作者：甄冉冉

最近在學(xué)pyTorch的實(shí)際應(yīng)用例子。這次說(shuō)個(gè)簡(jiǎn)單的例子：給定一句話，判斷是什么語(yǔ)言。這個(gè)例子是比如給定一句話：

Give it to me

判斷是 ENGLISH

me gusta comer en la cafeteria

判斷是 SPANISH

就是這么簡(jiǎn)單的例子。

來(lái)看怎么實(shí)現(xiàn)：

準(zhǔn)備數(shù)據(jù) 格式 [(語(yǔ)句，類型)，…]

data是train的時(shí)候用的語(yǔ)句，test_data是test的時(shí)候用的語(yǔ)句

data = [ ("me gusta comer en la cafeteria".split(), "SPANISH"),

         ("Give it to me".split(), "ENGLISH"),

         ("No creo que sea una buena idea".split(), "SPANISH"),

         ("No it is not a good idea to get lost at sea".split(), "ENGLISH") ]

test_data = [("Yo creo que si".split(), "SPANISH"),

              ("it is lost on me".split(), "ENGLISH")]

因?yàn)槲谋居?jì)算機(jī)室識(shí)別不出來(lái)的，他們只認(rèn)識(shí)01串，也就是數(shù)字。所以我們得把文本映射到數(shù)字上。

word_to_ix = {}

for sent, _ in data + test_data:

    for word in sent:

        if word not in word_to_ix:

            word_to_ix[word] = len(word_to_ix)

print(word_to_ix)

輸出word_to_ix (意思是word to index)是：

{'me': 0, 'gusta': 1, 'comer': 2, 'en': 3, 'la': 4, 'cafeteria': 5, 'Give': 6, 'it': 7, 'to': 8, 'No': 9,
 'creo': 10, 'que': 11, 'sea': 12, 'una': 13, 'buena': 14, 'idea': 15, 'is': 16, 'not': 17, 'a': 18, 'good': 19,
 'get': 20, 'lost': 21, 'at': 22, 'Yo': 23, 'si': 24, 'on': 25}

這里先提前設(shè)置下接下來(lái)要用到的參數(shù)

VOCAB_SIZE = len(word_to_ix)

NUM_LABELS = 2#只有兩類 ENGLISH  SPANISH

固定模板

def init(self, num_labels, vocab_size)：初始化，就是輸入和輸出的大小。這里我們要輸入是一個(gè)句子，句子最大就是擁有所有字典的詞，這里也就是vocab_size(下面再說(shuō)怎么將一句話根據(jù)字典轉(zhuǎn)換成一個(gè)數(shù)字序列的)，輸出就是分類，這里分為2類，即num_labels。這里我們用的是線性分類 ，即nn.Linear()。

def forward(self, bow_vec)：bow_vec是一個(gè)句子的數(shù)字化序列，經(jīng)過(guò)self.linear()得到一個(gè)線性結(jié)果(也就是預(yù)測(cè)結(jié)果)，之后對(duì)這個(gè)結(jié)果進(jìn)行softmax(這里用log_softmax是因?yàn)橄旅娴膿p失函數(shù)用的是NLLLoss() 即負(fù)對(duì)數(shù)似然損失，需要log以下)

class BoWClassifier(nn.Module):#nn.Module 這是繼承torch的神經(jīng)網(wǎng)絡(luò)模板

    def __init__(self, num_labels, vocab_size): 

        super(BoWClassifier, self).__init__()

        self.linear = nn.Linear(vocab_size, num_labels)

    def forward(self, bow_vec):

        return F.log_softmax(self.linear(bow_vec))

def make_bow_vector(sentence, word_to_ix)

大概能看懂什么意思吧。就是把一個(gè)句子sentence通過(guò)word_to_ix轉(zhuǎn)換成數(shù)字化序列.比如 sentence=我 是 一只 小 小 鳥(niǎo) word_to_id={你:0,我:1,他:2,不:3,是:4,大:5,小:6,豬:7,鳥(niǎo):8,,} make_bow_vector之后的結(jié)果是[0,1,0,0,1,0,2,0,1]。view()就是改變下向量維數(shù)。

這里是講len(word_to_ix)1->1len(word_to_ix)

def make_bow_vector(sentence, word_to_ix):

    vec = torch.zeros(len(word_to_ix))

    for word in sentence:

        vec[word_to_ix[word]] += 1

    return vec.view(1, -1)

這個(gè)就不用說(shuō)了吧 一樣。(如果想知道torch.LongTensor啥意思的話。可以看看。Torch中，Tensor主要有ByteTensor（無(wú)符號(hào)char），CharTensor（有符號(hào))，ShortTensor(shorts), IntTensor(ints), LongTensor(longs), FloatTensor(floats), DoubleTensor(doubles)，默認(rèn)存放為double類型，如果需要特別指出，通過(guò)torch.setdefaulttensortype()方法進(jìn)行設(shè)定。例如torch.setdefaulttensortype(‘torch.FloatTensor’)。 )

def make_target(label, label_to_ix):

    return torch.LongTensor([label_to_ix[label]])

