欢迎来到我的博客，你将找到有关如何使用技术解决问题的文章，也会找到某个技术的学习路线。无论你是何种职业，我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章，也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。谢谢你的光临，让我们一起踏上这个知识之旅！
文章目录
復引言復完整代码復代码分析復导库復设置日志復模型定义復GCNN復TextClassificationModel
復准备IMDb数据集復整理函数復训练函数復模型初始化和优化器復加载用于训练和评估的数据復恢复训练復调用训练
復保存文件的读取復扩展 LSTM、GRU復总结
復引言
本文使用IMDB数据集，结合pytorch进行情感分析
復完整代码
import torch
import torch.nn as nn
import torch.nn.functional as F
from sklearn.metrics import precision_score, recall_score, f1_score, accuracy_score
from torch import utils
import torchtext
from tqdm import tqdm
from torchtext.datasets import IMDB
from torchtext.datasets.imdb import NUM_LINES
from torchtext.data import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
from torchtext.data.functional import to_map_style_dataset
import os
import sys
import logging
import logging
logging.basicConfig(
level=logging.WARN, stream=sys.stdout, format = "%(asctime)s (%(module)s:%(lineno)d) %(levelname)s: %(message)s")
VOCAB_SIZE = 15000
# step1 编写GCNN模型代码，门(Gate)卷积网络
class GCNN(nn.Module):
def __init__(self, vocab_size=VOCAB_SIZE, embedding_dim=64, num_class=2):
super(GCNN, self).__init__()
self.embedding_table = nn.Embedding(vocab_size, embedding_dim)
nn.init.xavier_uniform_(self.embedding_table.weight)
# 都是1维卷积
self.conv_A_1 = nn.Conv1d(embedding_dim, 64, 15, stride=7)
self.conv_B_1 = nn.Conv1d(embedding_dim, 64, 15, stride=7)
self.conv_A_2 = nn.Conv1d(64, 64, 15, stride=7)
self.conv_B_2 = nn.Conv1d(64, 64, 15, stride=7)
self.output_linear1 = nn.Linear(64, 128)
self.output_linear2 = nn.Linear(128, num_class)
def forward(self, word_index):
"""
定义GCN网络的算子操作流程，基于句子单词ID输入得到分类logits输出
"""
# 1. 通过word_index得到word_embedding
# word_index shape: [bs, max_seq_len]
word_embedding = self.embedding_table(word_index) # [bs, max_seq_len, embedding_dim]
# 2. 编写第一层1D门卷积模块，通道数在第2维
word_embedding = word_embedding.transpose(1, 2) # [bs, embedding_dim, max_seq_len]
A = self.conv_A_1(word_embedding)
B = self.conv_B_1(word_embedding)
H = A * torch.sigmoid(B) # [bs, 64, max_seq_len]
A = self.conv_A_2(H)
B = self.conv_B_2(H)
H = A * torch.sigmoid(B) # [bs, 64, max_seq_len]
# 3. 池化并经过全连接层
pool_output = torch.mean(H, dim=-1) # 平均池化，得到[bs, 4096]
linear1_output = self.output_linear1(pool_output)
# 最后一层需要设置为隐含层数目
logits = self.output_linear2(linear1_output) # [bs, 2]
return logits
# PyTorch官网的简单模型
class TextClassificationModel(nn.Module):
"""
简单版embedding.DNN模型
"""
def __init__(self, vocab_size=VOCAB_SIZE, embed_dim=64, num_class=2):
super(TextClassificationModel, self).__init__()
self.embedding = nn.EmbeddingBag(vocab_size, embed_dim, sparse=False)
self.fc = nn.Linear(embed_dim, num_class)
def forward(self, token_index):
# 词袋
embedded = self.embedding(token_index) # shape: [bs, embedding_dim]
return self.fc(embedded)
# step2 构建IMDB Dataloader
BATCH_SIZE = 64
def yeild_tokens(train_data_iter, tokenizer):
for i, sample in enumerate(train_data_iter):
label, comment = sample
yield tokenizer(comment) # 字符串转换为token索引的列表
train_data_iter = IMDB(root="./data", split="train") # Dataset类型的对象
