使用TensorFlow 2.0的LSTM进行多类文本分类

代码医生工作室

发布于 2019-12-19 11:53:41

4.2K0

发布于 2019-12-19 11:53:41

文章被收录于专栏：相约机器人

作者 | Susan Li

来源 | Medium

编辑 | 代码医生团队

关于NLP的许多创新都是如何将上下文添加到单词向量中。常用的方法之一是使用递归神经网络。以下是递归神经网络的概念：

它们利用顺序信息。
他们有一个记忆，可以捕捉到到目前为止已经计算过的内容，即我=最后讲的内容将影响我=接下来要讲的内容。
RNN是文本和语音分析的理想选择。
最常用的RNN是LSTM。

以上是递归神经网络的体系结构。

“ A”是前馈神经网络的一层。
如果只看右侧，则会经常通过每个序列的元素。
如果解开左侧，它将看起来完全像右侧。

假设正在解决新闻文章数据集的文档分类问题。

输入每个单词，单词以某种方式彼此关联。
当看到文章中的所有单词时，就会在文章结尾进行预测。
RNN通过传递来自最后一个输出的输入，能够保留信息，并能够在最后利用所有信息进行预测。

这对于短句子非常有效，当处理长篇文章时，将存在长期依赖问题。

因此，通常不使用普通RNN，而使用长短期记忆。LSTM是一种RNN，可以解决此长期依赖问题。

在新闻文章示例的文件分类中，具有这种多对一的关系。输入是单词序列，输出是单个类或标签。

现在，将使用TensorFlow 2.0和Keras使用LSTM解决BBC新闻文档分类问题。数据集可以在这里找到。

https://raw.githubusercontent.com/susanli2016/PyCon-Canada-2019-NLP-Tutorial/master/bbc-text.csv

首先导入库，并确保TensorFlow是正确的版本。

import csv
import tensorflow as tf
import numpy as np
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
from nltk.corpus import stopwords
STOPWORDS = set(stopwords.words('english'))
 
print(tf.__version__)

像这样将超参数放在顶部，以便更轻松地进行更改和编辑。
当到达那里时，将解释每个超参数如何工作。

vocab_size = 5000
embedding_dim = 64
max_length = 200
trunc_type = 'post'
padding_type = 'post'
oov_tok = '<OOV>'
training_portion = .8

定义两个包含文章和标签的列表。同时删除停用词。

articles = []
labels = []
 
with open("bbc-text.csv", 'r') as csvfile:
    reader = csv.reader(csvfile, delimiter=',')
    next(reader)
    for row in reader:
        labels.append(row[0])
        article = row[1]
        for word in STOPWORDS:
            token = ' ' + word + ' '
            article = article.replace(token, ' ')
            article = article.replace(' ', ' ')
        articles.append(article)
print(len(labels))
print(len(articles))

数据中有2,225条新闻文章，根据之前设置的参数将它们分为训练集和验证集，其中80％用于训练，20％用于验证。

train_size = int(len(articles) * training_portion)
 
train_articles = articles[0: train_size]
train_labels = labels[0: train_size]
 
validation_articles = articles[train_size:]
validation_labels = labels[train_size:]
 
print(train_size)
print(len(train_articles))
print(len(train_labels))
print(len(validation_articles))
print(len(validation_labels))

Tokenizer完成了所有繁重的工作。在标记化文章中，将使用5,000个最常用的词。oov_token当遇到看不见的单词时，要赋予特殊的值。这意味着要<OOV>用于不在中的单词word_index。fit_on_text将遍历所有文本并创建像这样的字典：

tokenizer = Tokenizer(num_words = vocab_size, oov_token=oov_tok)
tokenizer.fit_on_texts(train_articles)
word_index = tokenizer.word_index
dict(list(word_index.items())[0:10])

可以看到“ <OOV>”是语料库中最常见的标记，其次是“ said”，其次是“ mr”，依此类推。

标记化后，下一步是将这些标记转换为序列列表。以下是训练数据中已转为序列的第11条。

train_sequences = tokenizer.texts_to_sequences(train_articles)
print(train_sequences[10])

图1

当为NLP训练神经网络时，需要序列大小相同，这就是为什么要使用填充的原因。如果向上看，max_length长度是200，因此pad_sequences将所有文章的长度都设为200。结果会看到第一篇文章的长度为426，变成200，第二篇文章的长度为192。长度变为200，依此类推。

train_padded = pad_sequences(train_sequences, maxlen=max_length, padding=padding_type, truncating=trunc_type)
print(len(train_sequences[0]))
print(len(train_padded[0]))
 
print(len(train_sequences[1]))
print(len(train_padded[1]))
 
print(len(train_sequences[10]))
print(len(train_padded[10]))

