TensorFlow 中的自然语言处理 (吴恩达视频)
- TensorFlow 中的自然语言处理
- 1 简单短例子
- 2 tensorflow.keras实现IMDB情感分类实战
- 2.1 数据准备
- 2.2 数据预处理
- 2.3 模型训练
- 2.4 可视化训练效果
- 2.5 结果预测
TensorFlow 中的自然语言处理
【吴恩达团队Tensorflow2.0实践系列课程第三课】TensorFlow2.0中的自然语言处理
这个暑假计划学习NLP,看的是吴恩达老师的视频,已经看到第三课,大家有兴趣的可以看看之前的视频,我觉得讲得非常好。写博客是为了更好的学习,将其中一些细节写下来避免遗忘。
1 简单短例子
Tokenizer是一个用于向量化文本,或将文本转换为序列(即单词在字典中的下标构成的列表,从1算起)的类。
构造参数
- num_words:None或整数,处理最大单词数量。若被设置为整数,则分词器将被限制为待处理数据集中最常见的num_words个单词
- filters&#xff1a;需要滤除的字符的列表或连接形成的字符串&#xff0c;例如标点符号。默认值为 ‘!"#$%&()*&#43;,-./:;<&#61;>?&#64;[]^_&#96;{|}~\t\n’&#xff0c;包含标点符号&#xff0c;制表符和换行符等
- lower&#xff1a;布尔值&#xff0c;是否将序列设为小写形式
- split&#xff1a;字符串&#xff0c;单词的分隔符&#xff0c;如空格
- char_level&#xff1a;如果为True&#xff0c;每个字符将被视为一个标记
- oov_token &#xff1a;如果给出&#xff0c;会添加到词索引中&#xff0c;用来替换超出词表的字符。
类方法
- fit_on_texts(texts)
- texts_to_sequences(texts)
- texts&#xff1a;待转为序列的文本列表
- 返回值&#xff1a;序列的列表&#xff0c;列表中每个序列对应于一段输入文本
- fit_on_sequences(sequences)
- sequences&#xff1a;要用以训练的序列列表
- sequences_to_matrix(sequences)
- sequences&#xff1a;待向量化的序列列表
- mode&#xff1a;‘binary’&#xff0c;‘count’&#xff0c;‘tfidf’&#xff0c;‘freq’之一&#xff0c;默认为’binary’
- 返回值&#xff1a;形如(len(sequences), nb_words)的numpy array
属性
- word_counts:字典&#xff0c;将单词&#xff08;字符串&#xff09;映射为它们在训练期间出现的次数。仅在调用fit_on_texts之后设置。
- word_docs: 字典&#xff0c;将单词&#xff08;字符串&#xff09;映射为它们在训练期间所出现的文档或文本的数量。仅在调用fit_on_texts之后设置。
- word_index: 字典&#xff0c;将单词&#xff08;字符串&#xff09;映射为它们的排名或者索引。仅在调用fit_on_texts之后设置。
- document_count: 整数。分词器被训练的文档&#xff08;文本或者序列&#xff09;数量。仅在调用fit_on_texts或fit_on_sequences之后设置
代码
import tensorflow as tf
from tensorflow import keras
from keras.preprocessing.text import Tokenizer
sentences &#61; [&#39;I love my dog&#39;,&#39;I love my cat&#39;,&#39;You love my dog! &#39;]
tokenizer &#61; Tokenizer(num_words &#61; 100,filters&#61;&#39;!"#$%&()*&#43;,-./:;<&#61;>?&#64;[]^_&#96;{|}~tn&#39;,lower&#61;True,split&#61;&#39; &#39;,oov_token&#61;&#39;<00f>&#39;,char_level&#61;False)
tokenizer.fit_on_texts(sentences)
word_index &#61; tokenizer.word_index
print(word_index)
输出&#xff1a;
{&#39;love&#39;: 1, &#39;my&#39;: 2, &#39;i&#39;: 3, &#39;dog&#39;: 4, &#39;ca&#39;: 5, &#39;you&#39;: 6}
我的理解&#xff1a;
将文本中每个词进行编码&#xff0c;然后每个词就有唯一一个索引&#xff0c;这个文本就转换为了数字。
2 tensorflow.keras实现IMDB情感分类实战
数据文件下载
口令&#xff1a;hygu9z
2.1 数据准备
import numpy as np
import tensorflow as tf
import tensorflow.keras as keras
import os
origin_dir &#61; &#39;E:\\黑马课程\\数据集&#39;
train_dir &#61; origin_dir &#43; &#39;\\aclImdb\\train&#39;
test_dir &#61; origin_dir &#43; &#39;\\aclImdb\\test&#39;
texts &#61; []
labels &#61; []
for fname in os.listdir(train_dir&#43;&#39;\\neg&#39;):with open(train_dir&#43;&#39;\\neg\\&#39;&#43;fname,&#39;r&#39;,encoding&#61;&#39;utf8&#39;) as f:texts.append(f.read())labels.append(0)
for fname in os.listdir(train_dir&#43;&#39;\\pos&#39;):with open(train_dir&#43;&#39;\\pos\\&#39;&#43;fname,&#39;r&#39;,encoding&#61;&#39;utf8&#39;) as f:texts.append(f.read())labels.append(1)from sklearn.model_selection import train_test_split