tokenizer = get_tokenizer("basic_english")
# 只使用出现次数大约20的token
vocab = build_vocab_from_iterator(yeild_tokens(train_data_iter, tokenizer), min_freq=20, specials=["
vocab.set_default_index(0) # 特殊索引设置为0
print(f'单词表大小: len(vocab)')
# 校对函数, batch是dataset返回值，主要是处理batch一组数据
def collate_fn(batch):
"""
对DataLoader所生成的mini-batch进行后处理
"""
target = []
token_index = []
max_length = 0 # 最大的token长度
for i, (label, comment) in enumerate(batch):
tokens = tokenizer(comment)
token_index.append(vocab(tokens)) # 字符列表转换为索引列表
# 确定最大的句子长度
if len(tokens) > max_length:
max_length = len(tokens)
if label == "pos":
target.append(0)
else:
target.append(1)
token_index = [index + [0] * (max_length - len(index)) for index in token_index]
# one-hot接收长整形的数据，所以要转换为int64
return (torch.tensor(target).to(torch.int64), torch.tensor(token_index).to(torch.int32))
# step3 编写训练代码
def train(train_data_loader, eval_data_loader, model, optimizer, num_epoch, log_step_interval, save_step_interval, eval_step_interval, save_path, resume=""):
"""
此处data_loader是map-style dataset
"""
start_epoch = 0
start_step = 0
if resume != "":
# 加载之前训练过的模型的参数文件
logging.warning(f"loading from resume")
checkpoint = torch.load(resume)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
start_epoch = checkpoint['epoch']
start_step = checkpoint['step']
for epoch_index in tqdm(range(start_epoch, num_epoch), desc="epoch"):
ema_loss = 0
total_acc_account = 0
total_account = 0
true_labels = []
predicted_labels = []
num_batches = len(train_data_loader)
for batch_index, (target, token_index) in enumerate(train_data_loader):
optimizer.zero_grad()
step = num_batches * (epoch_index) + batch_index + 1
logits = model(token_index)
# one-hot需要转换float32才可以训练
bce_loss = F.binary_cross_entropy(torch.sigmoid(logits), F.one_hot(target, num_classes=2).to(torch.float32))
ema_loss = 0.9 * ema_loss + 0.1 * bce_loss # 指数平均loss
bce_loss.backward()
nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度的正则进行截断，保证训练稳定
optimizer.step() # 更新参数
true_labels.extend(target.tolist())
predicted_labels.extend(torch.argmax(logits, dim=-1).tolist())
if step % log_step_interval == 0:
logging.warning(f"epoch_index: {epoch_index}, batch_index: {batch_index}, ema_loss: {ema_loss}")
if step % save_step_interval == 0:
os.makedirs(save_path, exist_ok=True)
save_file = os.path.join(save_path, f"step_{step}.pt")
torch.save({
"epoch": epoch_index,
"step": step,
"model_state_dict": model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': bce_loss
}, save_file)
logging.warning(f"checkpoint has been saved in {save_file}")
if step % save_step_interval == 0:
os.makedirs(save_path, exist_ok=True)
save_file = os.path.join(save_path, f"step_{step}.pt")
torch.save({
"epoch": epoch_index,
"step": step,
"model_state_dict": model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': bce_loss,
'accuracy': accuracy,
'precision': precision,
'recall': recall,
'f1': f1
}, save_file)
logging.warning(f"checkpoint has been saved in {save_file}")
if step % eval_step_interval == 0:
logging.warning("start to do evaluation...")
