博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Pytorch系列教程-使用字符级RNN对姓名进行分类
阅读量:5153 次
发布时间:2019-06-13

本文共 9553 字,大约阅读时间需要 31 分钟。

前言

本系列教程为pytorch官网文档翻译。本文对应官网地址:

系列教程总目录传送门:

本系列教程对应的 jupyter notebook 可以在我的Github仓库下载:

下载地址:

1. 数据准备

数据下载通道: 点击下载数据集。解压到当前工作目录。

data/names 文件夹下面包含18个名字形如 [language].txt的文件。每个文件包含多条姓名,一个姓名一行。我们在之后需要将其编码格式(Unicode)转化为ASCII。

通过下面的步骤,我们可以得到一个数据字典,形如{language:[name1,name2,...]} ,字典的键为语言,值为一个列表,包含对应文件夹下面的所有姓名。用变量 categoryline 分别标识键值对

from __future__ import unicode_literals, print_function, divisionfrom io import openimport globimport osdef findFiles(path): return glob.glob(path)print(findFiles('data/names/*.txt'))import unicodedataimport stringall_letters = string.ascii_letters + " .,;'"n_letters = len(all_letters)# Turn a Unicode string to plain ASCIIdef unicodeToAscii(s):    return ''.join(        c for c in unicodedata.normalize('NFD', s)        if unicodedata.category(c)!= 'Mn'        and c in all_letters    )print(unicodeToAscii('Ślusàrski'))# Build the category_lines dictinary, a list of names per languagecategory_lines={}all_categories = []# Read a file and split into linesdef readLines(filename):    lines = open(filename, encoding='utf-8').read().strip().split('\n')    return [unicodeToAscii(line) for line in lines]for filename in findFiles('data/names/*.txt'):    category = os.path.splitext(os.path.basename(filename))[0]    all_categories.append(category)    lines = readLines(filename)    category_lines[category] = linesn_categories = len(all_categories)

out:

['data/names\\Arabic.txt', 'data/names\\Chinese.txt', 'data/names\\Czech.txt', 'data/names\\Dutch.txt', 'data/names\\English.txt', 'data/names\\French.txt', 'data/names\\German.txt', 'data/names\\Greek.txt', 'data/names\\Irish.txt', 'data/names\\Italian.txt', 'data/names\\Japanese.txt', 'data/names\\Korean.txt', 'data/names\\Polish.txt', 'data/names\\Portuguese.txt', 'data/names\\Russian.txt', 'data/names\\Scottish.txt', 'data/names\\Spanish.txt', 'data/names\\Vietnamese.txt']Slusarski

现在我们有了category_lines, 这是一个字典映射了每个语言和对应的名字。我们同样记录了 all_categories(一个包含所有语言的列表)和 n_categories 方便后续的引用

print(category_lines['Italian'][:5])

out: ['Abandonato', 'Abatangelo', 'Abatantuono', 'Abate', 'Abategiovanni']

2. 将姓名转化为张量

现在我们将所有的姓名组织好了,我们需要将他们转化为张量(Tensor)方便使用。

为了表示单个字母,我们使用 one-hot 表示方法(size:<1 x n_letters>) 。一个 one-hot 向量是全0(激活字母为1)的向量。 例如:

"b"=<0,1,0,0,0,...,0>

于是每个姓名可以用形状为 <line_length x 1 x n_letters> 的 2D 矩阵表示。

额外的一个维度是为了构建一个假的 batch(pytorch只接受mini_batch数据)

import torch# Fine letter index from all_letters, e.g. "a"=0def letterToIndex(letter):    return all_letters.find(letter)# Just for demonstration, turn a letter into a <1 x n_letters> Tensordef letterToTensor(letter):    tensor = torch.zeros(1, n_letters)    tensor[0][letterToIndex(letter)]=1    return tensor# Turn a line into a 
,# or an array of one_hot letter vectorsdef lineToTensor(line): tensor = torch.zeros(len(line), 1, n_letters) for li, letter in enumerate(line): tensor[li][0][letterToIndex(letter)]=1 return tensorprint(letterToTensor('J'))print(lineToTensor('Jones').size())

out:

tensor([[ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,          0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,          0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.,          0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,          0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]])torch.Size([5, 1, 57])

3. 构建网络

autograd 出现前, 在Torch中创建一个循环神经网络需要在每一个时间步克隆层参数。网络层持有一个隐藏状态和梯度信息,而目前这些完全交由计算图本身来处理。这意味着你能自己用一个很纯净的方式来实现一个 RNN——仅仅使用一些常规的前馈层。

这个RNN模块只有两个线性层,以输入和隐藏状态为输入,LogsSoftmax 层为输出。

如下图所示:

