- 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
- 🍖 原作者：K同学啊 | 接辅导、项目定制
数据集：train
一.加载数据
import torch
import torch.nn as nn
import torchvision
from torchvision import transforms,datasets
import os,PIL,pathlib,warnings
warnings.filterwarnings("ignore")
device = torch.device("cuda"if torch.cuda.is_available() else"cpu")
device
#获取数据
import pandas as pd
train_data = pd.read_csv('D:/BaiduNetdiskDownload/train.csv',sep='\t',header=None)
train_data.head() 
#构建数据的迭代器
def coustom_data_iter(texts,labels):
for x,y in zip(texts,labels):
yield x,y
train_iter = coustom_data_iter(train_data[0].values[:],train_data[1].values[:])二.数据处理
1.构建词典
from torchtext.data.utils import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
import jieba
tokenizer =jieba.lcut
def yield_tokens(data_iter):
for text,_ in data_iter:
yield tokenizer(text)
vocab = build_vocab_from_iterator(yield_tokens(train_iter),specials=["<unk>"])
vocab.set_default_index(vocab["<unk>"])
vocab(['随便','播放','一','首','歌','我'])
out：[173, 4, 181, 0, 108, 2]text_pipeline = lambda x: vocab(tokenizer(x))
label_pipeline = lambda x: label_name.index(x)
label_name =list(set(train_data[1].values[:]))
print(label_name)
print(text_pipeline('我想看'))
print(label_pipeline('HomeAppliance-Control'))
创建了两个lambda函数，一个用于将文本转换成词汇索引，另一个用于将标签文本转换成它们在label_name列表中的索引。
除了一般使用
def声明的函数外，Python中还支持lambda匿名函数，可以在任何场合替代def函数。
匿名函数，通常指的是运行时临时创建的，没有显示命名的函数，它允许快速定义简单的函数。语法
lambda arguments ：expression
lambda argument1,argument2...,argumentn : expression using arguments
lambda 是关键字
arguments是参数，可以是0个或多个，用逗号分割
expression是一个表达式，描述了函数的返回值lambda关键字用于创建小巧的匿名函数。lambda a, b: a+b 函数返回两个参数的和。Lambda 函数可用于任何需要函数对象的地方。在语法上，匿名函数只能是单个表达式。在语义上，它只是常规函数定义的语法糖。与嵌套函数定义一样，lambda 函数可以引用包含作用域中的变量。
优点：
简洁：lambda表达式可以快速定义简单的函数，无需使用def语句。
匿名：由于lambda表达式没有正式的函数名称，因此它们是匿名的，可以用于需要短生命周期函数的情况。
轻量级：lambda表达式只包含一个表达式，因此它们占用内存空间较小，适合用于小型任务。
可嵌套：Lambda表达式可以嵌套在其他函数或代码块中使用，使代码更加紧凑。缺点：
只能包含一个表达式：Lambda表达式只能包含一个表达式，这意味着它们不能包含多个语句或复杂逻辑。
调试困难：由于Lambda表达式通常很短，因此很难在调试时设置断点和查看执行流程。
不支持变量定义：Lambda表达式不能定义变量，只能使用已存在的变量。这意味着它们在处理复杂逻辑时可能会受到限制。
性能问题：Lambda表达式可能在性能方面不如使用def语句定义的函数。由于它们通常是轻量级的，因此可能不会进行优化。
2.生成数据批次和迭代器
from torch.utils.data import DataLoader
def collate_batch(batch):
label_list,text_list,offsets=[],[],[0]
for(_text,_label)in batch:
label_list.append(label_pipeline(_label))
processed_text= torch.tensor(text_pipeline(_text),dtype=torch.int64)
text_list.append(processed_text)
offsets.append(processed_text.size(0))
label_list=torch.tensor(label_list,dtype=torch.int64)
text_list=torch.cat(text_list)
offsets=torch.tensor(offsets[:-1]).cumsum(dim=0)
return text_list.to(device),label_list.to(device),offsets.to(device)
dataloader=DataLoader(train_iter,
batch_size=8,
shuffle =False,
collate_fn=collate_batch)collate_batch函数用于处理数据加载器中的批次。它接收一个批次的数据，处理它，并返回适合模型训练的数据格式。在这个函数内部，它遍历批次中的每个文本和标签对，将标签添加到label_list，将文本通过text_pipeline函数处理后转换为tensor，并添加到text_list。
三.模型构建
1.搭建模型
from torch import nn
class TextClassificationModel(nn.Module):
def __init__(self,vocab_size,embed_dim,num_class):
super(TextClassificationModel,self).__init__()
self.embedding = nn.EmbeddingBag(vocab_size,
embed_dim,
sparse=False)
self.fc = nn.Linear(embed_dim,num_class)
self.init_weights()
def init_weights(self):
initrange = 0.5
self.embedding.weight.data.uniform_(-initrange,initrange)
self.fc.weight.data.uniform_(-initrange,initrange)
self.fc.bias.data.zero_()
def forward(self,text,offsets):
embedded=self.embedding(text,offsets)
return self.fc(embedded)Embedding 层 (nn.EmbeddingBag)：
通过 nn.EmbeddingBag 定义了一个嵌入层，用于将文本数据嵌入到低维空间中。
vocab_size 参数指定词典的大小，embed_dim 参数指定嵌入的维度，sparse=False 表示不使用稀疏张量。
