利用TensorFlow和神經(jīng)網(wǎng)絡(luò)來處理文本分類問題

By?機(jī)器之心2017年8月23日 10:33 在這篇文章中，機(jī)器之心海外分析師對Medium（鏈接見文后）上的一篇熱門博客進(jìn)行了介紹，討論了六個關(guān)于創(chuàng)建機(jī)器學(xué)習(xí)模型來進(jìn)行文本分類的主要話題。

在這篇文章中，作者討論了六個關(guān)于創(chuàng)建機(jī)器學(xué)習(xí)模型來進(jìn)行文本分類的主要話題。

TensorFlow 如何工作

機(jī)器學(xué)習(xí)模型是什么

神經(jīng)網(wǎng)絡(luò)是什么

神經(jīng)網(wǎng)絡(luò)怎樣進(jìn)行學(xué)習(xí)

如何處理數(shù)據(jù)并且把它們傳輸給神經(jīng)網(wǎng)絡(luò)的輸入

怎樣運(yùn)行模型并且得到預(yù)測結(jié)果

作者也提供了可在Jupyter notebook上運(yùn)行的代碼。我將回顧這六個話題并且與我自己的經(jīng)驗相結(jié)合。

1. TensorFlow 概覽

TensorFlow 是最流行的開源 AI 庫之一。它的高計算效率，豐富的開發(fā)資源使它被企業(yè)和個人開發(fā)者廣泛采用。在我看來，學(xué)習(xí) TensorFlow 的最好的方法就是使用它的官網(wǎng)教程（https://www.tensorflow.org/）。在這個網(wǎng)站上，你可以瀏覽「getting started」教程。

我首先將會對 TensorFlow 的基本定義和主要特征進(jìn)行介紹。張量（Tensor）是一種數(shù)據(jù)結(jié)構(gòu)，它可以把原始值形成任意的多維數(shù)組【1】。張量的級別就是它的維度數(shù)。這里，我建議閱讀 Python 的應(yīng)用編程接口 API，因為它對 TensorFlow 的初學(xué)者來說是很友好的。你可以安裝 TensorFlow 并且配置環(huán)境，緊隨官方網(wǎng)站上的指導(dǎo)就可以了。測試你是否成功安裝 TensorFlow 的方法就是導(dǎo)入（import）TensorFlow 庫。在 TensorFlow 中，計算圖（computational graph）是核心部件。數(shù)據(jù)流程圖形用來代表計算過程。在圖形下，操作（Operation）代表計算單位，張量代表數(shù)據(jù)單位。為了運(yùn)行代碼，我們應(yīng)該對階段函數(shù)（Session function）進(jìn)行初始化。這里是執(zhí)行求和操作的完整代碼。

#import the library import tensorflow as tf #build the graph and name as my_graph my_graph = tf.Graph() #tf.Session encapsulate the environment for my_graph with my_graph.as_default():x = tf.constant([1,3,6]) y = tf.constant([1,1,1])#add functionop = tf.add(x,y)#run it by fetchesresult = sess.run(fetches=op)#print itprint(result)

你可以看見在 TensorFlow 中編譯是遵循一種模式的，并且很容易被記住。你將會導(dǎo)入庫，創(chuàng)建恒定張量（constant tensors）并且創(chuàng)建圖形。然后我們應(yīng)該定義哪一個圖將會被在 Session 中使用，并且定義操作單元。最終你可以在 Session 中使用 run() 的方法，并且評估其中參數(shù)獲取的每一個張量。

2. 預(yù)測模型

預(yù)測模型可以很簡單。它把機(jī)器學(xué)習(xí)算法和數(shù)據(jù)集相結(jié)合。創(chuàng)建一個模型的過程程如下圖所示：

我們首先應(yīng)該找到正確的數(shù)據(jù)作為輸入，并且使用一些數(shù)據(jù)處理函數(shù)來處理數(shù)據(jù)。然后，這些數(shù)據(jù)就可以與機(jī)器學(xué)習(xí)算法結(jié)合來創(chuàng)建模型了。在你得到模型后，你可以把模型當(dāng)做一個預(yù)測器并且輸入需要的數(shù)據(jù)來預(yù)測，從而產(chǎn)生結(jié)果。整個進(jìn)程如下圖所示：