model.eval()
ema_eval_loss = 0
total_acc_account = 0
total_account = 0
true_labels = []
predicted_labels = []
for eval_batch_index, (eval_target, eval_token_index) in enumerate(eval_data_loader):
total_account += eval_target.shape[0]
eval_logits = model(eval_token_index)
total_acc_account += (torch.argmax(eval_logits, dim=-1) == eval_target).sum().item()
eval_bce_loss = F.binary_cross_entropy(torch.sigmoid(eval_logits),
F.one_hot(eval_target, num_classes=2).to(torch.float32))
ema_eval_loss = 0.9 * ema_eval_loss + 0.1 * eval_bce_loss
true_labels.extend(eval_target.tolist())
predicted_labels.extend(torch.argmax(eval_logits, dim=-1).tolist())
accuracy = accuracy_score(true_labels, predicted_labels)
precision = precision_score(true_labels, predicted_labels)
recall = recall_score(true_labels, predicted_labels)
f1 = f1_score(true_labels, predicted_labels)
logging.warning(f"ema_eval_loss: {ema_eval_loss}, eval_acc: {total_acc_account / total_account}")
logging.warning(f"Precision: {precision}, Recall: {recall}, F1: {f1}, Accuracy: {accuracy}")
model.train()
model = GCNN()
# model = TextClassificationModel()
print("模型总参数:", sum(p.numel() for p in model.parameters()))
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
train_data_iter = IMDB(root="data", split="train") # Dataset类型的对象
train_data_loader = torch.utils.data.DataLoader(
to_map_style_dataset(train_data_iter), batch_size=BATCH_SIZE, collate_fn=collate_fn, shuffle=True)
eval_data_iter = IMDB(root="data", split="test") # Dataset类型的对象
# collate校对
eval_data_loader = utils.data.DataLoader(
to_map_style_dataset(eval_data_iter), batch_size=8, collate_fn=collate_fn)
# resume = "./data/step_500.pt"
resume = ""
train(train_data_loader, eval_data_loader, model, optimizer, num_epoch=10, log_step_interval=20, save_step_interval = 500, eval_step_interval = 300, save_path = "./log_imdb_text_classification2", resume = resume)
復代码分析
復导库
首先导入需要的库
import torch
import torch.nn as nn
import torch.nn.functional as F
from sklearn.metrics import precision_score, recall_score, f1_score, accuracy_score
from torch import utils
import torchtext
from tqdm import tqdm
from torchtext.datasets import IMDB
torch (PyTorch): PyTorch 是一个用于机器学习和深度学习的开源深度学习框架。它提供了张量计算、自动微分、神经网络层和优化器等功能，使用户能够构建和训练深度学习模型。 torch.nn: torch.nn 模块包含了PyTorch中用于构建神经网络模型的类和函数。它包括各种神经网络层、损失函数和优化器等。 torch.nn.functional: torch.nn.functional 模块提供了一组函数，用于构建神经网络的非参数化操作，如激活函数、池化和卷积等。这些函数通常与torch.nn一起使用。 sklearn.metrics (scikit-learn): scikit-learn是一个用于机器学习的Python库，其中包含了一系列用于评估模型性能的度量工具。导入的precision_score、recall_score、f1_score 和 accuracy_score 用于计算分类模型的精确度、召回率、F1分数和准确性。 torch.utils: torch.utils 包含了一些实用工具和数据加载相关的函数。在这段代码中，它用于构建数据加载器。 torchtext: torchtext 是一个PyTorch的自然语言处理库，用于文本数据的处理和加载。它提供了用于文本数据预处理和构建数据集的功能。 tqdm: tqdm 是一个Python库，用于创建进度条，可用于监视循环迭代的进度。在代码中，它用于显示训练和评估的进度。 torchtext.datasets.IMDB: torchtext.datasets.IMDB 是TorchText库中的一个数据集，包含了IMDb电影评论的数据。这些评论用于情感分析任务，其中评论被标记为积极或消极。
復设置日志
logging.basicConfig(
level=logging.WARN, stream=sys.stdout, format="%(asctime)s (%(module)s:%(lineno)d) %(levelname)s: %(message)s"
)
