TensorFlow 2之RNN LSTM 进行IMDB评论文本分类
背景
循环神经网络(Recurrent Neural Network, RNN)广泛适用于自然语言处理领域(Natural Language Processing, NLP)。
RNN有什么显著的特点呢?
普通的神经网络,每一层的输出是下一层的输入,每一层之间是相互独立的,没有关系。但是对于语言来说,一句话中的单词顺序不同,整个语义就完全变了。因此自然语言处理往往需要能够更好地处理序列信息的神经网络,RNN 能够满足这个需求。
RNN 中,隐藏层的状态,不仅取决于当前输入层的输出,还和上一步隐藏层的状态有关。
总结一下,RNN可以处理序列信息,普通的神经网络不能处理序列信息。
长短期记忆模型(Long short-term memory, LSTM)是一种特殊的RNN,主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说,就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。
初体验
单层LSTM
使用单层LSTM,可以达到 0.8446 的准确率。
import matplotlib.pyplot as plt import tensorflow_datasets as tfds import tensorflow as tf from tensorflow.keras import Sequential, layers # 第一步 准备数据集 ds, info = tfds.load('imdb_reviews/subwords8k', with_info=True, as_supervised=True) train_dataset, test_dataset = ds['train'], ds['test'] BUFFER_SIZE, BATCH_SIZE = 10000, 64 train_dataset = train_dataset.shuffle(BUFFER_SIZE) train_dataset = train_dataset.padded_batch( BATCH_SIZE, tf.compat.v1.data.get_output_shapes(train_dataset)) test_dataset = test_dataset.padded_batch( BATCH_SIZE, tf.compat.v1.data.get_output_shapes(test_dataset)) # 第二步 预处理 # 通过 tfds 获取到的数据已经经过了文本预处理,即 Tokenizer,向量化文本(将文本转为数字序列)。 # 接下来我们看一看是如何转换的。 tokenizer = info.features['text'].encoder # print('词汇个数:', tokenizer.vocab_size) # # 词汇个数: 8185 # sample_str = 'hello world.' # tokenized_str = tokenizer.encode(sample_str) # print('向量化文本:', tokenized_str) # # 向量化文本: [3618, 222, 562, 7975] # for ts in tokenized_str: # print(ts, '-->', tokenizer.decode([ts])) # # 3618 --> hell # # 222 --> o # # 562 --> world # # 7975 --> . # 可以看到,有些单词被拆分了。 # 因为 tokenizer 中不可能包含所有可能出现的单词,如果在 tokenizer 中没有的单词,就会被拆分。 # 文本预处理有很多种方式,比如我们在TensorFlow 2 中文文档 - IMDB 文本分类中使用了预训练好的字词嵌入模型 _google/tf2-preview/gnews-swivel-20dim/1_, # 来直接将影评文本转换为向量; # 还有非常出名的自然语言处理工具包 ntlk 在文本预处理环节提供了非常强大的功能。 # 第三步 搭建模型 # 搭建 RNN 模型 # 第一层使用了tf.keras.layers.Embedding, 这是由于 IMDB 数据集的预处理是按照单词在 tokenizer 中的下标来处理的, # 维度(tokenizer.vocab_size)很高也很稀疏,经过 Embedding 层的转换,将产生大小固定为64的向量。 # 这个转换是可训练的,经过足够的训练之后,相似语义的句子将产生相似的向量。 # 在 LSTM 层外面套了一个壳(层封装器, layer wrappers): tf.keras.layers.Bidirectional, # 这是 RNN 的双向封装器,用于对序列进行前向和后向计算。 model = Sequential([ layers.Embedding(tokenizer.vocab_size, 64), layers.Bidirectional(layers.LSTM(64)), layers.Dense(64, activation='relu'), layers.Dense(1, activation='sigmoid') ]) # 第四步 编译模型 model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 第五步 训练模型 history1 = model.fit(train_dataset, epochs=3, validation_data=test_dataset) # 第六步 评估准确率 loss, acc = model.evaluate(test_dataset) print('准确率:', acc) # 0.8446 # Epoch 1/3 # 391/391 [==============================] - 627s 2s/step - loss: 0.5206 - accuracy: 0.7319 - val_loss: 0.4284 - val_accuracy: 0.8260 # Epoch 2/3 # 391/391 [==============================] - 586s 1s/step - loss: 0.3277 - accuracy: 0.8692 - val_loss: 0.3980 - val_accuracy: 0.8301 # Epoch 3/3 # 391/391 [==============================] - 634s 2s/step - loss: 0.2513 - accuracy: 0.9043 - val_loss: 0.3879 - val_accuracy: 0.8446 # 391/391 [==============================] - 130s 333ms/step - loss: 0.3879 - accuracy: 0.8446 # 准确率: 0.8446400165557861 # 第七步 训练过程可视化 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False plt.rcParams['font.size'] = 20 def plot_graphs(history, name): plt.plot(history.history[name]) plt.plot(history.history['val_' + name]) plt.xlabel("Epochs") plt.ylabel(name) plt.legend([name, 'val_' + name]) plt.show() plot_graphs(history1, 'accuracy')
