首页 > 其他分享 >N1、Pytorch文本分类入门

N1、Pytorch文本分类入门

时间:2023-04-20 17:59:02浏览次数:50  
标签:acc loss batches 入门 torch epoch Pytorch train N1

一、背景介绍

本节是一个使用PyTorch实现的简单文本分类实战案例。在这个例子中,我们将使用AG News数据集进行文本分类。

AG News(AG's News Topic Classification Dataset)是一个广泛用于文本分类任务的数据集,尤其是在新闻领域。该数据集是由AG's Corpus of News Articles收集整理而来,包含了四个主要的类别:世界、体育、商业和科技

为了完成本节内容,需要安装好torchtext与portalocker库

二、加载数据

  In [12]:
import torch
import torch.nn as nn
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warnings
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

warnings.filterwarnings("ignore")             #忽略警告信息
   

安装torchtext的插曲

torchtext需要和pytorch/python版本严格对应,不能随意安装

  • 首先在Jupyter里输入下方命令查看本机pytorch版本
  • 然后,查看torchtext对应版本: torchtext
  • 没有完全对应的版本则使用公式,设pytorch为1.a.b,则torchtext版本应该是0.a+1.b,我的pytorch版本是1.13.0,对应的torchtext版本应该是0.13.0

使用pip install torchtext==0.13.0安装会导致torch版本的升级或者降级,而且最离谱的是会变成CPU版本,所以不能这样子安装

直接pip安装,那么就会同时更新你的torch版本,但是torch版本直接影响到了对显卡的支持,和pysyft之类的库的关联使用。所以我们要指定对应版本来安装,不能让他自动升级我们的torch

卸载torch

pip uninstall torch
pip uninstall torchtext

重新安装GPU版本的torch:

但是由于torch版本变了,所以torchvision的版本也要更新:torchvision包含一些常用的数据集、模型、转换函数等等。包括图片分类、语义切分、目标识别、实例分割、关键点检测、视频分类等工具。具体版本对应信息可见:https://github.com/pytorch/vision/blob/main/README.rst

2.0.0 0.15.1 >=3.8, <=3.11

而torchtext的对应信息可见于:https://pypi.org/project/torchtext/0.15.1/

conda install -c pytorch torchtext torchvision
  In [ ]:
# !pip install torchtext==0.13.0

# Installing collected packages: torch, torchtext
#   Attempting uninstall: torch
#     Found existing installation: torch 1.13.0
#     Uninstalling torch-1.13.0:
#       Successfully uninstalled torch-1.13.0
# ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.
# torchvision 0.14.0 requires torch==1.13.0, but you have torch 1.12.0 which is incompatible.
# torchaudio 0.13.0 requires torch==1.13.0, but you have torch 1.12.0 which is incompatible.
# Successfully installed torch-1.12.0 torchtext-0.13.0
  In [ ]:
# !pip install portalocker
  In [4]:
from torchtext.datasets import AG_NEWS
train_iter = AG_NEWS(split='train')      # 加载 AG News 数据集
   

torchtext.datasets.AG_NEWS 是一个用于加载 AG News 数据集的 TorchText 数据集类。AG News 数据集是一个用于文本分类任务的常见数据集,其中包含四个类别的新闻文章:世界、科技、体育和商业。torchtext.datasets.AG_NEWS 类加载的数据集是一个列表,其中每个条目都是一个元组,包含以下两个元素:

  • 一条新闻文章的文本内容。
  • 新闻文章所属的类别(一个整数,从1到4,分别对应世界、科技、体育和商业)。
   

三、构建词典

  In [5]:
from torchtext.data.utils import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator

tokenizer  = get_tokenizer('basic_english') # 返回分词器函数,训练营内“get_tokenizer函数详解”一文

def yield_tokens(data_iter):
    for _, text in data_iter:
        yield tokenizer(text)

vocab = build_vocab_from_iterator(yield_tokens(train_iter), specials=["<unk>"])
vocab.set_default_index(vocab["<unk>"]) # 设置默认索引,如果找不到单词,则会选择默认索引
   

torchtext.data.utils.get_tokenizer 是一个用于将文本数据分词的函数。它返回一个分词器(tokenizer)函数,可以将一个字符串转换成一个单词的列表。这个函数可以接受两个参数:tokenizer和language,tokenizer参数指定要使用的分词器的名称。

