本博客只是记录一下本人在深度学习过程中的学习笔记和编程经验,大部分代码是参考了【中文】【吴恩达课后编程作业】Course 5 - 序列模型 - 第二周作业 - 词向量的运算与Emoji生成器这篇博客,对其代码实现了复现,但是原博客中代码使用的是tensorflow,而我在学习中主要用到的是pytorch,所以此次作业我使用pytorch框架来完成。代码或文字表述中还存在一些问题,请见谅,之前的博客也是主要参考这个大佬。下文中的完整代码已经上传到百度网盘中,提取码:00cz。
所以开始作业前,请大家安装好pytorch的环境,我代码是在服务器上利用gpu加速运行的,但是cpu版本的pytorch也能运行,只是速度会比较慢。
训练得到词嵌入数据是需要消耗庞大的资源,这里我们就用已经训练好的glove词向量代替。
读取glove英文词向量:
def read_glove_vecs(glove_file): """ 加载glove英文词向量 :param glove_file: 文件路径 :return: """ with open(glove_file, 'r', encoding="utf-8") as f: words = set() word_to_vec_map = {} for line in f: line = line.strip().split() curr_word = line[0] words.add(curr_word) word_to_vec_map[curr_word] = np.array(line[1:], dtype=np.float64) return words, word_to_vec_map
words:列表类型数据,记录了词典中的全部词 word_to_vec_map:字典类型,构造"词-词向量"键值对,可以方便的查找指定词的词向量
查看英文词向量:
words, word_to_vec_map = w2v_utils_pytorch.read_glove_vecs('data/glove.6B.50d.txt') print(word_to_vec_map["hello"])
[-0.38497 0.80092 0.064106 -0.28355 -0.026759 -0.34532 -0.64253 -0.11729 -0.33257 0.55243 -0.087813 0.9035 0.47102 0.56657 0.6985 -0.35229 -0.86542 0.90573 0.03576 -0.071705 -0.12327 0.54923 0.47005 0.35572 1.2611 -0.67581 -0.94983 0.68666 0.3871 -1.3492 0.63512 0.46416 -0.48814 0.83827 -0.9246 -0.33722 0.53741 -1.0616 -0.081403 -0.67111 0.30923 -0.3923 -0.55002 -0.68827 0.58049 -0.11626 0.013139 -0.57654 0.048833 0.67204 ]
glove中包含了40000个英文单词的词向量,每个词向量的维度是50维。在了解数据的基本情况后,可以运用这些词向量做一些简单的计算了。
根据余弦相似度的计算公式可以编程计算两个词的相似度情况,不清楚余弦相似度的可以自行百度:
def cosine_similarity(u, v): """ 计算两个词向量的余弦相似度 :param u:单词u的词向量 :param v:单词v的词向量 :return: """ dot = np.dot(u, v) norm_u = np.sqrt(np.sum(np.power(u, 2))) norm_v = np.sqrt(np.sum(np.power(v, 2))) distance = np.divide(dot, norm_v * norm_u) return distance
简单计算一些词的余弦相似度:
words, word_to_vec_map = w2v_utils_pytorch.read_glove_vecs('data/glove.6B.50d.txt') father = word_to_vec_map["father"] mother = word_to_vec_map["mother"] ball = word_to_vec_map["ball"] crocodile = word_to_vec_map["crocodile"] france = word_to_vec_map["france"] italy = word_to_vec_map["italy"] paris = word_to_vec_map["paris"] rome = word_to_vec_map["rome"] print("cosine_similarity(father, mother) = ", w2v_utils_pytorch.cosine_similarity(father, mother)) print("cosine_similarity(ball, crocodile) = ",w2v_utils_pytorch.cosine_similarity(ball, crocodile)) print("cosine_similarity(france - paris, rome - italy) = ",w2v_utils_pytorch.cosine_similarity(france - paris, rome - italy))
cosine_similarity(father, mother) = 0.8909038442893616 cosine_similarity(ball, crocodile) = 0.27439246261379424 cosine_similarity(france - paris, rome - italy) = -0.6751479308174201
可以看出约相似的词,其词向量在空间中的夹角越小,计算得到的余弦相似度就越大,这也说明了glove词向量的质量比较优秀。
当我们拥有优秀的词向量后可以完成词类类比任务:“A与B相比就类似于C与____相比一样”,比如:“男人与女人相比就像国王与 女皇 相比”。具体原理就是在词典中找到一个词D,使得vector(B)-vector(A) ≈ \approx ≈ vector(D)-vector©,依旧采用余弦公式计算两者的相似度。
