阅读大概需要4分钟

跟随小博主,每天进步一丢丢
导读
最近在梳理文本分类的各个神经网络算法,特地一个来总结下。下面目录中多通道卷积已经讲过了,下面是链接,没看的可以瞅瞅。我会一个一个的讲解各个算法的理论与实践。目录暂定为:
  1. 多通道卷积神经网络(multi_channel_CNN)
  2. 深度卷积神经网络(deep_CNN)
  3. 基于字符的卷积神经网络(Char_CNN)
  4. 循环与卷积神经网络并用网络(LSTM_CNN)
  5. 树状LSTM神经网络(Tree-LSTM)
  6. Transformer(目前常用于NMT)
  7. etc..
之后的以后再补充。今天我们该将第二个,深度卷积神经网络(DeepCNN)。
DeepCNN
DeepCNN即是深度卷积神经网络,就是有大于1层的卷积网络,也可以说是多层卷积网络(Multi_Layer_CNN,咳咳,我就是这么命名滴!)我们来直接上图,看看具体长得啥样子:

我大概描述下这个过程,比如sent_len=10,embed_dim=100,也就是输入的矩阵为(10*100),假设kernel num=n,用了上下padding,kernel size=(3*100),那么卷积之后输出的矩阵为(n*10),接着再将该矩阵放入下个卷积中,放之前我们先对这个矩阵做个转置,你肯定要问为什么?俺来告诉你我自己的认识,有两点:
  • 硬性要求:这个矩阵第一个维度为10是句子长度产生的,所以是变量,我们习惯将该维度的大小控制为定量,比如第一个输入的值就是(sent_len,embed_dim),embed_dim就为定量,不变。所以转置即可。
  • 理论要求:(n*10)中的n处于的维度的数据表示的是上个数据kernel对这个数据的10个数据第一次计算,第二次计算... 第10次计算,也就可以表示为通过kernel对上个数据的每个词和它的上下文进行了新的特征提取。n则表示用n个kernel对上个句子提取了n次。则最终的矩阵为(n*10),我们要转成和输入的格式一样,将第二维度依然放上一个词的表示。所以转置即可。
n 可以设置100,200等。
然后对最终的结果进行pooling,cat,然后进过线性层映射到分类上,进过softmax上进行预测输出即可。
上述仅仅说的是两层CNN的搭建,当然你可以搭建很多层啦。
实践
下面看下具体的pytotch代码如何实现
类Multi_Layer_CNN的初始化
def __init__(
self
, opts, vocab, label_vocab):

       super(Multi_Layer_CNN,
self
).__init__()


       random.seed(opts.seed)

       torch.manual_seed(opts.seed)

       torch.cuda.manual_seed(opts.seed)


self
.embed_dim = opts.embed_size

self
.word_num = vocab.m_size

self
.pre_embed_path = opts.pre_embed_path

self
.string2id = vocab.string2id

self
.embed_uniform_init = opts.embed_uniform_init

self
.stride = opts.stride

self
.kernel_size = opts.kernel_size

self
.kernel_num = opts.kernel_num

self
.label_num = label_vocab.m_size

self
.embed_dropout = opts.embed_dropout

self
.fc_dropout = opts.fc_dropout


self
.embeddings = nn.Embedding(
self
.word_num,
self
.embed_dim)

if
opts.pre_embed_path !=
''
:

           embedding = Embedding.load_predtrained_emb_zero(
self
.pre_embed_path,
self
.string2id)

self
.embeddings.weight.data.copy_(embedding)

else
:

           nn.init.uniform_(
self
.embeddings.weight.data, -
self
.embed_uniform_init,
self
.embed_uniform_init)


# 2 convs
self
.convs1 = nn.ModuleList(

           [nn.Conv2d(
1
,
self
.embed_dim, (K,
self
.embed_dim), stride=
self
.stride, padding=(K
// 2, 0)) for K in self.kernel_size])
self
.convs2 = nn.ModuleList(

           [nn.Conv2d(
1
,
self
.kernel_num, (K,
self
.embed_dim), stride=
self
.stride, padding=(K
// 2, 0)) for K in self.kernel_size])

       in_fea = len(
self
.kernel_size)*
self
.kernel_num

self
.linear1 = nn.Linear(in_fea, in_fea
// 2)
self
.linear2 = nn.Linear(in_fea
// 2, self.label_num)
self
.embed_dropout = nn.Dropout(
self
.embed_dropout)

self
.fc_dropout = nn.Dropout(
self
.fc_dropout)

数据流动
def forward(
self
, input):


out
=
self
.embeddings(input)

out
=
self
.embed_dropout(
out
)  
# torch.Size([64, 39, 100])

       l = []

out
=
out
.unsqueeze(
1
)  
# torch.Size([64, 1, 39, 100])
for
conv
inself
.convs1:

           l.append(torch.transpose(F.relu(conv(
out
)).squeeze(
3
),
1
,
2
))  
# torch.Size([64, 39, 100])

out
= l

       l = []

for
conv, last_out
in
zip(
self
.convs2,
out
):

           l.append(F.relu(conv(last_out.unsqueeze(
1
))).squeeze(
3
))  
# torch.Size([64, 100, 39])

out
= l

       l = []

for
i
inout
:

           l.append(F.max_pool1d(i, kernel_size=i.size(
2
)).squeeze(
2
))  
# torch.Size([64, 100])

out
= torch.cat(l,
1
)  
# torch.Size([64, 300])

out
=
self
.fc_dropout(
out
)


out
=
self
.linear1(
out
)

out
=
self
.linear2(F.relu(
out
))


returnout
数据对比
可以看出多层(深层)CNN还是在有提升的。
github地址:
https://github.com/zenRRan/Sentiment-Analysis/blob/master/models/Multi_layer_CNN.py
欢迎fork,有问题大家尽管指出!
PS:上述图片均来自于导师张梅山,唐都钰的《Deep Learning in Natural Language Processing》的情感分析篇。
IELTS a bit
stain n. 污点;污染
stake n. 投资,投放的本钱
utilize v. 使用;利用
推荐阅读:

继续阅读
阅读原文