training_sentences,testing_sentences, training_labels,testing_labels &#61; train_test_split(texts,labels, test_size&#61;0.2)
2.2 数据预处理
分词与编码&#xff1a;用 keras.preprocessing.text.Tokenizer 匹配文本 texts. 再用 tokenizer 将文本列表转化为数字列表 sequences&#xff08;列表中的每个元素都是由整数构成的列表&#xff09;。
word_index 是将单词对应到整数的字典&#xff1a;{‘the’:1, ‘and’:2, ‘a’:3, … }
再用 keras.preprocessing.pad_sequences 将列表中每个元素都变成长为 200的整数列表。 返回值是 ndarray&#xff0c;形状为 (25000,200)
vocab_size &#61; 10000 #每个评论加载的最大数据
max_length &#61; 200
trunc_type&#61;&#39;post&#39;
oov_tok &#61; ""from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequencestokenizer &#61; Tokenizer(num_words &#61; vocab_size, oov_token&#61;oov_tok)
tokenizer.fit_on_texts(training_sentences)
word_index &#61; tokenizer.word_index
sequences &#61; tokenizer.texts_to_sequences(training_sentences)
# 填充或者截断评论
padded &#61; pad_sequences(sequences,maxlen&#61;max_length, truncating&#61;trunc_type)testing_sequences &#61; tokenizer.texts_to_sequences(testing_sentences)
testing_padded &#61; pad_sequences(testing_sequences,maxlen&#61;max_length)
# 将键值对换&#xff0c;数字标识在前
reverse_word_index &#61; dict([(value, key) for (key, value) in word_index.items()])
# 查看处理后的数据和之前的数据
def decode_review(text):return &#39; &#39;.join([reverse_word_index.get(i, &#39;?&#39;) for i in text])
2.3 模型训练
简单地建立一个Sequential模型&#xff0c;由三层构成&#xff1a;Embedding,Flatten , Dense.
模型输入参数形状是 (batch_size, 200)&#xff0c;表示由 batch_size 个长度200的整数向量构成。
Embedding层的设定参数是(10000,16)&#xff0c;表示将10000个整数映射到10000个长度为16的向量。
Flatten将向量转换为一维
Dense全连接层用sigmoid激活函数输出一个值&#xff0c;将其二分类。
训练模型10个epoch&#xff0c;batch_size&#61;32
embedding_dim &#61; 16
model &#61; tf.keras.Sequential([tf.keras.layers.Embedding(vocab_size, embedding_dim, input_length&#61;max_length),tf.keras.layers.Flatten(),tf.keras.layers.Dense(6, activation&#61;&#39;relu&#39;),tf.keras.layers.Dense(1, activation&#61;&#39;sigmoid&#39;)
])
model.compile(loss&#61;&#39;binary_crossentropy&#39;,optimizer&#61;&#39;adam&#39;,metrics&#61;[&#39;accuracy&#39;])
model.summary()
# 转换数据&#xff0c;放入模型训练
training_labels_final &#61; np.array(training_labels)
testing_labels_final &#61; np.array(testing_labels)
num_epochs &#61; 10
model.fit(padded, training_labels_final, epochs&#61;num_epochs, validation_data&#61;(testing_padded, testing_labels_final))
2.4 可视化训练效果
import matplotlib.pyplot as plt
acc &#61; history.history[&#39;acc&#39;]
val_acc &#61; history.history[&#39;val_acc&#39;]
plt.plot(np.arange(1,len(acc)&#43;1), acc)
plt.plot(np.arange(1,len(acc)&#43;1), val_acc)
plt.legend([&#39;acc&#39;,&#39;val_acc&#39;])
plt.title(&#39;Accuracy (Non-pretrained embedding & LSTM)&#39;)
plt.figure()loss &#61; history.history[&#39;loss&#39;]
val_loss &#61; history.history[&#39;val_loss&#39;]
plt.plot(np.arange(1,len(loss)&#43;1), loss)
plt.plot(np.arange(1,len(val_loss)&#43;1), val_loss)
plt.legend([&#39;loss&#39;,&#39;val_loss&#39;])
plt.title(&#39;Loss (Non-pretrained embedding & LSTM)&#39;)
plt.show()
2.5 结果预测
预测测试集中前10个&#xff0c;如果需要预测新的文本&#xff0c;需要处理格式为向量
print(model.predict(testing_padded[:10]))