想了解更多可看此链接:https://www.jianshu.com/p/f44046fdd317

  In [6]:
vocab(['here', 'is', 'an', 'example'])
  Out[6]:
[475, 21, 30, 5297]
  In [7]:
text_pipeline  = lambda x: vocab(tokenizer(x))
label_pipeline = lambda x: int(x) - 1

text_pipeline('here is the an example')
  Out[7]:
[475, 21, 2, 30, 5297]
  In [8]:
label_pipeline('10')
  Out[8]:
9
   

四、生成数据批次和迭代器

  In [9]:
from torch.utils.data import DataLoader

def collate_batch(batch):
    label_list, text_list, offsets = [], [], [0]
    
    for (_label, _text) in batch:
        # 标签列表
        label_list.append(label_pipeline(_label))
        
        # 文本列表
        processed_text = torch.tensor(text_pipeline(_text), dtype=torch.int64)
        text_list.append(processed_text)
        
        # 偏移量,即语句的总词汇量
        offsets.append(processed_text.size(0))
        
    label_list = torch.tensor(label_list, dtype=torch.int64)
    text_list  = torch.cat(text_list)
    offsets    = torch.tensor(offsets[:-1]).cumsum(dim=0) #返回维度dim中输入元素的累计和
    
    return label_list.to(device), text_list.to(device), offsets.to(device)

# 数据加载器
dataloader = DataLoader(train_iter,
                        batch_size=8,
                        shuffle   =False,
                        collate_fn=collate_batch)
   

五、定义模型

定义TextClassificationModel模型,首先对文本进行嵌入,然后对句子嵌入之后的结果进行均值聚合 image.png

  In [10]:
from torch import nn

class TextClassificationModel(nn.Module):

    def __init__(self, vocab_size, embed_dim, num_class):
        super(TextClassificationModel, self).__init__()
        
        self.embedding = nn.EmbeddingBag(vocab_size,   # 词典大小
                                         embed_dim,    # 嵌入的维度
                                         sparse=False) # 
        
        self.fc = nn.Linear(embed_dim, num_class)
        self.init_weights()

    def init_weights(self):
        initrange = 0.5
        self.embedding.weight.data.uniform_(-initrange, initrange)
        self.fc.weight.data.uniform_(-initrange, initrange)
        self.fc.bias.data.zero_()

    def forward(self, text, offsets):
        embedded = self.embedding(text, offsets)
        return self.fc(embedded)
   

self.embedding.weight.data.uniform_(-initrange, initrange)这段代码是在 PyTorch 框架下用于初始化神经网络的词嵌入层(embedding layer)权重的一种方法。这里使用了均匀分布的随机值来初始化权重,具体来说,其作用如下:

1、self.embedding: 这是神经网络中的词嵌入层(embedding layer)。词嵌入层的作用是将离散的单词表示(通常为整数索引)映射为固定大小的连续向量。这些向量捕捉了单词之间的语义关系,并作为网络的输入。

2、self.embedding.weight: 这是词嵌入层的权重矩阵,它的形状为 (vocab_size, embedding_dim),其中 vocab_size 是词汇表的大小,embedding_dim 是嵌入向量的维度。

3、self.embedding.weight.data: 这是权重矩阵的数据部分,我们可以在这里直接操作其底层的张量。

4、uniform_(-initrange, initrange): 这是一个原地操作(in-place operation),用于将权重矩阵的值用一个均匀分布进行初始化。均匀分布的范围为 [-initrange, initrange],其中 initrange 是一个正数。

通过这种方式初始化词嵌入层的权重,可以使得模型在训练开始时具有一定的随机性,有助于避免梯度消失或梯度爆炸等问题。在训练过程中,这些权重将通过优化算法不断更新,以捕捉到更好的单词表示。

   

六、定义实例

  In [13]:
num_class  = len(set([label for (label, text) in train_iter]))
vocab_size = len(vocab)
em_size     = 64
model      = TextClassificationModel(vocab_size, em_size, num_class).to(device)
   