這里再介紹下model.parameters()這個(gè)函數(shù)。他的返回結(jié)果是model里的所有參數(shù)。這里我們用的是線性函數(shù)，所以就是f(x)=Ax+b中的A和b(x即輸入的數(shù)據(jù))，這些參數(shù)在之后的反饋和更新參數(shù)需要的。

model = BoWClassifier(NUM_LABELS, VOCAB_SIZE)

for param in model.parameters():

    print("param:", param)

可以看出A是2len(vocab_size)，b是21

param: Parameter containing:

Columns 0 to 9 

 0.0786  0.1596  0.1259  0.0054  0.0558 -0.0911 -0.1804 -0.1526 -0.0287 -0.1086

-0.0651 -0.1096 -0.1807 -0.1907 -0.0727 -0.0179  0.1530 -0.0910  0.1943 -0.1148

Columns 10 to 19 

 0.0452 -0.0786  0.1776  0.0425  0.1194 -0.1330 -0.1877 -0.0412 -0.0269 -0.1572

-0.0361  0.1909  0.1558  0.1309  0.1461 -0.0822  0.1078 -0.1354 -0.1877  0.0184

Columns 20 to 25 

 0.1818 -0.1401  0.1118  0.1002  0.1438  0.0790

 0.1812 -0.1414 -0.1876  0.1569  0.0804 -0.1897

[torch.FloatTensor of size 2x26]

param: Parameter containing:

 0.1859

 0.1245

[torch.FloatTensor of size 2]

我們?cè)倏纯磎odel的def forward(self, bow_vec):怎么用。這里就想下面的代碼一樣，直接在mode()填一個(gè)參數(shù)即可，就調(diào)用forward函數(shù)。

sample = data[0]

bow_vector = make_bow_vector(sample[0], word_to_ix)

log_probs = model(autograd.Variable(bow_vector))

print("log_probs", log_probs)

輸出是：（就是log_softmax后的值）

log_probs Variable containing:

-0.6160 -0.7768

[torch.FloatTensor of size 1x2]

我們這里看看在test上的預(yù)測(cè)

label_to_ix = { "SPANISH": 0, "ENGLISH": 1 }

for instance, label in test_data:

    bow_vec = autograd.Variable(make_bow_vector(instance, word_to_ix))

    log_probs = model(bow_vec)

    print log_probs

print next(model.parameters())[:,word_to_ix["creo"]]

結(jié)果是

Variable containing:

-0.5431 -0.8698

[torch.FloatTensor of size 1x2]

Variable containing:

-0.7405 -0.6480

[torch.FloatTensor of size 1x2]

Variable containing:

-0.0467

 0.1065

[torch.FloatTensor of size 2]

下面就該進(jìn)行重要的部分了。

循環(huán)訓(xùn)練和更新參數(shù)

這里我們用的損失函數(shù)是nn.NLLLoss()負(fù)對(duì)數(shù)似然損失，優(yōu)化依然用的最常見(jiàn)的optim.SGD() 梯度下降法，一般訓(xùn)練5-30次最終優(yōu)化基本不再變化。

每一步過(guò)程：

a. 首先都要model.zero_grad()，因?yàn)榻酉聛?lái)要極端梯度，得清零，以防問(wèn)題

b. 將數(shù)據(jù)向量化(也可以說(shuō)是數(shù)字序列化，轉(zhuǎn)成計(jì)算機(jī)能看懂的形式)

c. 得到預(yù)測(cè)值

d. 求損失loss_function

e. 求梯度loss.backward()

f. 更新參數(shù)optimizer.step()

loss_function = nn.NLLLoss()

optimizer = optim.SGD(model.parameters(), lr=0.1)

for epoch in range(100):

    for instance, label in data:

        model.zero_grad()

        bow_vec = autograd.Variable(make_bow_vector(instance, word_to_ix))

        target = autograd.Variable(make_target(label, label_to_ix))

        log_probs = model(bow_vec)

        loss = loss_function(log_probs, target)

        loss.backward()

        optimizer.step()

在測(cè)試集上測(cè)試

for instance, label in test_data:

    bow_vec = autograd.Variable(make_bow_vector(instance, word_to_ix))

    log_probs = model(bow_vec)

    print log_probs

我們?cè)诮Y(jié)果上很容易看到第一個(gè)例子預(yù)測(cè)是SPANISH最大，第二個(gè)是ENGLISH最大。成功了。

Variable containing:

-0.0842 -2.5161

[torch.FloatTensor of size 1x2]

Variable containing:

-2.4886 -0.0867

[torch.FloatTensor of size 1x2]

本文轉(zhuǎn)載自：36大數(shù)據(jù)