另外，还有padding_type和truncating_type，都有post，例如，对于第11条，长度为186，填充为200，最后填充，即添加14个零。

print(train_padded[10])

图2

对于第一篇文章，长度为426，将其截短为200，最后也将其截断。

然后，对验证序列执行相同的操作。

validation_sequences = tokenizer.texts_to_sequences(validation_articles)
validation_padded = pad_sequences(validation_sequences, maxlen=max_length, padding=padding_type, truncating=trunc_type)
 
print(len(validation_sequences))
print(validation_padded.shape)

现在来看一下标签。因为标签是文本，所以将标记它们，在训练时，标签应该是numpy数组。因此，将标签列表变成numpy数组，如下所示：

label_tokenizer = Tokenizer()
label_tokenizer.fit_on_texts(labels)
 
training_label_seq = np.array(label_tokenizer.texts_to_sequences(train_labels))
validation_label_seq = np.array(label_tokenizer.texts_to_sequences(validation_labels))
print(training_label_seq[0])
print(training_label_seq[1])
print(training_label_seq[2])
print(training_label_seq.shape)
 
print(validation_label_seq[0])
print(validation_label_seq[1])
print(validation_label_seq[2])
print(validation_label_seq.shape)

在训练深度神经网络之前，应该探索原始文章和填充后文章的外观。运行以下代码，探索第11条文章，可以看到有些单词变成了“ <OOV>”，因为它们没有进入前5,000个排名。

reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])
 
def decode_article(text):
    return ' '.join([reverse_word_index.get(i, '?') for i in text])
print(decode_article(train_padded[10]))
print('---')
print(train_articles[10])

图3

现在是实施LSTM的时候了。

建立tf.keras.Sequential模型并从嵌入层开始。嵌入层每个单词存储一个向量。调用时，它将单词索引序列转换为向量序列。经过训练，具有相似含义的单词通常具有相似的向量。
双向包装器与LSTM层一起使用，它通过LSTM层向前和向后传播输入，然后连接输出。这有助于LSTM学习长期依赖关系。然后将其拟合到密集的神经网络中进行分类。
用它们relu代替tahn功能，因为它们是彼此很好的替代品。
添加了一个包含6个单位并softmax激活的密集层。当有多个输出时，softmax将输出层转换为概率分布。

model = tf.keras.Sequential([
    # Add an Embedding layer expecting input vocab of size 5000, and output embedding dimension of size 64 we set at the top
    tf.keras.layers.Embedding(vocab_size, embedding_dim),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(embedding_dim)),
#    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(32)),
    # use ReLU in place of tanh function since they are very good alternatives of each other.
    tf.keras.layers.Dense(embedding_dim, activation='relu'),
    # Add a Dense layer with 6 units and softmax activation.
    # When we have multiple outputs, softmax convert outputs layers into a probability distribution.
    tf.keras.layers.Dense(6, activation='softmax')
])
model.summary()

图4

在模型摘要中，有嵌入的内容，双向包含LSTM，后跟两个密集层。双向的输出为128，因为它在LSTM中的输出增加了一倍。也可以堆叠LSTM层，但是发现结果更糟。

print(set(labels))

总共有5个标签，但是由于没有对标签进行单一编码，因此必须将其sparse_categorical_crossentropy用作损失函数，似乎认为0也是可能的标签，而令牌化程序对象则以整数1开头进行令牌化结果是，最后一个密集层需要输出标签0、1、2、3、4、5，尽管从未使用过0。

如果希望最后一个密集层为5，则需要从训练和验证标签中减去1。决定保留原样。

决定训练10个时期，正如将看到的，这是很多时期。

model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
num_epochs = 10
history = model.fit(train_padded, training_label_seq, epochs=num_epochs, validation_data=(validation_padded, validation_label_seq), verbose=2)

图5

def plot_graphs(history, string):
  plt.plot(history.history[string])
  plt.plot(history.history['val_'+string])
  plt.xlabel("Epochs")
  plt.ylabel(string)
  plt.legend([string, 'val_'+string])
  plt.show()
  
plot_graphs(history, "accuracy")
plot_graphs(history, "loss")