在本文中，輸入是文本，輸出結(jié)果是類別（category）。這種機(jī)器學(xué)習(xí)算法叫做監(jiān)督學(xué)習(xí)，訓(xùn)練數(shù)據(jù)集是已標(biāo)注過種類的文本。這也是分類任務(wù)，而且是應(yīng)用神經(jīng)網(wǎng)絡(luò)來進(jìn)行模型創(chuàng)建的。

3. 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的主要特征是自學(xué)（self-learning），而不是進(jìn)行明確地程序化。它的靈感來源于人類中樞神經(jīng)系統(tǒng)。第一個神經(jīng)網(wǎng)絡(luò)算法是感知機(jī)（Perceptron）。

為了理解神經(jīng)網(wǎng)絡(luò)的工作機(jī)制，作者用 TensorFlow 創(chuàng)建了一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

這里作者使用了兩個隱蔽層（hidden layers），每一個隱蔽層的職責(zé)是把輸入轉(zhuǎn)換成輸出層可以使用的東西【1】。第一個隱蔽層的節(jié)點(diǎn)的數(shù)量應(yīng)該被定義。這些節(jié)點(diǎn)叫做神經(jīng)元，和權(quán)值相乘。訓(xùn)練階段是為了對這些值進(jìn)行調(diào)節(jié)，為了產(chǎn)生一個正確的輸出。網(wǎng)絡(luò)也引入了偏差（bias），這就可以讓你向左或向右移動激活函數(shù)，從而讓預(yù)測結(jié)果更加準(zhǔn)確【2】。數(shù)據(jù)還會經(jīng)過一個定義每個神經(jīng)元最終輸出的激活函數(shù)。這里，作者使用的是修正線性單元（ReLU），可以增加非線性。這個函數(shù)被定義為：

f(x) = max(0,x)（輸出是 x 或 0，無論 x 多大）

對第二個隱蔽層來說，輸入就是第一層，函數(shù)與第一個隱蔽層相同。

對于輸出層，作者使用的是 one-hot 編碼來得到結(jié)果。在 one-hot 編碼中，除了其中的一位值為 1 以外，所有的位元（bits）都會得到一個 0 值。這里使用三種類別作為范例，如下圖所示。

我們可以發(fā)現(xiàn)輸出節(jié)點(diǎn)的數(shù)量值就是類別的數(shù)量值。如果我們想要劃分不同的類別，我們可以使用 Softmax 函數(shù)來使每一個單元的輸出轉(zhuǎn)化成 0 到 1 間的值，并且使所有單元的總和為 1。它將會告訴我們每種類別的概率是多少。

上述過程由下列代碼實(shí)現(xiàn)：

# Network Parameters n_hidden_1 = 10 # 1st layer number of features n_hidden_2 = 5 # 2nd layer number of features n_input = total_words # Words in vocab n_classes = 3 # Categories: graphics, space and baseball def multilayer_perceptron(input_tensor, weights, biases):layer_1_multiplication = tf.matmul(input_tensor, weights['h1'])layer_1_addition = tf.add(layer_1_multiplication, biases['b1'])layer_1_activation = tf.nn.relu(layer_1_addition) # Hidden layer with RELU activationlayer_2_multiplication = tf.matmul(layer_1_activation, weights['h2'])layer_2_addition = tf.add(layer_2_multiplication, biases['b2'])layer_2_activation = tf.nn.relu(layer_2_addition) # Output layer with linear activationout_layer_multiplication = tf.matmul(layer_2_activation, weights['out'])out_layer_addition = out_layer_multiplication + biases['out'] return out_layer_addition

在這里，它調(diào)用了 matmul（）函數(shù)來實(shí)現(xiàn)矩陣之間的乘法函數(shù)，并調(diào)用 add（）函數(shù)將偏差添加到函數(shù)中。

