手把手教你用 TensorFlow 实现文本分类(上)
雷锋网按:本文作者张庆恒,原文载于作者个人博客,雷锋网已获授权。
由于需要学习语音识别,期间接触了深度学习的算法。利用空闲时间,想用神经网络做一个文本分类的应用, 目的是从头到尾完成一次机器学习的应用,学习模型的优化方法,同时学会使用主流的深度学习框架(这里选择tensorflow)。
文章分为两部分,本文仅实现流程,用简单的softmax回归对文本进行分类,后面一篇文章再从流程的各个方面对模型进行优化,达到比较好的效果。
收集数据该部分不是这里的重点,数据从各大新闻网站爬取新闻文本,分十类保存到本地,包括科技、生活、体育、娱乐等。文本分别保存到training_set和testing_set目录下,如:
$ tree -L 1 training_set/
training_set/
├── 10_hel
├── 1_ent
├── 2_fin
├── 3_spo
├── 4_tec
├── 5_mil
├── 6_soc
├── 7_lif
├── 8_cul
└── 9_car
文本以text_id.txt的格式保存在不同类的目录下(如text_1234.txt)。本例保存了共113673个训练文本和等数量的测试文本(暂时按1:1的比例)。
预处理文本step0
为方便后面处理,预处理文本首先要分别针对训练文本和测试文本生成唯一的文本ID, 这里用 {class_id}{text_type}{text_id}.txt 来标示唯一文本,class_id为类的id,这里为1-10;text_type为数据类型包括train和test;text_id为类文件夹下的文本id,实现函数:
def get_unique_id(self, data_dir):
get flie unique id famate as {class_id}_type_{text_id}.txt.
data_dir is the full path of file
e.g ./training_set/4_tec/4_tec_text/text_2001.txt
where training is type, 4 is file class, and 2001 is text id.
modify this function to adapt your data dir fomate
dir_list = data_dir.split( / )
class_id = dir_list[2].split( _ )[0]
text_id = dir_list[4].split( . )[0]
type_id = dir_list[1].split( _ )[0]
return class_id + _ + type_id + _ + text_id
step1: 分词
通俗来讲,文本分类的主要思想,是构建各类文本的汉语词典,通过对文本进行分析,观察文本中哪类词汇比较多,由此判断文本所属类别。因此,文本分类需要对文本进行分词操作,可以选择的分词工具很多,这里选择Python编写的jieba开源库对文本进行分词,并以行为单位,将文本保存到输出文件,该部分实现比较简单:
def splitwords(self, data_dir, data_type):
if os.path.exists(data_type+ .txt ):
os.remove(data_type+ .txt )
list_dirs = os.walk(data_dir)
for root, _, files in list_dirs:
print root
# get all files under data_dir
for fp in files:
file_path = os.path.join(root, fp)
file_id = self.get_unique_id(file_path)
#split words for f, save in file ./data_type.txt
with nested(open(file_path), open(data_type+ .txt , a+ )) as (f1, f2):
data = f1.read()
#print data
seg_list = jieba.cut(data, cut_all=False)
f2.write(file_id + + .join(seg_list).replace( /n , )+ /n )
print split word for %s file end. % data_type
return
函数传入参数为数据集目录路径,以及数据集类型(train or test)。结果文件保存形如train.txt,后续的操作在该输出文件基础之上。输出文件格式为: class_{data_type}_id words
step2: 去除停用词
这部分主要删去文本中的停用词,停用词包括一些对于文本分类无用,而且出经常出现的词汇或符号,如“因此”、“关于”、“嘿嘿”、标点符号等。去除停用词需根据停用词典,去除上面经过分词操作的文本中的停用词。停用词典可以根据自己需要生成或在网络上获得,这里后面源码链接中会给出使用的停用词词典。
def rm_stopwords(self, file_path, word_dict):
#read stop word dict and save in stop_dict
stop_dict = {}
with open(word_dict) as d:
for word in d:
stop_dict[word.strip( /n )] = 1
# remove tmp file if exists
if os.path.exists(file_path+ .tmp ):
os.remove(file_path+ .tmp )