七、定义训练函数与评估函数

  In [14]:
import time

def train(dataloader):
    model.train()  # 切换为训练模式
    total_acc, train_loss, total_count = 0, 0, 0
    log_interval = 500
    start_time   = time.time()

    for idx, (label, text, offsets) in enumerate(dataloader):
        
        predicted_label = model(text, offsets)
        
        optimizer.zero_grad()                    # grad属性归零
        loss = criterion(predicted_label, label) # 计算网络输出和真实值之间的差距,label为真实值
        loss.backward()                          # 反向传播
        optimizer.step()  # 每一步自动更新
        
        # 记录acc与loss
        total_acc   += (predicted_label.argmax(1) == label).sum().item()
        train_loss  += loss.item()
        total_count += label.size(0)
        
        if idx % log_interval == 0 and idx > 0:
            elapsed = time.time() - start_time
            print('| epoch {:1d} | {:4d}/{:4d} batches '
                  '| train_acc {:4.3f} train_loss {:4.5f}'.format(epoch, idx, len(dataloader),
                                              total_acc/total_count, train_loss/total_count))
            total_acc, train_loss, total_count = 0, 0, 0
            start_time = time.time()

def evaluate(dataloader):
    model.eval()  # 切换为测试模式
    total_acc, train_loss, total_count = 0, 0, 0

    with torch.no_grad():
        for idx, (label, text, offsets) in enumerate(dataloader):
            predicted_label = model(text, offsets)
            
            loss = criterion(predicted_label, label)  # 计算loss值
            # 记录测试数据
            total_acc   += (predicted_label.argmax(1) == label).sum().item()
            train_loss  += loss.item()
            total_count += label.size(0)
            
    return total_acc/total_count, train_loss/total_count
   

八、拆分数据集并运行模型

  In [15]:
from torch.utils.data.dataset import random_split
from torchtext.data.functional import to_map_style_dataset
# 超参数
EPOCHS     = 10 # epoch
LR         = 5  # 学习率
BATCH_SIZE = 64 # batch size for training

criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.1)
total_accu = None

train_iter, test_iter = AG_NEWS() # 加载数据
train_dataset = to_map_style_dataset(train_iter)
test_dataset  = to_map_style_dataset(test_iter)
num_train     = int(len(train_dataset) * 0.95)

split_train_, split_valid_ = random_split(train_dataset,
                                          [num_train, len(train_dataset)-num_train])

train_dataloader = DataLoader(split_train_, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)
valid_dataloader = DataLoader(split_valid_, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)
test_dataloader  = DataLoader(test_dataset, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)

for epoch in range(1, EPOCHS + 1):
    epoch_start_time = time.time()
    train(train_dataloader)
    val_acc, val_loss = evaluate(valid_dataloader)
    
    if total_accu is not None and total_accu > val_acc:
        scheduler.step()
    else:
        total_accu = val_acc
    print('-' * 69)
    print('| epoch {:1d} | time: {:4.2f}s | '
          'valid_acc {:4.3f} valid_loss {:4.3f}'.format(epoch,
                                           time.time() - epoch_start_time,
                                           val_acc,val_loss))

    print('-' * 69)
   