4. 神經(jīng)網(wǎng)絡(luò)是如何訓(xùn)練的

我們可以看到其中要點(diǎn)是構(gòu)建一個合理的結(jié)構(gòu)，并優(yōu)化網(wǎng)絡(luò)權(quán)重的預(yù)測。接下來我們需要訓(xùn)練 TensorFlow 中的神經(jīng)網(wǎng)絡(luò)。在 TensorFlow 中，我們使用 Variable 來存儲權(quán)重和偏差。在這里，我們應(yīng)該將輸出值與預(yù)期值進(jìn)行比較，并指導(dǎo)函數(shù)獲得最小損失結(jié)果。有很多方法來計算損失函數(shù)，由于它是一個分類任務(wù)，所以我們應(yīng)該使用交叉熵誤差。此前 D. McCaffrey[3] 分析并認(rèn)為交叉熵可以避免訓(xùn)練停滯不前。我們在這里通過調(diào)用函數(shù) tf.nn.softmax_cross_entropy_with_logits() 來使用交叉熵誤差，我們還將通過調(diào)用 function: tf.reduced_mean() 來計算誤差。

# Construct model prediction = multilayer_perceptron(input_tensor, weights, biases) # Define loss entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor) loss = tf.reduce_mean(entropy_loss)

我們應(yīng)該找到最優(yōu)值來使輸出誤差最小化。這里我們使用隨機(jī)梯度下降（SGD）的方法：

通過多次迭代，我們將會得到接近于全局最小損失的權(quán)值。學(xué)習(xí)速率不應(yīng)該太大。自適應(yīng)瞬間評估函數(shù)（Adaptive Moment Estimation function）經(jīng)常用于計算梯度下降。在這個優(yōu)化算法中，對梯度和梯度的二階矩量進(jìn)行平滑處理【4】。

代碼如下所示，在其它項目中，學(xué)習(xí)速率可以是動態(tài)的，從而使訓(xùn)練過程更加迅速。

learning_rate = 0.001 # Construct model prediction = multilayer_perceptron(input_tensor, weights, biases) # Define loss entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor) loss = tf.reduce_mean(entropy_loss) optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

5. 數(shù)據(jù)操作

這一部分對于分類成功也很重要。機(jī)器學(xué)習(xí)的開發(fā)者們需要更加在意數(shù)據(jù)，這會為你節(jié)省大量時間，并讓結(jié)果更加準(zhǔn)確，因為這可以讓你無需從頭開始更改配置。在這里，筆者需要指出兩個重點(diǎn)。首先，為每個單詞創(chuàng)建一個索引；然后為每個文本創(chuàng)建一個矩陣，如果單詞在文本中，則值為 1，否則為 0。以下代碼可以幫助你理解這個過程：

import numpy as np #numpy is a package for scientific computing from collections import Counter vocab = Counter() text = "Hi from Brazil" #Get all words for word in text.split(' '):vocab[word]+=1#Convert words to indexes def get_word_2_index(vocab):word2index = {}for i,word in enumerate(vocab):word2index[word] = ireturn word2index #Now we have an index word2index = get_word_2_index(vocab) total_words = len(vocab) #This is how we create a numpy array (our matrix) matrix = np.zeros((total_words),dtype=float) #Now we fill the values for word in text.split():matrix[word2index[word]] += 1 print(matrix) >>> [ 1. 1. 1.]

Python 中的 Counter() 是一個哈希表。當(dāng)輸入是「Hi from Brazil」時，矩陣是 [1 ,1, 1]。如果輸入不同，比如「Hi」，矩陣會得到不同的結(jié)果：

matrix = np.zeros((total_words),dtype=float) text = "Hi" for word in text.split():matrix[word2index[word.lower()]] += 1 print(matrix) >>> [ 1. 0. 0.]