全连接层 (nn.Linear)：使用 nn.Linear 定义了一个全连接层，将嵌入后的文本表示映射到最终的类别分数。
输入维度为 embed_dim，输出维度为 num_class（类别的数量）。
初始化权重 (init_weights)：在模型初始化时调用，用于初始化 Embedding 层和全连接层的权重和偏置。
使用均匀分布初始化权重，偏置值被归零。
前向传播 (forward)：接受文本数据 text 和对应的偏移量 offsets 作为输入。
使用 Embedding 层将文本嵌入到低维空间，通过调用 self.embedding(text, offsets) 实现。
将嵌入后的文本表示传递给全连接层，得到最终的类别分数。
2.初始化模型
num_class = len(label_name)
vocab_size = len(vocab)
em_size = 64
model = TextClassificationModel(vocab_size,em_size,num_class).to(device)3.定义训练和评估函数
import time
def train(dataloader):
model.train()
total_acc,train_loss,total_count =0,0,0
log_interval = 50
start_time =time.time()
for idx,(text,label,offsets) in enumerate(dataloader):
predicted_label = model(text,offsets)
optimizer.zero_grad()
loss= criterion(predicted_label,label)
loss.backward()
torch.nn.utils.clip_grad_norm_(model.parameters(),0.1)
optimizer.step()
total_acc +=(predicted_label.argmax(1)==label).sum().item()
train_loss += loss.item()
total_count += label.size(0)
if idx % log_interval == 0 and idx >0:
elapsed = time.time() - start_time
print('| epoch {:1d}|{:4d}/{:4d} batches'
'| train_acc {:4.3f} train_loss{:4.5f}'.format(epoch,idx,len(dataloader),
total_acc/total_count,train_loss/total_count))
total_acc,train_loss,total_count = 0,0,0
start_time =time.time()
def evaluate(dataloader):
model.eval()
total_acc,train_loss,total_count = 0,0,0
with torch.no_grad():
for idx, (text,label,offsets) in enumerate(dataloader):
predicted_label =model(text,offsets)
loss = criterion(predicted_label,label)
total_acc +=(predicted_label.argmax(1) == label).sum().item()
train_loss +=loss.item()
total_count +=label.size(0)
return total_acc/total_count,train_loss/total_counttrain 和 evaluate分别用于训练和评估文本分类模型。
·训练函数 train 的工作流程如下：将模型设置为训练模式。初始化总准确率、训练损失和总计数变量。记录训练开始的时间。遍历数据加载器，对每个批次：进行预测、清零优化器的梯度、计算损失（使用一个损失函数，例如交叉熵）、反向传播计算梯度、通过梯度裁剪防止梯度爆炸、执行一步优化器更新模型权重、更新总准确率和总损失、每隔一定间隔，打印训练进度和统计信息。
·评估函数 evaluate 的工作流程如下：将模型设置为评估模式、初始化总准确率和总损失、不计算梯度（为了节省内存和计算资源）、遍历数据加载器，对每个批次：进行预测、计算损失、
更新总准确率和总损失、返回整体的准确率和平均损失。
四、训练模型
1.拆分数据集并运行模型
from torch.utils.data.dataset import random_split
from torchtext.data.functional import to_map_style_dataset
EPOCHS = 10
LR = 5
BATCH_SIZE= 64
criterion = torch.nn.CrossEntropyLoss()
optimizer =torch.optim.SGD(model.parameters(),lr=LR)
scheduler =torch.optim.lr_scheduler.StepLR(optimizer,1.0,gamma=0.1)
total_accu =None
train_iter = coustom_data_iter(train_data[0].values[:],train_data[1].values[:])
train_dataset = to_map_style_dataset(train_iter)
split_train_,split_valid_=random_split(train_dataset,
[int(len(train_dataset)*0.8),int(len(train_dataset)*0.2)])
train_dataloader =DataLoader(split_train_,batch_size=BATCH_SIZE,
shuffle=True,collate_fn=collate_batch)
valid_dataloader = DataLoader(split_valid_,batch_size=BATCH_SIZE,
shuffle=True,collate_fn=collate_batch)
for epoch in range(1,EPOCHS + 1):
epoch_start_time =time.time()
train(train_dataloader)
val_acc,val_loss = evaluate(valid_dataloader)
lr= optimizer.state_dict()['param_groups'][0]['lr']
if total_accu is not None and total_accu > val_acc:
scheduler.step()
else:
total_accu = val_acc
print('-'* 69)
print('|epoch {:1d} |time: {:4.2f}s | '
'valid_acc{:4.3f} valid_loss{:4.3f} | lr{:4.6f}'.format(epoch,
time.time()- epoch_start_time,
val_acc,val_loss,lr))
print('-'* 69)2.测试数据
def predict(text,text_pipeline):
with torch.no_grad():
text = torch.tensor(text_pipeline(text))
output =model(text,torch.tensor([0]))
return output.argmax(1).item()
ex_text_str="还有双鸭山到淮阴的汽车票吗13号的"
model =model.to("cpu")
print("该文本的类别是：%s"%label_name[predict(ex_text_str,text_pipeline)])
该文本的类别是：Travel-Query
