基於pytorch的CNN、LSTM神經網絡模型調參小結
阿新 • • 發佈：2017-09-03
shu 結合 手動 ces hid open ont 16px nbsp
（Demo）
- 這是最近兩個月來的一個小總結，實現的demo已經上傳github，裏面包含了CNN、LSTM、BiLSTM、GRU以及CNN與LSTM、BiLSTM的結合還有多層多通道CNN、LSTM、BiLSTM等多個神經網絡模型的的實現。這篇文章總結一下最近一段時間遇到的問題、處理方法和相關策略，以及經驗（其實並沒有什麽經驗）等，白菜一枚。
-
Demo Site: https://github.com/bamtercelboo/cnn-lstm-bilstm-deepcnn-clstm-in-pytorch
（一） Pytorch簡述
-
Pytorch是一個較新的深度學習框架，是一個 Python 優先的深度學習框架，能夠在強大的 GPU 加速基礎上實現張量和動態神經網絡。
（二） CNN、LSTM
-
卷積神經網絡CNN理解參考（https://www.zybuluo.com/hanbingtao/note/485480）
-
長短時記憶網絡LSTM理解參考（https://zybuluo.com/hanbingtao/note/581764）
（三）數據預處理
1、我現在使用的語料是基本規範的數據（例如下），但是加載語料數據的過程中仍然存在著一些需要預處理的地方，像一些數據的大小寫、數字的處理以及“\n \t”等一些字符，現在使用torchtext第三方庫進行加載數據預處理。
-
You Should Pay Nine Bucks for This : Because you can hear about suffering Afghan refugees on the news and
View Codestill be unaffected . ||| 2 Dramas like this make it human . ||| 4
2、torch建立詞表、處理語料數據的大小寫：
-
import torchtext.data as data # lower word text_field = data.Field(lower=True)
View Code
3、處理語料數據數字等特殊字符：
-
1 from torchtext import data 2 def clean_str(string): 3 string = re.sub(r"
View Code[^A-Za-z0-9(),!?\‘\`]", " ", string) 4 string = re.sub(r"\‘s", " \‘s", string) 5 string = re.sub(r"\‘ve", " \‘ve", string) 6 string = re.sub(r"n\‘t", " n\‘t", string) 7 string = re.sub(r"\‘re", " \‘re", string) 8 string = re.sub(r"\‘d", " \‘d", string) 9 string = re.sub(r"\‘ll", " \‘ll", string) 10 string = re.sub(r",", " , ", string) 11 string = re.sub(r"!", " ! ", string) 12 string = re.sub(r"\(", " \( ", string) 13 string = re.sub(r"\)", " \) ", string) 14 string = re.sub(r"\?", " \? ", string) 15 string = re.sub(r"\s{2,}", " ", string) 16 return string.strip() 17 18 text_field.preprocessing = data.Pipeline(clean_str)
4、需要註意的地方：
- 加載數據集的時候可以使用random打亂數據
-
1 if shuffle: 2 random.shuffle(examples_train) 3 random.shuffle(examples_dev) 4 random.shuffle(examples_test)
View Code
- torchtext建立訓練集、開發集、測試集叠代器的時候，可以選擇在每次叠代的時候是否去打亂數據
-
1 class Iterator(object): 2 """Defines an iterator that loads batches of data from a Dataset. 3 4 Attributes: 5 dataset: The Dataset object to load Examples from. 6 batch_size: Batch size. 7 sort_key: A key to use for sorting examples in order to batch together 8 examples with similar lengths and minimize padding. The sort_key 9 provided to the Iterator constructor overrides the sort_key 10 attribute of the Dataset, or defers to it if None. 11 train: Whether the iterator represents a train set. 12 repeat: Whether to repeat the iterator for multiple epochs. 13 shuffle: Whether to shuffle examples between epochs. 14 sort: Whether to sort examples according to self.sort_key. 15 Note that repeat, shuffle, and sort default to train, train, and 16 (not train). 17 device: Device to create batches on. Use -1 for CPU and None for the 18 currently active GPU device. 19 """
View Code
（四）Word Embedding
1、word embedding簡單來說就是語料中每一個單詞對應的其相應的詞向量，目前訓練詞向量的方式最使用的應該是word2vec（參考 http://www.cnblogs.com/bamtercelboo/p/7181899.html）
2、上文中已經通過torchtext建立了相關的詞匯表，加載詞向量有兩種方式，一個是加載外部根據語料訓練好的預訓練詞向量，另一個方式是隨機初始化詞向量，兩種方式相互比較的話當時是使用預訓練好的詞向量效果會好很多，但是自己訓練的詞向量並不見得會有很好的效果，因為語料數據可能不足，像已經訓練好的詞向量，像Google News那個詞向量，是業界公認的詞向量，但是由於數量巨大，如果硬件設施（GPU）不行的話，還是不要去嘗試這個了。
