本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.
携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第7天，点击查看活动详情
在上一篇文章中，我们介绍了数据padding，Embedding与变长输入的处理的问题，并且使用Embedding解决文本分类的问题
今天我们来解释为什幺需要循环神经网络和循环神经网络的结构，并且使用循环神经网络来进行文本分类。
2.1 序列问题
2.1.1 为什幺需要循环神经网络——合并+padding的缺点？
信息丢失
多个embedding合并
Pad噪音、无主次
无效计算太多、抵消
太多的padding
2.1.2 为什幺需要循环神经网络——序列式问题
普通神经网络
1对多：图片生成描述
多对1：文本分类（文本情感分析）
多对多：encoding-decoding机器翻译
实时多对多：视频解说
2.1.3 循环神经网络
维护一个状态作为下一步的额外输出
每一步使用同样的激活函数和参数
最简单的循环神经网络
循环神经网络的列子
2.2 循环神经网络文本分类
2.2.1 定义一个1层单层单向的rnn，2层全连接层的模型
embedding_dim = 16
batch_size = 512
single_rnn_model = keras.models.Sequential([
# 1. define matrix: [vocab_size, embedding_dim]
# 2. [1,2,3,4..], max_length * embedding_dim
# 3. batch_size * max_length * embedding_dim
keras.layers.Embedding(vocab_size, embedding_dim,
input_length = max_length),
# return_sequences: 决定你返回的输出（False）是最后一步的输出，还是所有的输出
keras.layers.SimpleRNN(units = 64, return_sequences = False),
keras.layers.Dense(64, activation = 'relu'),
keras.layers.Dense(1, activation='sigmoid'),
])
single_rnn_model.summary()
single_rnn_model.compile(optimizer = 'adam',
loss = 'binary_crossentropy',
metrics = ['accuracy'])
Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= embedding (Embedding) (None, 500, 16) 160000 _________________________________________________________________ simple_rnn (SimpleRNN) (None, 64) 5184 _________________________________________________________________ dense (Dense) (None, 64) 4160 _________________________________________________________________ dense_1 (Dense) (None, 1) 65 ================================================================= Total params: 169,409 Trainable params: 169,409 Non-trainable params: 0
训练模型：
history_single_rnn = single_rnn_model.fit(
train_data, train_labels,
epochs = 30,
batch_size = batch_size,
validation_split = 0.2)
在训练30次之后，发现accuracy是0.4990，这对于一个二分类问题来说是没有进展的，因为做随机猜测的话，accuracy也有50%。
这说明普通的单层rnn并没有效果。
打印学习曲线
def plot_learning_curves(history, label, epochs, min_value, max_value):
data = {}
data[label] = history.history[label]
data['val_'+label] = history.history['val_'+label]
pd.DataFrame(data).plot(figsize=(8, 5))
plt.grid(True)
plt.axis([0, epochs, min_value, max_value])
plt.show()
plot_learning_curves(history_single_rnn, 'accuracy', 30, 0, 1)
plot_learning_curves(history_single_rnn, 'loss', 30, 0, 1)
运行结果：
在测试集上的效果：
single_rnn_model.evaluate(
test_data, test_labels,
batch_size = batch_size,
verbose = 0)
运行结果：
[0.7533659934997559, 0.5001599788665771]
2.2.2 实现一个双层双向的rnn，2层全连接层的模型
只需要使用Bidirectional对RNN进行一个封装，封装完之后就是一个双向的RNN
embedding_dim = 16
batch_size = 512
model = keras.models.Sequential([
# 1. define matrix: [vocab_size, embedding_dim]
# 2. [1,2,3,4..], max_length * embedding_dim
# 3. batch_size * max_length * embedding_dim
keras.layers.Embedding(vocab_size, embedding_dim,
input_length = max_length),
keras.layers.Bidirectional(
keras.layers.SimpleRNN(
units = 64, return_sequences = True)),
# return_sequences改为True的原因：下一个RNN的输入是序列，而不是单个的输入
keras.layers.Bidirectional(
keras.layers.SimpleRNN(
units = 64, return_sequences = False)),
keras.layers.Dense(64, activation = 'relu'),
keras.layers.Dense(1, activation='sigmoid'),
])
model.summary()