多层LSTM
在模型中,使用了双层 LSTM 模型,使正确率达到了0.8076。很遗憾,在我这里,使用双层 LSTM 模型,正确率并没有提升。
import matplotlib.pyplot as plt import tensorflow_datasets as tfds import tensorflow as tf from tensorflow.keras import Sequential, layers # 第一步 准备数据集 ds, info = tfds.load('imdb_reviews/subwords8k', with_info=True, as_supervised=True) train_dataset, test_dataset = ds['train'], ds['test'] BUFFER_SIZE, BATCH_SIZE = 10000, 64 train_dataset = train_dataset.shuffle(BUFFER_SIZE) train_dataset = train_dataset.padded_batch( BATCH_SIZE, tf.compat.v1.data.get_output_shapes(train_dataset)) test_dataset = test_dataset.padded_batch( BATCH_SIZE, tf.compat.v1.data.get_output_shapes(test_dataset)) # 第二步 预处理 # 通过 tfds 获取到的数据已经经过了文本预处理,即 Tokenizer,向量化文本(将文本转为数字序列)。 # 接下来我们看一看是如何转换的。 tokenizer = info.features['text'].encoder # print('词汇个数:', tokenizer.vocab_size) # # 词汇个数: 8185 # sample_str = 'hello world.' # tokenized_str = tokenizer.encode(sample_str) # print('向量化文本:', tokenized_str) # # 向量化文本: [3618, 222, 562, 7975] # for ts in tokenized_str: # print(ts, '-->', tokenizer.decode([ts])) # # 3618 --> hell # # 222 --> o # # 562 --> world # # 7975 --> . # 可以看到,有些单词被拆分了。 # 因为 tokenizer 中不可能包含所有可能出现的单词,如果在 tokenizer 中没有的单词,就会被拆分。 # 文本预处理有很多种方式,比如我们在TensorFlow 2 中文文档 - IMDB 文本分类中使用了预训练好的字词嵌入模型 _google/tf2-preview/gnews-swivel-20dim/1_, # 来直接将影评文本转换为向量; # 还有非常出名的自然语言处理工具包 ntlk 在文本预处理环节提供了非常强大的功能。 # 第三步 搭建模型 # 搭建 RNN 模型,本例中,使用了双层 LSTM 模型。 # 第一层使用了tf.keras.layers.Embedding, 这是由于 IMDB 数据集的预处理是按照单词在 tokenizer 中的下标来处理的, # 维度(tokenizer.vocab_size)很高也很稀疏,经过 Embedding 层的转换,将产生大小固定为64的向量。 # 这个转换是可训练的,经过足够的训练之后,相似语义的句子将产生相似的向量。 # 在 LSTM 层外面套了一个壳(层封装器, layer wrappers): tf.keras.layers.Bidirectional, # 这是 RNN 的双向封装器,用于对序列进行前向和后向计算。 model = Sequential([ layers.Embedding(tokenizer.vocab_size, 64), layers.Bidirectional(layers.LSTM(64, return_sequences=True)), layers.Bidirectional(layers.LSTM(32)), layers.Dense(64, activation='relu'), layers.Dense(1, activation='sigmoid') ]) # 第四步 编译模型 model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 第五步 训练模型 history1 = model.fit(train_dataset, epochs=3, validation_data=test_dataset) # 第六步 评估准确率 loss, acc = model.evaluate(test_dataset) print('准确率:', acc) # 0.8076 # Epoch 1/3 # 391/391 [==============================] - 1256s 3s/step - loss: 0.5585 - accuracy: 0.7110 - val_loss: 0.6382 - val_accuracy: 0.6795 # Epoch 2/3 # 391/391 [==============================] - 1200s 3s/step - loss: 0.4193 - accuracy: 0.8183 - val_loss: 0.4558 - val_accuracy: 0.8122 # Epoch 3/3 # 391/391 [==============================] - 1223s 3s/step - loss: 0.4220 - accuracy: 0.8156 - val_loss: 0.4314 - val_accuracy: 0.8076 # 391/391 [==============================] - 251s 642ms/step - loss: 0.4314 - accuracy: 0.8076 # 准确率: 0.807640016078949 # 第七步 训练过程可视化 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False plt.rcParams['font.size'] = 20 def plot_graphs(history, name): plt.plot(history.history[name]) plt.plot(history.history['val_' + name]) plt.xlabel("Epochs") plt.ylabel(name) plt.legend([name, 'val_' + name]) plt.show() plot_graphs(history1, 'accuracy') ` ## 参考 * [TensorFlow 2 中文文档 - RNN LSTM 文本分类](https://geektutu.com/post/tf2doc-rnn-lstm-text.html)