4.load test data finished，表示加载测试集数据完成； 第10行代码打印程序运行至此步使用的时间； 第11行代码打印提示信息5.begin model training，表示开始模型训练； 第12行代码导入random库； 第13行表示模型迭代训练5000次； 第14-16行代码从训练集中选取batch_size大小，即50个样本做批量梯度下降； 第17行代码每运行1次，表示模型训练1次； 第18行代码记录当前步数，赋值给变量step； 第19行代码表示每间隔100步打印； 第20-22行代码从测试集中随机选取200个样本； 第23行代码表示计算损失值loss_value、准确率accuracy_value； 第24行代码表示打印步数step、损失值loss_value、准确率accuracy_value； 第25行代码打印程序运行至此步使用的时间。
with open('./cnews/cnews.test.txt', encoding='utf8') as file:
line_list = [k.strip() for k in file.readlines()]
test_label_list = [k.split()[0] for k in line_list]
test_content_list = [k.split(maxsplit=1)[1] for k in line_list]
test_idlist_list = [content2idList(content) for content in test_content_list]
test_X = kr.preprocessing.sequence.pad_sequences(test_idlist_list, sequence_length)
test_y = labelEncoder.transform(test_label_list)
test_Y = kr.utils.to_categorical(test_y, num_classes)
print('4.load test data finished')
printUsedTime()
print('5.begin model training')
import random
for i in range(5000):
selected_index = random.sample(list(range(len(train_y))), k=batch_size)
batch_X = train_X[selected_index]
batch_Y = train_Y[selected_index]
session.run(train, {X_holder:batch_X, Y_holder:batch_Y})
step = i + 1
if step % 100 == 0:
selected_index = random.sample(list(range(len(test_y))), k=200)
batch_X = test_X[selected_index]
batch_Y = test_Y[selected_index]
loss_value, accuracy_value = session.run([loss, accuracy], {X_holder:batch_X, Y_holder:batch_Y})
print('step:%d loss:%.4f accuracy:%.4f' %(step, loss_value, accuracy_value))
printUsedTime()9.词汇表
经过前文5-8章的讲解，已经完成循环神经网络的训练。 本项目提供词汇表文件cnews.vocab.txt，但在实践中需要自己统计语料的词汇表。 下面代码可以由内容列表content_list产生词汇表：
from collections import Counter
def getVocabularyList(content_list, vocabulary_size):
allContent_str = ''.join(content_list)
counter = Counter(allContent_str)
vocabulary_list = [k[0] for k in counter.most_common(vocabulary_size)]
return vocabulary_list
def makeVocabularyFile(content_list, vocabulary_size):
vocabulary_list = getVocabularyList(content_list, vocabulary_size)
with open('vocabulary.txt', 'w', encoding='utf8') as file:
for vocabulary in vocabulary_list:
file.write(vocabulary + '\n')
makeVocabularyFile(train_content_list, 5000)本段代码产生的文件，与提供的词汇表文件cnews.vocab.txt稍有不同。
造成原因有2点：
1.词汇表文件的第1个字<PAD>是补全字，无实际含义，与kr.preprocessing.sequence.pad_sequences方法补全的0对应；
2.源代码作者使用了训练集、验证集、测试集作为总语料库，上面一段代码只使用了训练集作为语料库。
10.混淆矩阵
import numpy as np
import pandas as pd
from sklearn.metrics import confusion_matrix
def predictAll(test_X, batch_size=100):
predict_value_list = []
for i in range(0, len(test_X), batch_size):
selected_X = test_X[i: i + batch_size]
predict_value = session.run(predict_Y, {X_holder:selected_X})
predict_value_list.extend(predict_value)
return np.array(predict_value_list)
Y = predictAll(test_X)
y = np.argmax(Y, axis=1)
predict_label_list = labelEncoder.inverse_transform(y)
pd.DataFrame(confusion_matrix(test_label_list, predict_label_list),
columns=labelEncoder.classes_,
index=labelEncoder.classes_ )上面一段代码的运行结果如下图所示：
image.png
从上图的结果可以看出，家居类新闻分类效果较差。
11.报告表
下面一段代码能够成功运行的前提是已经运行第10章代码。
import numpy as np
from sklearn.metrics import precision_recall_fscore_support
def eval_model(y_true, y_pred, labels):
# 计算每个分类的Precision, Recall, f1, support
p, r, f1, s = precision_recall_fscore_support(y_true, y_pred)
# 计算总体的平均Precision, Recall, f1, support
tot_p = np.average(p, weights=s)
tot_r = np.average(r, weights=s)
tot_f1 = np.average(f1, weights=s)
tot_s = np.sum(s)
res1 = pd.DataFrame({
u'Label': labels,
u'Precision': p,
u'Recall': r,
u'F1': f1,
u'Support': s
})
res2 = pd.DataFrame({
u'Label': ['总体'],
u'Precision': [tot_p],
u'Recall': [tot_r],
u'F1': [tot_f1],
u'Support': [tot_s]
})
res2.index = [999]
res = pd.concat([res1, res2])
return res[['Label', 'Precision', 'Recall', 'F1', 'Support']]
eval_model(test_label_list, predict_label_list, labelEncoder.classes_)上面一段代码的运行结果如下图所示：
image.png
12.总结
1.本文是作者第5个NLP小型项目，数据共有65000条。 2.分类模型的评估指标F1score为0.89左右，总体来说这个分类模型比CNN模型效果差，而且训练时间更久； 3.本文为了节省读者的实验时间，设置sequence_length为150，迭代5000次总共花费1123秒，即18分43秒； 4.如果设置sequence_length为300，迭代5000次总共花费时间2184秒，即36分24秒，评估指标F1score为0.9282，如下图所示：
image.png