在代码中设置日志的作用是记录程序的运行状态、调试信息和重要事件，以便在开发和生产环境中更轻松地诊断问题和了解程序的行为。设置日志有以下作用：
问题诊断：当程序出现错误或异常时，日志记录可以提供有关错误发生的位置、原因和上下文的信息。这有助于开发人员快速定位和修复问题。 性能分析：通过记录程序的运行时间和关键操作的时间戳，日志可以用于性能分析，帮助开发人员识别潜在的性能瓶颈。 跟踪进度：在长时间运行的任务中，例如训练深度学习模型，日志记录可以帮助跟踪任务的进度，以便了解训练状态、完成的步骤和剩余时间。 监控和警报：日志可以与监控系统集成，以便在发生关键事件或异常情况时触发警报。这对于及时响应问题非常重要。 审计和合规：在某些应用中，日志记录是合规性的一部分，用于追踪系统的操作和用户的活动。日志可以用于审计和调查。
在上述代码中，设置日志的目的是跟踪训练进度、记录训练损失以及保存检查点。它允许开发人员监视模型训练的进展并在需要时查看详细信息，例如损失值和评估指标。此外，日志还可以用于调试和查看模型性能。
復模型定义
代码定义了两个模型：
GCNN：用于文本分类的门控卷积神经网络。
TextClassificationModel：使用嵌入和线性层的简单文本分类模型。
復GCNN
class GCNN(nn.Module):
def __init__(self, vocab_size=VOCAB_SIZE, embedding_dim=64, num_class=2):
super(GCNN, self).__init__()
self.embedding_table = nn.Embedding(vocab_size, embedding_dim)
nn.init.xavier_uniform_(self.embedding_table.weight)
# 都是1维卷积
self.conv_A_1 = nn.Conv1d(embedding_dim, 64, 15, stride=7)
self.conv_B_1 = nn.Conv1d(embedding_dim, 64, 15, stride=7)
self.conv_A_2 = nn.Conv1d(64, 64, 15, stride=7)
self.conv_B_2 = nn.Conv1d(64, 64, 15, stride=7)
self.output_linear1 = nn.Linear(64, 128)
self.output_linear2 = nn.Linear(128, num_class)
def forward(self, word_index):
"""
定义GCN网络的算子操作流程，基于句子单词ID输入得到分类logits输出
"""
# 1. 通过word_index得到word_embedding
# word_index shape: [bs, max_seq_len]
word_embedding = self.embedding_table(word_index) # [bs, max_seq_len, embedding_dim]
# 2. 编写第一层1D门卷积模块，通道数在第2维
word_embedding = word_embedding.transpose(1, 2) # [bs, embedding_dim, max_seq_len]
A = self.conv_A_1(word_embedding)
B = self.conv_B_1(word_embedding)
H = A * torch.sigmoid(B) # [bs, 64, max_seq_len]
A = self.conv_A_2(H)
B = self.conv_B_2(H)
H = A * torch.sigmoid(B) # [bs, 64, max_seq_len]
# 3. 池化并经过全连接层
pool_output = torch.mean(H, dim=-1) # 平均池化，得到[bs, 4096]
linear1_output = self.output_linear1(pool_output)
# 最后一层需要设置为隐含层数目
logits = self.output_linear2(linear1_output) # [bs, 2]
return logits
復TextClassificationModel
class TextClassificationModel(nn.Module):
"""
简单版embedding.DNN模型
"""
def __init__(self, vocab_size=VOCAB_SIZE, embed_dim=64, num_class=2):
super(TextClassificationModel, self).__init__()
self.embedding = nn.EmbeddingBag(vocab_size, embed_dim, sparse=False)
self.fc = nn.Linear(embed_dim, num_class)
def forward(self, token_index):
# 词袋
embedded = self.embedding(token_index) # shape: [bs, embedding_dim]
return self.fc(embedded)
復准备IMDb数据集
这行代码使用TorchText的IMDB数据集对象，导入IMDb数据集的训练集部分。
# 数据集导入
train_data_iter = IMDB(root="./data", split="train")
这行代码创建了一个用于将文本分词为单词的分词器。
# 数据预处理
tokenizer = get_tokenizer("basic_english")
这里，build_vocab_from_iterator 函数根据文本数据创建了一个词汇表，只包括出现频率大于等于20次的单词。特殊标记用于处理未知单词。然后，set_default_index将特殊标记的索引设置为0。
# 构建词汇表
vocab = build_vocab_from_iterator(yeild_tokens(train_data_iter, tokenizer), min_freq=20, specials=["
vocab.set_default_index(0)
这是一个自定义的校对函数，用于处理DataLoader返回的批次数据，将文本转换为可以输入模型的张量形式。
def collate_fn(batch):
"""
对DataLoader所生成的mini-batch进行后处理
"""
target = []
token_index = []
max_length = 0 # 最大的token长度
for i, (label, comment) in enumerate(batch):
tokens = tokenizer(comment)
token_index.append(vocab(tokens)) # 字符列表转换为索引列表
# 确定最大的句子长度
if len(tokens) > max_length:
max_length = len(tokens)
if label == "pos":
target.append(0)
else:
target.append(1)
token_index = [index + [0] * (max_length - len(index)) for index in token_index]
# one-hot接收长整形的数据，所以要转换为int64
return (torch.tensor(target).to(torch.int64), torch.tensor(token_index).to(torch.int32))
这行代码将IMDb训练数据集加载到DataLoader对象中，以便进行模型训练。collate_fn函数用于处理数据的批处理。
train_data_loader = torch.utils.data.DataLoader(
to_map_style_dataset(train_data_iter), batch_size=BATCH_SIZE, collate_fn=collate_fn, shuffle=True)
上述代码块执行了IMDb数据集的准备工作，包括导入数据、分词、构建词汇表和设置数据加载器。这些步骤是为了使数据集可用于训练文本分类模型。
復整理函数
这个 collate_fn 函数用于对 DataLoader 批次中的数据进行处理，确保每个批次中的文本序列具有相同的长度，并将标签转换为适用于模型输入的张量形式。它的工作包括以下几个方面：
提取标签和评论文本。
使用分词器将评论文本分词为单词。
确定批次中最长评论的长度。
根据最长评论的长度，将所有评论的单词索引序列填充到相同的长度。
将标签转换为适当的张量形式（这里是将标签转换为长整数型）。
返回处理后的批次数据，其中包括标签和填充后的单词索引序列。
这个整理函数确保了模型在训练期间能够处理不同长度的文本序列，并将它们转换为模型可接受的张量输入。
復训练函数
def train(train_data_loader, eval_data_loader, model, optimizer, num_epoch, log_step_interval, save_step_interval, eval_step_interval, save_path, resume=""):
"""
此处data_loader是map-style dataset
"""
start_epoch = 0
start_step = 0
if resume != "":
# 加载之前训练过的模型的参数文件
logging.warning(f"loading from resume")
checkpoint = torch.load(resume)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
start_epoch = checkpoint['epoch']
start_step = checkpoint['step']
for epoch_index in tqdm(range(start_epoch, num_epoch), desc="epoch"):
ema_loss = 0
total_acc_account = 0
total_account = 0
true_labels = []
predicted_labels = []
num_batches = len(train_data_loader)
for batch_index, (target, token_index) in enumerate(train_data_loader):
optimizer.zero_grad()
step = num_batches * (epoch_index) + batch_index + 1
logits = model(token_index)
# one-hot需要转换float32才可以训练
bce_loss = F.binary_cross_entropy(torch.sigmoid(logits), F.one_hot(target, num_classes=2).to(torch.float32))
ema_loss = 0.9 * ema_loss + 0.1 * bce_loss # 指数平均loss
bce_loss.backward()
nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度的正则进行截断，保证训练稳定
optimizer.step() # 更新参数
true_labels.extend(target.tolist())
predicted_labels.extend(torch.argmax(logits, dim=-1).tolist())
if step % log_step_interval == 0:
logging.warning(f"epoch_index: {epoch_index}, batch_index: {batch_index}, ema_loss: {ema_loss}")
if step % save_step_interval == 0:
os.makedirs(save_path, exist_ok=True)
save_file = os.path.join(save_path, f"step_{step}.pt")
torch.save({
"epoch": epoch_index,
"step": step,
"model_state_dict": model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': bce_loss
}, save_file)
logging.warning(f"checkpoint has been saved in {save_file}")
if step % save_step_interval == 0:
os.makedirs(save_path, exist_ok=True)
save_file = os.path.join(save_path, f"step_{step}.pt")
torch.save({
"epoch": epoch_index,
"step": step,
"model_state_dict": model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': bce_loss,
'accuracy': accuracy,
'precision': precision,
'recall': recall,
'f1': f1
}, save_file)
logging.warning(f"checkpoint has been saved in {save_file}")
if step % eval_step_interval == 0:
logging.warning("start to do evaluation...")