Z2xbySO.png

import torch.nn as nnclass RNN(nn.Module):    def __init__(self, input_size, hidden_size, output_size):        super(RNN, self).__init__()                self.hidden_size = hidden_size                self.i2h = nn.Linear(input_size + hidden_size, hidden_size)        self.i2o = nn.Linear(input_size + hidden_size, output_size)        self.softmax = nn.LogSoftmax(dim=1)            def forward(self, input, hidden):        combined = torch.cat([input, hidden], 1)        hidden = self.i2h(combined)        output = self.i2o(combined)        output = self.softmax(output)        return output, hidden         def initHidden(self):        return torch.zeros(1, self.hidden_size)    n_hidden = 128rnn = RNN(n_letters, n_hidden, n_categories)

为了运行这个网络,我们需要传递输入和前一层传递下来的隐藏状态(初始化为0)。我们使用最后一层的输出作为预测的结果

input = letterToTensor('A')hidden = torch.zeros(1, n_hidden)output, next_hidden =  rnn(input, hidden)

out:

tensor([[-2.8338, -2.9645, -2.9535, -2.9355, -2.9281, -2.8521, -2.8352,         -2.9544, -2.8516, -2.8932, -2.7696, -2.8142, -2.8888, -2.7888,         -2.8991, -2.9971, -2.9783, -2.9278]])

正如你所看到的,输出是<1 x n_categories>的Tensor,其中每个项目都是该类别的可能性(越大代表可能性越高)。

4. 训练

4.1 训练准备

在进入训练之前,我们应该做一些辅助函数。第一个是解释网络的输出,我们知道这是每个类别的可能性。这里使用Tensor.topk来获得最大值的索引

def categoryFromOutput(output):    top_n, top_i = output.topk(1)    category_i = top_i[0].item()    return all_categories[category_i], category_iprint(categoryFromOutput(output))

out:

('Japanese', 10)

同时我们还想快速获得一个训练样本(姓名及其所属语言):

import randomdef randomChoice(l):    return l[random.randint(0, len(l)-1)]def randomTrainingExample():    category = randomChoice(all_categories)    line = randomChoice(category_lines[category])    category_tensor = torch.tensor([all_categories.index(category)],dtype=torch.long)    line_tensor = lineToTensor(line)    return category, line, category_tensor, line_tensorfor i in range(10):    category, line, category_tensor, line_tensor = randomTrainingExample()    print('category = ', category, '/ line =', line)

out:

category =  Czech / line = Moravacategory =  English / line = Linsbycategory =  Dutch / line = Agterencategory =  Scottish / line = Mccallumcategory =  German / line = Laurenzcategory =  Chinese / line = Longcategory =  Italian / line = Pittalugacategory =  Japanese / line = Sugitanicategory =  Portuguese / line = Duartecategory =  French / line = Macon

4.2 训练网络

现在,训练这个网络所需要的只是展示一堆例子,让它做出猜测,然后告诉它是否错了。

对于损失函数的选择,nn.NLLLoss是合适的,因为RNN的最后一层是nn.LogSoftmax

criterion = nn.NLLLoss()

每个循环的训练做了如下的事情:

  • 创建输入和目标张量
  • 初始隐藏状态置0
  • 读取每个字母和
    • 保持隐藏状态给下一个字母
  • 比较最终输出到目标
  • 反向传播
  • 返回输出和丢失
learning_rate = 0.005def train(category_tensor, line_tensor):    hidden = rnn.initHidden()    rnn.zero_grad()        for i in range(line_tensor.size()[0]):        output,hidden = rnn(line_tensor[i],hidden)        loss = criterion(output, category_tensor)    loss.backward()        for p in rnn.parameters():        p.data.add_(-learning_rate, p.grad.data)            return output, loss.item()

现在我们只需要用一堆例子来运行它。由于训练函数同时返回输出和损失,我们可以打印其猜测并跟踪绘图的损失。由于有1000个示例,我们只打印每个print_every示例,并取平均损失。

import timeimport mathn_iters = 100000print_every = 5000plot_every = 1000current_loss = 0all_losses = []def timeSince(since):    now = time.time()    s = now - since    m = math.floor(s/60)    s -= m*60    return '%dm %ds'%(m,s)start = time.time()for iter in range(1, n_iters+1):    category, line, category_tensor, line_tensor = randomTrainingExample()    output, loss = train(category_tensor, line_tensor)    current_loss+=loss        if iter % print_every == 0:        guess, guess_i = categoryFromOutput(output)        correct = '✓' if guess == category else '✗ (%s)' % category        print('%d %d%% (%s) %.4f %s / %s %s' % (iter, iter / n_iters * 100, timeSince(start), loss, line, guess, correct))            if iter%plot_every==0:        all_losses.append(current_loss / plot_every)        current_loss = 0

out:

5000 5% (0m 9s) 2.2742 Bazovski / Polish ✗ (Russian)10000 10% (0m 17s) 2.8028 Rossum / Arabic ✗ (Dutch)15000 15% (0m 24s) 0.5319 Tsahalis / Greek ✓20000 20% (0m 32s) 1.9478 Ojeda / Spanish ✓25000 25% (0m 40s) 3.0673 Salomon / Russian ✗ (Polish)30000 30% (0m 47s) 1.7099 Hong / Chinese ✗ (Korean)35000 35% (0m 55s) 1.6736 Ruaidh / Irish ✓40000 40% (1m 3s) 0.0943 Cearbhall / Irish ✓45000 45% (1m 10s) 1.6163 Severin / Dutch ✗ (French)50000 50% (1m 18s) 0.1879 Horiatis / Greek ✓55000 55% (1m 26s) 0.0733 Eliopoulos / Greek ✓60000 60% (1m 34s) 0.8175 Pagani / Italian ✓65000 65% (1m 41s) 0.4049 Murphy / Scottish ✓70000 70% (1m 49s) 0.5367 Seo / Korean ✓75000 75% (1m 58s) 0.4234 Brzezicki / Polish ✓80000 80% (2m 6s) 0.8812 Ayugai / Japanese ✓85000 85% (2m 13s) 1.4328 Guirguis / Greek ✗ (Arabic)90000 90% (2m 21s) 0.3510 Dam / Vietnamese ✓95000 95% (2m 29s) 0.0634 Teunissen / Dutch ✓100000 100% (2m 37s) 0.4243 Laganas / Greek ✓

4.3 可视化结果

import matplotlib.pyplot as pltimport matplotlib.ticker as ticker%matplotlib inlineplt.figure()plt.plot(all_losses)

out:

char_level_rnn_1.png

5. 评估模型

为了了解网络在不同类别上的表现如何,我们将创建一个混淆矩阵,指示每个实际语言(行)网络猜测的哪种语言(列)。为了计算混淆矩阵,使用evaluate()通过网络运行一组样本.

confusion = torch.zeros(n_categories, n_categories)n_confusion = 10000def evaluate(line_tensor):    hidden = rnn.initHidden()        for i in range(line_tensor.size()[0]):        output,hidden = rnn(line_tensor[i], hidden)    return outputfor i in range(n_confusion):    category, line, category_tensor, line_tensor = randomTrainingExample()    output = evaluate(line_tensor)    guess, guess_i = categoryFromOutput(output)    category_i = all_categories.index(category)    confusion[category_i][guess_i]+=1    for i in range(n_categories):    confusion[i]/=(confusion[i].sum())    fig = plt.figure()ax = fig.add_subplot(111)cax = ax.matshow(confusion.numpy())fig.colorbar(cax)ax.set_xticklabels(['']+all_categories,rotation=90)ax.set_yticklabels(['']+all_categories)ax.xaxis.set_major_locator(ticker.MultipleLocator(1))ax.yaxis.set_major_locator(ticker.MultipleLocator(1))plt.show()

out:

char_level_rnn_2.png

你可以从主轴上挑出明亮的点,它们可以显示出错误猜测的语言,例如:韩语猜测为汉语,意大利语猜测为西班牙语。希腊语的表现似乎很好,但是英语很差(可能是因为与其他语言的重叠较多)

转载于:https://www.cnblogs.com/HolyShine/p/9844404.html

你可能感兴趣的文章
Handbook之012:函数类别构型
查看>>
php取整函数ceil,floor,round,intval的区别
查看>>
局部富文本
查看>>
例题6-7 树的层次遍历
查看>>
2019-2-15 日记
查看>>
那些年我们跳过的 IE坑
查看>>
产生式模型和判别式模型
查看>>
2015.10.13课堂
查看>>
国内最火5款Java微服务开源项目
查看>>
[国嵌攻略][038][时钟初始化]
查看>>
C#格式化字符串
查看>>
剑指offer——二叉搜索树的后序遍历序列
查看>>
2016集训测试赛(二十四)Problem C: 棋盘控制
查看>>
稳定土厂拌设备控制系统-基本介绍(图)
查看>>
测试计划
查看>>
POJ 3101 Astronomy (角速度啊,高中物理啊。。。T_T)
查看>>
linux 删除和安装java
查看>>
缓存问题引发的一系列优化
查看>>
merge into报错ORA-00926、ORA-38014
查看>>
Delphi:校验手机号及身份证号
查看>>