print now remove stop words in %s. % file_path
# read source file and rm stop word for each line.
with nested(open(file_path), open(file_path+ .tmp , a+ )) as (f1, f2):
for line in f1:
tmp_list = [] # save words not in stop dict
words = line.split()
for word in words[1:]:
if word not in stop_dict:
tmp_list.append(word)
words_without_stop = .join(tmp_list)
f2.write(words[0] + + words_without_stop + /n )
# overwrite origin file with file been removed stop words
shutil.move(file_path+ .tmp , file_path)
print stop words in %s has been removed. % file_path
return
代码中经过简单的按行读文本,然后搜索停用词典,如果文本中的词汇在词典中,则跳过,否则保存。这里每行对应数据集中的一个文本。
step3: 生成词典
上面提到文本分类需要得到能表征各类文本的汉语词典,这部分的主要思路是实现tf_idf算法自动提取关键词,根据词频(TF)和逆文档频率(IDF)来衡量词汇在文章中的重要程度。这里词频的计算采用公式:
由于是衡量某类文本的关键词,公式中的“文章”为某类所有文本的总和。逆文档频率计算采用公式:
上面的文档总数为train数据集所有文本的数目。tf-idf为两个指标的乘积,计算各类文本中所有词汇的tf-idf,由小到大排序,默认取前500个词汇作为该类的关键词保存到词典。最终生成大小为5000的词典。简洁考虑,该部分的关键代码(gen_dict方法中):
for k, text_info in class_dict.items():
#print class %s has %d words % (k, text_info.file_num)
# get tf in words of class k
for w in text_info.wordmap:
text_info.tf_idf(w, word_in_files[w], text_num)
main_words = []
with open(save_path, a+ ) as f:
main_words = text_info.get_mainwords()
print class %s : main words num: %d % (k, len(main_words))
f.write( /n .join(main_words) + /n )
class_dict是类id到该类文本信息(text_info)的字典,text_info.wordmap保存了该类文本的所有不重复的词汇,text_info.tf_idf方法计算该类文本某词的tf-idf,输入参数为词汇,词汇在整个语料库出现的文本数和语料库的文本数。text_info.get_mainwords方法得到该类本前500个关键词。完整的定义与实现参考源码。
step4: 生成词袋
该部分实现向量化文本,利用生成的词典,以行为单位将去停用词后的文本转换为向量,这里向量为5000维。如果文本出现词典中的某词汇,则文本向量对应词典中该词汇的位置的计数累加。最终生成文件,行数为文本数,列为5000。此外生成对应的label文件,行数为文本数,对应于文本向量文件行,列为1,对应某文本的类别(1-10)。该部分代码比较简单,实现在gen_wordbag方法中。
到此完成了文本的预处理,接下来针对不同分类算法,将有不同的处理,这里参考tensotflow处理MNIST数据集,读取预处理后的文本到系统,进行线性回归。
读取训练数据该部分主要包括两部分,一是从磁盘读取向量化后的文本保存到numpy数组,将数据和类别分别存储,数据保存为二维(text_line_num, 5000)的数组,text_line_num为数据集的文本数,5000为词典的维度,也是后面模型输入参数的个数。类别保存为标签向量(label_line_num, 1),label_line_num,同样为数据集的大小。
为方便处理,将类别10的标签保存为0,并对label进行“one_hot”处理,这部分解释可参考上个tensotflow链接。该部分在datasets类中实现。需要注意的是这里train部分数据最为cv(cross validation)数据,这里暂时不会用到。此外,由于数据较多,为节省内存,提高整体运算速度,分别读取train数据集和test数据集。dataset类中保存不同类型的数据集,并实现next_batch方法,获取指定数目的数据。
训练数据该部分利用softmax回归对数据进行训练,对于tensorflow的使用这里不作介绍。完整代码如下:
#!/usr/bin/python
#-*-coding:utf-8-*-
import tensorflow as tf
from datasets import datasets
data_sets = datasets()
data_sets.read_train_data( . , True)
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None, 5000])
W = tf.Variable(tf.zeros([5000, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = -tf.reduce_sum(y_ * tf.log(y + 1e-10))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#training