model.eval()
ema_eval_loss = 0
total_acc_account = 0
total_account = 0
true_labels = []
predicted_labels = []
for eval_batch_index, (eval_target, eval_token_index) in enumerate(eval_data_loader):
total_account += eval_target.shape[0]
eval_logits = model(eval_token_index)
total_acc_account += (torch.argmax(eval_logits, dim=-1) == eval_target).sum().item()
eval_bce_loss = F.binary_cross_entropy(torch.sigmoid(eval_logits),
F.one_hot(eval_target, num_classes=2).to(torch.float32))
ema_eval_loss = 0.9 * ema_eval_loss + 0.1 * eval_bce_loss
true_labels.extend(eval_target.tolist())
predicted_labels.extend(torch.argmax(eval_logits, dim=-1).tolist())
accuracy = accuracy_score(true_labels, predicted_labels)
precision = precision_score(true_labels, predicted_labels)
recall = recall_score(true_labels, predicted_labels)
f1 = f1_score(true_labels, predicted_labels)
logging.warning(f"ema_eval_loss: {ema_eval_loss}, eval_acc: {total_acc_account / total_account}")
logging.warning(f"Precision: {precision}, Recall: {recall}, F1: {f1}, Accuracy: {accuracy}")
model.train()
这段代码定义了一个名为 train 的函数，用于执行训练过程。下面是该函数的详细说明：
train 函数接受以下参数：
train_data_loader: 训练数据的 DataLoader，用于迭代训练数据。
eval_data_loader: 用于评估的 DataLoader，用于评估模型性能。
model: 要训练的神经网络模型。
optimizer: 用于更新模型参数的优化器。
num_epoch: 训练的总周期数。
log_step_interval: 记录日志的间隔步数。
save_step_interval: 保存模型检查点的间隔步数。
eval_step_interval: 执行评估的间隔步数。
save_path: 保存模型检查点的目录。
resume: 可选的，用于恢复训练的检查点文件路径。
训练函数的主要工作如下：
它首先检查是否有恢复训练的检查点文件。如果有，它会加载之前训练的模型参数和优化器状态，以便继续训练。
然后，它开始进行一系列的训练周期（epochs），每个周期内包含多个训练步（batches）。
在每个训练步中，它执行以下操作：
零化梯度，以准备更新模型参数。
计算模型的预测输出（logits）。
计算二进制交叉熵损失（binary cross-entropy loss）。
使用反向传播（backpropagation）计算梯度并更新模型参数。
记录损失、真实标签和预测标签。
如果步数达到了 log_step_interval，则记录损失。
如果步数达到了 save_step_interval，则保存模型检查点。
如果步数达到了 eval_step_interval，则执行评估：
将模型切换到评估模式（model.eval()）。
对评估数据集中的每个批次执行以下操作：
计算模型的预测输出。
计算二进制交叉熵损失。
计算准确性、精确度、召回率和F1分数。
记录评估损失和评估指标。
将模型切换回训练模式（model.train()）。
最后，训练函数返回经过训练的模型。
这个训练函数执行了完整的训练过程，包括了模型的前向传播、损失计算、梯度更新、日志记录、模型检查点的保存和评估。通过调用这个函数，你可以训练模型并监视其性能。
復模型初始化和优化器
model = GCNN()
# model = TextClassificationModel()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
復加载用于训练和评估的数据
在提供的代码中，加载用于训练和评估的数据的部分如下：
train_data_iter = IMDB(root="data", split="train")
这一行代码使用 TorchText 的 IMDB 数据集对象，导入 IMDB 数据集的训练集部分。这部分数据将用于模型的训练。
eval_data_iter = IMDB(root="data", split="test")
这一行代码使用 TorchText 的 IMDB 数据集对象，导入 IMDB 数据集的测试集部分。这部分数据将用于评估模型的性能。
之后，这些数据集通过以下代码转化为 DataLoader 对象，以便用于模型训练和评估：
# 训练数据 DataLoader
train_data_loader = torch.utils.data.DataLoader(
to_map_style_dataset(train_data_iter), batch_size=BATCH_SIZE, collate_fn=collate_fn, shuffle=True)
# 评估数据 DataLoader
eval_data_loader = utils.data.DataLoader(
to_map_style_dataset(eval_data_iter), batch_size=8, collate_fn=collate_fn)
这些 DataLoader 对象将数据加载到内存中，以便训练和评估使用。collate_fn 函数用于处理数据的批次，确保它们具有适当的格式，以便输入到模型中。
这些部分负责加载和准备用于训练和评估的数据，是机器学习模型训练和评估的重要准备步骤。训练数据用于训练模型，而评估数据用于评估模型的性能。
復恢复训练
start_epoch = 0
start_step = 0
if resume != "":
# 加载之前训练过的模型的参数文件
logging.warning(f"loading from resume")
checkpoint = torch.load(resume)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