| epoch 1 |  500/1782 batches | train_acc 0.706 train_loss 0.01157
| epoch 1 | 1000/1782 batches | train_acc 0.868 train_loss 0.00617
| epoch 1 | 1500/1782 batches | train_acc 0.881 train_loss 0.00545
---------------------------------------------------------------------
| epoch 1 | time: 8.60s | valid_acc 0.897 valid_loss 0.005
---------------------------------------------------------------------
| epoch 2 |  500/1782 batches | train_acc 0.903 train_loss 0.00458
| epoch 2 | 1000/1782 batches | train_acc 0.906 train_loss 0.00438
| epoch 2 | 1500/1782 batches | train_acc 0.903 train_loss 0.00442
---------------------------------------------------------------------
| epoch 2 | time: 6.21s | valid_acc 0.906 valid_loss 0.004
---------------------------------------------------------------------
| epoch 3 |  500/1782 batches | train_acc 0.919 train_loss 0.00383
| epoch 3 | 1000/1782 batches | train_acc 0.916 train_loss 0.00391
| epoch 3 | 1500/1782 batches | train_acc 0.917 train_loss 0.00380
---------------------------------------------------------------------
| epoch 3 | time: 5.87s | valid_acc 0.904 valid_loss 0.004
---------------------------------------------------------------------
| epoch 4 |  500/1782 batches | train_acc 0.936 train_loss 0.00308
| epoch 4 | 1000/1782 batches | train_acc 0.940 train_loss 0.00296
| epoch 4 | 1500/1782 batches | train_acc 0.938 train_loss 0.00295
---------------------------------------------------------------------
| epoch 4 | time: 5.94s | valid_acc 0.915 valid_loss 0.004
---------------------------------------------------------------------
| epoch 5 |  500/1782 batches | train_acc 0.938 train_loss 0.00298
| epoch 5 | 1000/1782 batches | train_acc 0.941 train_loss 0.00285
| epoch 5 | 1500/1782 batches | train_acc 0.938 train_loss 0.00299
---------------------------------------------------------------------
| epoch 5 | time: 6.40s | valid_acc 0.916 valid_loss 0.004
---------------------------------------------------------------------
| epoch 6 |  500/1782 batches | train_acc 0.942 train_loss 0.00280
| epoch 6 | 1000/1782 batches | train_acc 0.938 train_loss 0.00297
| epoch 6 | 1500/1782 batches | train_acc 0.941 train_loss 0.00285
---------------------------------------------------------------------
| epoch 6 | time: 6.42s | valid_acc 0.915 valid_loss 0.004
---------------------------------------------------------------------
| epoch 7 |  500/1782 batches | train_acc 0.942 train_loss 0.00280
| epoch 7 | 1000/1782 batches | train_acc 0.943 train_loss 0.00283
| epoch 7 | 1500/1782 batches | train_acc 0.944 train_loss 0.00273
---------------------------------------------------------------------
| epoch 7 | time: 5.58s | valid_acc 0.917 valid_loss 0.004
---------------------------------------------------------------------
| epoch 8 |  500/1782 batches | train_acc 0.944 train_loss 0.00271
| epoch 8 | 1000/1782 batches | train_acc 0.944 train_loss 0.00273
| epoch 8 | 1500/1782 batches | train_acc 0.943 train_loss 0.00285
---------------------------------------------------------------------
| epoch 8 | time: 5.36s | valid_acc 0.916 valid_loss 0.004
---------------------------------------------------------------------
| epoch 9 |  500/1782 batches | train_acc 0.943 train_loss 0.00275
| epoch 9 | 1000/1782 batches | train_acc 0.945 train_loss 0.00270
| epoch 9 | 1500/1782 batches | train_acc 0.942 train_loss 0.00283
---------------------------------------------------------------------
| epoch 9 | time: 5.72s | valid_acc 0.916 valid_loss 0.004
---------------------------------------------------------------------
| epoch 10 |  500/1782 batches | train_acc 0.942 train_loss 0.00280
| epoch 10 | 1000/1782 batches | train_acc 0.943 train_loss 0.00280
| epoch 10 | 1500/1782 batches | train_acc 0.943 train_loss 0.00273
---------------------------------------------------------------------
| epoch 10 | time: 6.34s | valid_acc 0.916 valid_loss 0.004
---------------------------------------------------------------------
   

torchtext.data.functional.to_map_style_dataset 函数的作用是将一个迭代式的数据集(Iterable-style dataset)转换为映射式的数据集(Map-style dataset)。这个转换使得我们可以通过索引(例如:整数)更方便地访问数据集中的元素。

在 PyTorch 中,数据集可以分为两种类型:Iterable-style 和 Map-style。Iterable-style 数据集实现了 iter() 方法,可以迭代访问数据集中的元素,但不支持通过索引访问。而 Map-style 数据集实现了 getitem() 和 len() 方法,可以直接通过索引访问特定元素,并能获取数据集的大小。

TorchText 是 PyTorch 的一个扩展库,专注于处理文本数据。torchtext.data.functional 中的 to_map_style_dataset 函数可以帮助我们将一个 Iterable-style 数据集转换为一个易于操作的 Map-style 数据集。这样,我们可以通过索引直接访问数据集中的特定样本,从而简化了训练、验证和测试过程中的数据处理。