tf.global_variables_initializer().run()
saver = tf.train.Saver()
for i in range(1000):
batch_xs, batch_ys = data_sets.train.next_batch(100)
train_step.run({x: batch_xs, y_: batch_ys})
print W.eval()
print b.eval()
path = saver.save(sess, ./model2/model.md )
代码中:
● x : 对于输入数据,None占位符标示输入样本的数量,5000为单个样本的输入维度,对应字典维度。
● W :权重矩阵,行为输入维度,列为输出维度,这里为类别的数目10。
● b : 偏重为10对应输出的维度
● y : 定义训练输出结果,使用softmax作为激励函数,tf.matmul(x, W) + b为输入参数,tf.matmul为矩阵乘。
● y_ : 真实样本的类别,从数据集读入,None占位符标示输入样本的数量,10为输出的维度。
● cross_entropy: 交叉熵,衡量真实值与预测值的偏差程度,训练过程中目的是最小化该值。
训练对cross_entropy进行梯度下降算法更新参数,学习率为0.01。迭代1000次,每次使用100个训练集。最后保存训练的模型到指定目录。
测试模型这部分主要读取上面保存的模型参数,对测试数据集进行预测,并打印准确率。
!/usr/bin/python
#-*-coding:utf-8-*-
import tensorflow as tf
from datasets import datasets
data_sets = datasets()
data_sets.read_test_data( . , True)
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None, 5000])
W = tf.Variable(tf.zeros([5000, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32, [None, 10])
saver = tf.train.Saver()
saver.restore(sess, ./model2/model.md )
# test
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
acc = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(acc.eval({x: data_sets.test.text, y_: data_sets.test.label}))
小结直接通过上面过程训练模型,得到的准确率大概为65%,虽然比10%高出许多,仍然属于比较低的准确率。在后面一篇文章重点对上面的过程进行改进,提高预测的准确性。
此外,值得一提的是,一开始,直接参考tensorflow官网给的例子进行训练会出现准确率为0的现象,观察TensorBord,发现权重和偏重一直不更新,打印W和b发现值为Nan,最后找到问题所在:
使用交叉熵作为cost function,由于文本矩阵为严重稀疏矩阵,导致出现y_ tf.log(y)结果为0log0的现象。导致训练参数为Nan,给预测值加一个极小的值,防止与测试为0。
雷锋网(公众号:雷锋网)相关阅读:
手把手教你用 TensorFlow 实现文本分类(下)
手把手教你如何用 TensorFlow 实现基于 DNN 的文本分类
雷锋网版权文章,未经授权禁止转载。详情见。
原创文章,作者:Maggie-Hunter,如若转载,请注明出处:https://blog.ytso.com/85576.html
aliyuniPhoneMDPhone开源观察相关文章
- 使用哈夫曼树实现文本编码、解码
- 文本分类算法研究与实现
- 文本分类算法之–贝叶斯分类算法的实现Java版本
- 简单的Python脚本,实现批量设置重复性配置
- springcloud微服务实践:天气数据API微服务的实现
- 使用 Docker 和 HuggingFace 实现 NLP 文本情感分析应用
- 技术立身,精进不止,华为主存储实现Gartner魔力象限两个方向持续提升
- 国产开源基于.net实现的本地文档全文索引定位器,本地文本搜索神器
- 全球首发,国产开源「文本-视频生成」模型!免费在线体验,一键实现视频生成自由
- 详解Robo可视化mongoDb实现操作的步骤
- Linux 文本转语音:实现谁也不意料的可能(linux文本转语音)
- 管理高效运用Linux NAS服务器管理实现极致性能(linuxnas服务器)
- Oracle中获取存储文本的实现方法(oracle获取存储文本)
- Oracle文本文件快速导出实现(oracle文本导出)
- 我国新冠疫苗接种超5亿剂次:年底或实现群体免疫
- 操作使用Java操作Redis实现数据过期(redisjava过期)
- Oracle项目管理:实现安全、高效的运作(oracle项目管理软件)
- select使用OracleSub 函数实现Select查询(oraclesub)
- 的优势利用LKM Linux实现功能的更大优势(lkmlinux)
- Oracle字符串遍历技巧:快速实现文本数据处理(oracle遍历字符串)
- 技术使用PHP与MSSQL高效连接:实现无缝关联(php连接mssql的)
- MySQL实现文本截取:一个实例(mysql 截取字符串)
- 基于jquery的禁用右键、文本选择功能、复制按键的实现代码
- C#实现简单的JSON序列化功能代码实例
- 利用javascript实现禁用网页上所有文本框,下拉菜单,多行文本域
- Js获取下拉框选定项的值和文本的实现代码
- JavaSwing中的文本区(JTextArea)实现换行保存到文件的几个方法
- PHP封装分页函数实现文本分页和数字分页
- Android中实现为TextView添加多个可点击的文本