6. 運(yùn)行模型，獲得結(jié)果

在這一部分里，我們將使用 20 Newsgroups 作為數(shù)據(jù)集。它包含有關(guān) 20 種話題的 18,000 篇文章。我們使用 scilit-learn 庫加載數(shù)據(jù)。在這里作者使用了 3 個類別：comp.graphics、sci.space 和 rec.sport.baseball。它有兩個子集，一個用于訓(xùn)練，一個用于測試。下面是加載數(shù)據(jù)集的方式：

from sklearn.datasets import fetch_20newsgroups categories = ["comp.graphics","sci.space","rec.sport.baseball"] newsgroups_train = fetch_20newsgroups(subset='train', categories=categories) newsgroups_test = fetch_20newsgroups(subset='test', categories=categories)

它遵循通用的模式，非常易于開發(fā)者使用。

在實(shí)驗中，epoch 設(shè)定為 10，這意味著會有 10 次正+反向遍歷整個數(shù)據(jù)集。在 TensorFlow 中，占位符的作用是用作 Feed 的目標(biāo)，用于傳遞每個運(yùn)行步驟的數(shù)據(jù)。

n_input = total_words # Words in vocab n_classes = 3 # Categories: graphics, sci.space and baseball input_tensor = tf.placeholder(tf.float32,[None, n_input],name="input") output_tensor = tf.placeholder(tf.float32,[None, n_classes],name="output")

我們應(yīng)該分批訓(xùn)練數(shù)據(jù)，因為在測試模型時，我們會用更大的批次來輸入 dict。調(diào)用 get_batches() 函數(shù)來獲取具有批處理尺寸的文本數(shù)。接下來，我們就可以運(yùn)行模型了。

training_epochs = 10 # Launch the graph with tf.Session() as sess:sess.run(init) #inits the variables (normal distribution, remember?)# Training cyclefor epoch in range(training_epochs):avg_cost = 0.total_batch = int(len(newsgroups_train.data)/batch_size)# Loop over all batchesfor i in range(total_batch):batch_x,batch_y = get_batch(newsgroups_train,i,batch_size)# Run optimization op (backprop) and cost op (to get loss value)c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x, output_tensor:batch_y})

在這里我們需要構(gòu)建測試模型，并計算它的準(zhǔn)確性。

# Test modelindex_prediction = tf.argmax(prediction, 1)index_correct = tf.argmax(output_tensor, 1)correct_prediction = tf.equal(index_prediction, index_correct)# Calculate accuracyaccuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))total_test_data = len(newsgroups_test.target)batch_x_test,batch_y_test = get_batch(newsgroups_test,0,total_test_data)print("Accuracy:", accuracy.eval({input_tensor: batch_x_test, output_tensor: batch_y_test}))

然后我們就可以得到結(jié)果：

結(jié)論

本文介紹了如何使用神經(jīng)網(wǎng)絡(luò)和 TensorFlow 來處理文本分類任務(wù)。它介紹了與實(shí)驗有關(guān)的基礎(chǔ)信息，然而，在我自己運(yùn)行的時候，效果就沒有作者那么好了。我們或許可以在這個架構(gòu)的基礎(chǔ)上改進(jìn)一番，在隱藏層中使用 dropout 肯定會提高準(zhǔn)確性。

在運(yùn)行代碼前，請確認(rèn)你已安裝了最新版本的 TensorFlow。有些時候你可能會無法導(dǎo)入 twenty_newsgroups 數(shù)據(jù)集。當(dāng)這種情況發(fā)生時，請使用以下代碼來解決問題。

# if you didn't download the twenty_newsgroups datasets, it will run with error # this logging can help to solve the error import logging logging.basicConfig()