model.compile(optimizer = 'adam',
loss = 'binary_crossentropy',
metrics = ['accuracy'])
运行结果：
Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= embedding (Embedding) (None, 500, 16) 160000 _________________________________________________________________ bidirectional (Bidirectional (None, 500, 128) 10368 _________________________________________________________________ bidirectional_1 (Bidirection (None, 128) 24704 _________________________________________________________________ dense (Dense) (None, 64) 8256 _________________________________________________________________ dense_1 (Dense) (None, 1) 65 ================================================================= Total params: 203,393 Trainable params: 203,393 Non-trainable params: 0 _________________________________________________________________
训练模型：
history = model.fit(
train_data, train_labels,
epochs = 30,
batch_size = batch_size,
validation_split = 0.2)
可以发现，在训练集上的accuracy是1.0，但是在验证集上的accuracy只有0.5572，也只比单层RNN好了一点点
打印学习曲线：
plot_learning_curves(history, 'accuracy', 30, 0, 1) plot_learning_curves(history, 'loss', 30, 0, 3.8)
运行结果：
发现在训练集上accuracy非常好，但是在验证集上的accuracy不太好，这说明模型在训练集上过拟合了
这次的模型定义的是一个双层双向的RNN，模型太复杂了
2.2.3 实现一个单层双向的rnn，2层全连接层的模型
embedding_dim = 16
batch_size = 512
bi_rnn_model = keras.models.Sequential([
# 1. define matrix: [vocab_size, embedding_dim]
# 2. [1,2,3,4..], max_length * embedding_dim
# 3. batch_size * max_length * embedding_dim
keras.layers.Embedding(vocab_size, embedding_dim,
input_length = max_length),
keras.layers.Bidirectional(
keras.layers.SimpleRNN(
units = 32, return_sequences = False)),
keras.layers.Dense(32, activation = 'relu'),
keras.layers.Dense(1, activation='sigmoid'),
])
bi_rnn_model.summary()
bi_rnn_model.compile(optimizer = 'adam',
loss = 'binary_crossentropy',
metrics = ['accuracy'])
运行结果：
Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= embedding (Embedding) (None, 500, 16) 160000 _________________________________________________________________ bidirectional (Bidirectional (None, 64) 3136 _________________________________________________________________ dense (Dense) (None, 32) 2080 _________________________________________________________________ dense_1 (Dense) (None, 1) 33 ================================================================= Total params: 165,249 Trainable params: 165,249 Non-trainable params: 0 _________________________________________________________________
训练模型：
history = bi_rnn_model.fit(
train_data, train_labels,
epochs = 30,
batch_size = batch_size,
validation_split = 0.2)
可以发现：在训练集上的accuracy达到了1.0，在测试集上的accur达到了0.7888，比双层双向的模型要好很多
打印学习曲线：
plot_learning_curves(history, 'accuracy', 30, 0, 1.1) plot_learning_curves(history, 'loss', 30, 0, 2.5)
运行结果：
虽然在验证集上的效果要好很多，但是依然由过拟合的现象存在。
在测试集上进行评估：
bi_rnn_model.evaluate(test_data, test_labels, batch_size = batch_size, verbose = 0)
运行结果：
[1.404372215270996, 0.7716000080108643]
可以发现：训练集上的accuracy是0.7716，相较于之前的简单模型的accur是0.85，那幺这是说明循环神经网络比普通的神经网络还要弱吗？
可以仔细看一下loss的曲线图，发现循环神经网络在训练第5次的时候，val_loss急剧上升，而在普通神经网络中在训练第10次的时候，val_loss急剧上升，这说明循环神经网络的过拟合更加明显，它的过拟合更加明显反而说明了这个模型更加强大。
在搭建模型的过程中，使用了一种方法来缓解过拟合，就是降低模型尺寸，把两层循环神经网络变成单层的；在搭建模型的时候，还有其他手段来缓解过拟合，比如dropout，正则化项等。
Be First to Comment