九、使用测试数据集评估模型

  In [16]:
print('Checking the results of test dataset.')
test_acc, test_loss = evaluate(test_dataloader)
print('test accuracy {:8.3f}'.format(test_acc))
   
Checking the results of test dataset.
test accuracy    0.910

标签:acc,loss,batches,入门,torch,epoch,Pytorch,train,N1
From: https://www.cnblogs.com/cauwj/p/17337713.html

相关文章

  • pytorch训练可视化包visdom的使用
    visdom的使用一、简介二、安装与启动三、设计思路四、在迭代训练中的绘图五、一般绘图六、基本调整与保存文件1、`调整大小、拖拽`:长按拖动即可,右下角落长按移动即可放大缩小2、`查看图片对应的数据`:点击右下角`Edit`,会跳转到新网页,可以灵活进行数据调整3、`图内控件调整`:比如,放大......
  • jq入门
    jqery入门引用jquery<scriptsrc="../js/jquery.js"></script>初始化函数//初始化函数,当网页中的dom元素全部加载完毕后立刻执行$(document).ready(function(){alert('1');});简化写法//简化写法$(function(){aler......
  • 深度学习基础入门篇[六]:模型调优,学习率设置(Warm Up、loss自适应衰减等),batch size调优
    深度学习基础入门篇[六]:模型调优,学习率设置(WarmUp、loss自适应衰减等),batchsize调优技巧,基于方差放缩初始化方法。1.学习率学习率是训练神经网络的重要超参数之一,它代表在每一次迭代中梯度向损失函数最优解移动的步长,通常用$\eta$表示。它的大小决定网络学习速度的快慢。在网络......
  • lucene入门实例三 (index索引)
    copy《luceneinaction》的一个索引的例子:  packagecom.s.lucene.LIA.index;importjava.io.IOException;importjunit.framework.TestCase;importorg.apache.lucene.analysis.WhitespaceAnalyzer;importorg.apache.lucene.document.Document;importorg.apache.luce......
  • lucene入门实例二(检索)
    copy一个luceneinaction的例子 packagecom.s.lucene;importjava.io.File;importjava.io.IOException;importorg.apache.lucene.analysis.standard.StandardAnalyzer;importorg.apache.lucene.document.Document;importorg.apache.lucene.queryParser.ParseExcepti......
  • lucene入门实例一(写索引)
    copy一个luceneinaction的入门实例代码:   importjava.io.File;importjava.io.FileFilter;importjava.io.FileReader;importjava.io.IOException;importorg.apache.lucene.analysis.standard.StandardAnalyzer;importorg.apache.lucene.document.Document;impor......
  • 深度学习--PyTorch定义Tensor以及索引和切片
    深度学习--PyTorch定义Tensor一、创建Tensor1.1未初始化的方法​ 这些方法只是开辟了空间,所附的初始值(非常大,非常小,0),后面还需要我们进行数据的存入。torch.empty():返回一个没有初始化的Tensor,默认是FloatTensor类型。#torch.empty(d1,d2,d3)函数输入的是shapetorch.empty......
  • 15-Sass入门
    title:15-Sass入门publish:trueSass简介大家都知道,js中可以自定义变量,css仅仅是一个标记语言,不是编程语言,因此不可以自定义变量、不可以引用等等。面对这些问题,我们现在来引入Sass,简单的说,他是css的升级版,可以自定义变量,可以有if语句,还可以嵌套等等,很神奇吧!那下面......
  • JSP自定义标签开发入门
    评:简单深入赞一般情况下开发jsp自定义标签需要引用以下两个包 importjavax.servlet.jsp.*;importjavax.servlet.jsp.tagext.*; 首先我们需要大致了解开发自定义标签所涉及到的接口与类的层次结构(其中SimpleTag接口与SimpleTagSupport类是JSP2.0中新引入的)。 目标1:自......
  • Spring Aop的学习:Spring Aop的简单入门
    1.什么是AOPAOP(AspectOrientedProgramming):面向切面编程,是OOP(面向对象编程)的一个延续,其和OOP一样,也是一种编程思想。不过AOP是一种横向开发模式。 2.AOP的作用及应用场景作用AOP的主要作用就是减少代码量,提高代码的可重用性,有利于未来的可操作性与可维护性。主要操......