以下是完整代碼：

import pandas as pd import numpy as np import tensorflow as tf from collections import Counter from sklearn.datasets import fetch_20newsgroups # if you didn't download the twenty_newsgroups datasets, it will run with error # this logging can help to solve the error import logging logging.basicConfig()categories = ["comp.graphics","sci.space","rec.sport.baseball"] newsgroups_train = fetch_20newsgroups(subset='train', categories=categories) newsgroups_test = fetch_20newsgroups(subset='test', categories=categories)print('total texts in train:',len(newsgroups_train.data)) print('total texts in test:',len(newsgroups_test.data))vocab = Counter() for text in newsgroups_train.data:for word in text.split(' '):vocab[word.lower()]+=1for text in newsgroups_test.data:for word in text.split(' '):vocab[word.lower()]+=1total_words = len(vocab) def get_word_2_index(vocab):word2index = {}for i,word in enumerate(vocab):word2index[word.lower()] = ireturn word2indexword2index = get_word_2_index(vocab)def get_batch(df,i,batch_size):batches = []results = []texts = df.data[i*batch_size:i*batch_size+batch_size]categories = df.target[i*batch_size:i*batch_size+batch_size]for text in texts:layer = np.zeros(total_words,dtype=float)for word in text.split(' '):layer[word2index[word.lower()]] += 1batches.append(layer)for category in categories:y = np.zeros((3),dtype=float)if category == 0:y[0] = 1.elif category == 1:y[1] = 1.else:y[2] = 1.results.append(y)return np.array(batches),np.array(results)# Parameters learning_rate = 0.01 training_epochs = 10 batch_size = 150 display_step = 1# Network Parameters n_hidden_1 = 100 # 1st layer number of features n_hidden_2 = 100 # 2nd layer number of features n_input = total_words # Words in vocab n_classes = 3 # Categories: graphics, sci.space and baseballinput_tensor = tf.placeholder(tf.float32,[None, n_input],name="input") output_tensor = tf.placeholder(tf.float32,[None, n_classes],name="output") def multilayer_perceptron(input_tensor, weights, biases):layer_1_multiplication = tf.matmul(input_tensor, weights['h1'])layer_1_addition = tf.add(layer_1_multiplication, biases['b1'])layer_1 = tf.nn.relu(layer_1_addition)# Hidden layer with RELU activationlayer_2_multiplication = tf.matmul(layer_1, weights['h2'])layer_2_addition = tf.add(layer_2_multiplication, biases['b2'])layer_2 = tf.nn.relu(layer_2_addition)# Output layer out_layer_multiplication = tf.matmul(layer_2, weights['out'])out_layer_addition = out_layer_multiplication + biases['out']return out_layer_addition# Store layers weight & bias weights = {'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes])) } biases = {'b1': tf.Variable(tf.random_normal([n_hidden_1])),'b2': tf.Variable(tf.random_normal([n_hidden_2])),'out': tf.Variable(tf.random_normal([n_classes])) }# Construct model prediction = multilayer_perceptron(input_tensor, weights, biases)# Define loss and optimizer loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor)) optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)# Initializing the variables init = tf.initialize_all_variables()# Launch the graph with tf.Session() as sess:sess.run(init)# Training cyclefor epoch in range(training_epochs):avg_cost = 0.total_batch = int(len(newsgroups_train.data)/batch_size)# Loop over all batchesfor i in range(total_batch):batch_x,batch_y = get_batch(newsgroups_train,i,batch_size)# Run optimization op (backprop) and cost op (to get loss value)c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x,output_tensor:batch_y})# Compute average lossavg_cost += c / total_batch# Display logs per epoch stepif epoch % display_step == 0:print("Epoch:", '%04d' % (epoch+1), "loss=", \"{:.9f}".format(avg_cost))print("Optimization Finished!")# Test modelcorrect_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(output_tensor, 1))# Calculate accuracyaccuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))total_test_data = len(newsgroups_test.target)batch_x_test,batch_y_test = get_batch(newsgroups_test,0,total_test_data)print("Accuracy:", accuracy.eval({input_tensor: batch_x_test, output_tensor: batch_y_test}))

參考內(nèi)容:

[1] https://stats.stackexchange.com/questions/63152/what-does-the-hidden-layer-in-a-neural-network-compute

[2] http://stackoverflow.com/questions/2480650/role-of-bias-in-neural-networks

[3] https://jamesmccaffrey.wordpress.com/2013/11/05/why-you-should-use-cross-entropy-error-instead-of-classification-error-or-mean-squared-error-for-neural-network-classifier-training/

[4] https://en.wikipedia.org/wiki/Stochastic_gradient_descent

Medium 文章鏈接：https://medium.freecodecamp.org/big-picture-machine-learning-classifying-text-with-neural-networks-and-tensorflow-d94036ac2274

?

總結(jié)

以上是生活随笔為你收集整理的利用TensorFlow和神经网络来处理文本分类问题的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。