def complete_analogy(word_a, word_b, word_c, word_to_vec_map): """ 词类比问题:解决“A与B相比就类似于C与____相比一样”问题,比如“男人与女人相比就像国王与 女皇 相比一样” 其实就是在词库里面找到一个词word_d满足:word_b - word-a 与 word_d - word_c 近似相等 :param word_a:词a :param word_b:词b :param word_c:词c :param word_to_vec_map:词典 :return: """ # 将单词转换为小写 word_a, word_b, word_c = word_a.lower(), word_b.lower(), word_c.lower() # 找到单词的词向量 e_a, e_b, e_c = word_to_vec_map[word_a], word_to_vec_map[word_b], word_to_vec_map[word_c] words = word_to_vec_map.keys() max_cosine_similarity = -100 best_word = None # 遍历整个词典 for word in words: if word in [word_a, word_b, word_c]: continue cosine_sim = cosine_similarity((e_b - e_a), (word_to_vec_map[word] - e_c)) if cosine_sim > max_cosine_similarity: max_cosine_similarity = cosine_sim best_word = word return best_word
简单测试一下:
triads_to_try = [('italy', 'italian', 'spain'), ('india', 'delhi', 'japan'), ('man', 'woman', 'boy'), ('small', 'smaller', 'large')] for triad in triads_to_try: print('{} -> {} <====> {} -> {}'.format(*triad, w2v_utils_pytorch.complete_analogy(*triad, word_to_vec_map)))
italy -> italian <====> spain -> spanish india -> delhi <====> japan -> tokyo man -> woman <====> boy -> girl small -> smaller <====> large -> larger
可以看出,glove词向量处理词类类比任务时效果还是非常好的。
原作业中提到了去除词向量中的偏见属于选学部分,本人还未完全理解,感兴趣的同学可以参考我前言中原博客中的内容。
表情生成器其实就是情感分类,本质上是多分类问题。在原作业中想要打印表情符号需要安装emoji包,这里我简化一下问题,只针对情感分类任务。
我们首先使用一个简单的前馈神经网络来完成这个分类任务,网络的结构如下:
1.将英文句子进行分词 2.将每个词转换成50维的glove向量,计算得到平均值,作为神经网络的输入 3.经过一层全连接层后,进行softmax操作,得到预测的分类结果
主控模型:
def model(X, Y, word_to_vec_map, learning_rate=0.01, num_iterations=400): np.random.seed(1) m = Y.shape[0] n_y = 5 n_h = 50 W = np.random.randn(n_y, n_h) / np.sqrt(n_h) b = np.zeros((n_y,)) Y_oh = emo_utils.convert_to_one_hot(Y, C=n_y) for epoch in range(num_iterations): for i in range(m): avg = sentence_to_avg(X[i], word_to_vec_map) # 前向传播 z = np.dot(W, avg) + b a = emo_utils.softmax(z) # 计算第i个训练的损失 cost = -np.sum(Y_oh[i] * np.log(a)) # 计算梯度 dz = a - Y_oh[i] dW = np.dot(dz.reshape(n_y, 1), avg.reshape(1, n_h)) db = dz # 更新参数 W = W - learning_rate * dW b = b - learning_rate * db if epoch % 100 == 0: print("第{epoch}轮,损失为{cost}".format(epoch=epoch, cost=cost)) pred = emo_utils.predict(X, Y, W, b, word_to_vec_map) return pred, W, b
计算平均词向量:
def sentence_to_avg(sentence, word_to_vec_map): """ 将句子转换为单词列表,提取Glove向量,取平均值 :param sentence: 输入的句子 :param word_to_vec_map: 词典 :return: """ # 将句子拆成单词列表 words = sentence.lower().split() # 初始化均值向量 avg = np.zeros(50, ) for w in words: avg = avg + word_to_vec_map[w] avg = np.divide(avg, len(words)) return avg
训练测试模型:
words, word_to_vec_map = w2v_utils_pytorch.read_glove_vecs('data/glove.6B.50d.txt') pred, W, b = model(X_train, Y_train, word_to_vec_map) print("=====训练集====") pred_train = emo_utils.predict(X_train, Y_train, W, b, word_to_vec_map) print("=====测试集====") pred_test = emo_utils.predict(X_test, Y_test, W, b, word_to_vec_map) X_my_sentences = np.array( ["i adore you", "i love you", "funny lol", "lets play with a ball", "food is ready", "you are not happy"]) Y_my_labels = np.array([[0], [0], [2], [1], [4], [3]]) pred = emo_utils.predict(X_my_sentences, Y_my_labels, W, b, word_to_vec_map) emo_utils.print_predictions(X_my_sentences, pred)
训练结果如下:
第0轮,损失为1.952049881281007 Accuracy: 0.3484848484848485 第100轮,损失为0.07971818726014794 Accuracy: 0.9318181818181818 第200轮,损失为0.04456369243681379 Accuracy: 0.9545454545454546 第300轮,损失为0.03432267378786059 Accuracy: 0.9696969696969697 =====训练集==== Accuracy: 0.9772727272727273 =====测试集==== Accuracy: 0.8571428571428571 i adore you ❤️ i love you ❤️ funny lol