3、提供幾個下載預訓練詞向量的地址
-
word2vec-GoogleNews-vectors(https://github.com/mmihaltz/word2vec-GoogleNews-vectors)
- glove-vectors (https://nlp.stanford.edu/projects/glove/)
4、加載外部詞向量方式
- 加載詞匯表中在詞向量裏面能夠找到的詞向量
-
1 # load word embedding 2 def load_my_vecs(path, vocab, freqs): 3 word_vecs = {} 4 with open(path, encoding="utf-8") as f: 5 count = 0 6 lines = f.readlines()[1:] 7 for line in lines: 8 values = line.split(" ") 9 word = values[0] 10 # word = word.lower() 11 count += 1 12 if word in vocab: # whether to judge if in vocab 13 vector = [] 14 for count, val in enumerate(values): 15 if count == 0: 16 continue 17 vector.append(float(val)) 18 word_vecs[word] = vector 19 return word_vecs
View Code -
處理詞匯表中在詞向量裏面找不到的word，俗稱OOV(out of vocabulary)，OOV越多，可能對加過的影響也就越大，所以對OOV詞的處理就顯得尤為關鍵，現在有幾種策略可以參考：
- 對已經找到的詞向量平均化
-
1 # solve unknown by avg word embedding 2 def add_unknown_words_by_avg(word_vecs, vocab, k=100): 3 # solve unknown words inplaced by zero list 4 word_vecs_numpy = [] 5 for word in vocab: 6 if word in word_vecs: 7 word_vecs_numpy.append(word_vecs[word]) 8 print(len(word_vecs_numpy)) 9 col = [] 10 for i in range(k): 11 sum = 0.0 12 # for j in range(int(len(word_vecs_numpy) / 4)): 13 for j in range(int(len(word_vecs_numpy))): 14 sum += word_vecs_numpy[j][i] 15 sum = round(sum, 6) 16 col.append(sum) 17 zero = [] 18 for m in range(k): 19 # avg = col[m] / (len(col) * 5) 20 avg = col[m] / (len(word_vecs_numpy)) 21 avg = round(avg, 6) 22 zero.append(float(avg)) 23 24 list_word2vec = [] 25 oov = 0 26 iov = 0 27 for word in vocab: 28 if word not in word_vecs: 29 # word_vecs[word] = np.random.uniform(-0.25, 0.25, k).tolist() 30 # word_vecs[word] = [0.0] * k 31 oov += 1 32 word_vecs[word] = zero 33 list_word2vec.append(word_vecs[word]) 34 else: 35 iov += 1 36 list_word2vec.append(word_vecs[word]) 37 print("oov count", oov) 38 print("iov count", iov) 39 return list_word2vec
View Code - 隨機初始化或者全部取zero,隨機初始化或者是取zero,可以是所有的OOV都使用一個隨機值，也可以每一個OOV word都是隨機的，具體效果看自己效果
- 隨機初始化的值看過幾篇論文，有的隨機初始化是在(-0.25,0.25)或者是(-0.1,0.1)之間，具體的效果可以自己去測試一下，不同的數據集，不同的外部詞向量估計效果不一樣，我測試的結果是0.25要好於0.1
-
1 # solve unknown word by uniform(-0.25,0.25) 2 def add_unknown_words_by_uniform(word_vecs, vocab, k=100): 3 list_word2vec = [] 4 oov = 0 5 iov = 0 6 # uniform = np.random.uniform(-0.25, 0.25, k).round(6).tolist() 7 for word in vocab: 8 if word not in word_vecs: 9 oov += 1 10 word_vecs[word] = np.random.uniform(-0.25, 0.25, k).round(6).tolist() 11 # word_vecs[word] = np.random.uniform(-0.1, 0.1, k).round(6).tolist() 12 # word_vecs[word] = uniform 13 list_word2vec.append(word_vecs[word]) 14 else: 15 iov += 1 16 list_word2vec.append(word_vecs[word]) 17 print("oov count", oov) 18 print("iov count", iov) 19 return list_word2vec
View Code - 特別需要註意處理後的OOV詞向量是否在一定的範圍之內，這個一定要在處理之後手動或者是demo查看一下，想處理出來的詞向量大於15,30的這種，可能就是你自己處理方式的問題，也可以是說是你自己demo可能存在bug，對結果的影響很大。
1 if shuffle: 2 random.shuffle(examples_train) 3 random.shuffle(examples_dev) 4 random.shuffle(examples，
基於pytorch的CNN、LSTM神經網絡模型調參小結