start_epoch = checkpoint['epoch']
start_step = checkpoint['step']
上述代码段位于训练函数中的开头部分，主要用于检查是否有已经训练过的模型的检查点文件，以便继续训练。具体解释如下：
如果 resume 变量不为空（即存在要恢复的检查点文件路径），则执行以下操作： 通过 torch.load 加载之前训练过的模型的检查点文件。 使用 load_state_dict 方法将已保存的模型参数加载到当前的模型中，以便继续训练。 同样，使用 load_state_dict 方法将已保存的优化器状态加载到当前的优化器中，以确保继续从之前的状态开始训练。 获取之前训练的轮数和步数，以便从恢复的状态继续训练。
这部分代码的目的是允许从之前保存的模型检查点继续训练，而不是从头开始。这对于长时间运行的训练任务非常有用，可以在中途中断训练并在之后恢复，而不会丢失之前的训练进度。
復调用训练
train(train_data_loader, eval_data_loader, model, optimizer, num_epoch=10, log_step_interval=20, save_step_interval=500, eval_step_interval=300, save_path="./log_imdb_text_classification2", resume=resume)
復保存文件的读取
import torch
# 指定已存在的 .pt 文件路径
file_path = "./log_imdb_text_classification/step_3500.pt" # 替换为实际的文件路径
# 使用 torch.load() 加载文件
checkpoint = torch.load(file_path)
# 查看准确率、精确率、召回率和F1分数
accuracy = checkpoint["accuracy"]
precision = checkpoint["precision"]
recall = checkpoint["recall"]
f1 = checkpoint["f1"]
print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1 Score:", f1)
復扩展 LSTM、GRU
本文原作者使用的是卷积神经网络，但是卷积神经网络的优化模型GCNN，但是这个模型对于图更好，由此我接下来引入两个循环神经网络LSTM和GRU
class LSTMModel(nn.Module):
def __init__(self, vocab_size=VOCAB_SIZE, embedding_dim=64, hidden_dim=64, num_class=2):
super(LSTMModel, self).__init__()
self.embedding_table = nn.Embedding(vocab_size, embedding_dim)
self.lstm = nn.LSTM(embedding_dim, hidden_dim, num_layers=1, batch_first=True)
self.output_linear = nn.Linear(hidden_dim, num_class)
def forward(self, word_index):
word_embedding = self.embedding_table(word_index)
lstm_out, _ = self.lstm(word_embedding)
lstm_out = lstm_out[:, -1, :] # 取最后一个时间步的输出
logits = self.output_linear(lstm_out)
return logits
class GRUModel(nn.Module):
def __init__(self, vocab_size=VOCAB_SIZE, embedding_dim=64, hidden_dim=64, num_class=2):
super(GRUModel, self).__init__()
self.embedding_table = nn.Embedding(vocab_size, embedding_dim)
self.gru = nn.GRU(embedding_dim, hidden_dim, num_layers=1, batch_first=True)
self.output_linear = nn.Linear(hidden_dim, num_class)
def forward(self, word_index):
word_embedding = self.embedding_table(word_index)
gru_out, _ = self.gru(word_embedding)
gru_out = gru_out[:, -1, :] # 取最后一个时间步的输出
logits = self.output_linear(gru_out)
return logits
# 创建LSTM模型
lstm_model = LSTMModel()
print("模型总参数:", sum(p.numel() for p in lstm_model.parameters()))
lstm_optimizer = torch.optim.Adam(lstm_model.parameters(), lr=0.001)
# 创建GRU模型
# gru_model = GRUModel()
# print("模型总参数:", sum(p.numel() for p in gru_model.parameters()))
# gru_optimizer = torch.optim.Adam(gru_model.parameters(), lr=0.001)
# 训练LSTM模型
train(train_data_loader, eval_data_loader, lstm_model, lstm_optimizer, num_epoch=10, log_step_interval=20, save_step_interval=500, eval_step_interval=300, save_path="./log_imdb_lstm", resume="")
# 训练GRU模型
# train(train_data_loader, eval_data_loader, gru_model, gru_optimizer, num_epoch=10, log_step_interval=20, save_step_interval=500, eval_step_interval=300, save_path="./log_imdb_gru", resume="")
感兴趣的小伙伴可以试试，对比一下
復总结
本文代码来自网络仅供学习，原文地址
挑战与创造都是很痛苦的，但是很充实。
发表评论