您好,登錄后才能下訂單哦!
這篇文章主要介紹“nlp自然語言處理CBOW模型類怎么實現(xiàn)”的相關(guān)知識,小編通過實際案例向大家展示操作過程,操作方法簡單快捷,實用性強,希望這篇“nlp自然語言處理CBOW模型類怎么實現(xiàn)”文章能幫助大家解決問題。
初始化:初始化方法的參數(shù)包括詞匯個數(shù) vocab_size 和中間層的神經(jīng)元個數(shù) hidden_size。首先生成兩個權(quán)重(W_in 和 W_out),并用一些小的隨機值初始化這兩個權(quán)重。設(shè)置astype(‘f’),初始化將使用 32 位的浮點數(shù)。
生成層:生成兩個輸入側(cè)的 MatMul 層、一個輸出側(cè)的 MatMul 層,以及一個 Softmax with Loss 層。
保存權(quán)重和梯度:將該神經(jīng)網(wǎng)絡(luò)中使用的權(quán)重參數(shù)和梯度分別保存在列表類型的成員變量 params 和 grads 中。
正向傳播 forward() 函數(shù):該函數(shù)接收參數(shù) contexts 和 target,并返回損失(loss)。這兩個參數(shù)結(jié)構(gòu)如下。
contexts 是一個三維 NumPy 數(shù)組,第 0 維的元素個數(shù)是 mini-batch 的數(shù)量,第 1 維的元素個數(shù)是上下文的窗口大小,第 2 維表示 one-hot 向量。下面這個代碼取出來的是什么?
h0 = self.in_layer0.forward(contexts[:, 0]) h2 = self.in_layer1.forward(contexts[:, 1])
jym做了一個測試:
import sys sys.path.append('..') from common.util import preprocess #, create_co_matrix, most_similar from common.util import create_contexts_target, convert_one_hot text = 'You say goodbye and I say hello.' corpus, word_to_id, id_to_word = preprocess(text) contexts, target = create_contexts_target(corpus, window_size=1) #print(contexts) #print(target) vocab_size = len(word_to_id) target = convert_one_hot(target, vocab_size) contexts = convert_one_hot(contexts, vocab_size) print(contexts[:, 0])
輸出:然后從輸出就知道了,取的是不同target的左邊的單詞。
[[1 0 0 0 0 0 0]
[0 1 0 0 0 0 0]
[0 0 1 0 0 0 0]
[0 0 0 1 0 0 0]
[0 0 0 0 1 0 0]
[0 1 0 0 0 0 0]]
反向傳播 backward():神經(jīng)網(wǎng)絡(luò)的反向傳播在與正向傳播相反的方向上傳播梯度。這個反向傳播從 1 出發(fā),并將其傳向 Softmax with Loss 層。然后,將 Softmax with Loss 層的反向傳播的輸出 ds 傳到輸出側(cè)的 MatMul 層?!?amp;times;”的反向傳播將正向傳播時的輸入值“交換”后乘以梯度?!?”的反向傳播將梯度“原樣”傳播。
這個backward函數(shù)里面調(diào)用的是之前寫好的層的反向傳播函數(shù),比如loss_layer.backward(dout),因此backward函數(shù)用完之后,各個權(quán)重參數(shù)的梯度就保存在了成員變量 grads 中(這是之前寫的層里面的反向傳播函數(shù)來實現(xiàn)的)。先調(diào)用 forward() 函數(shù),再調(diào)用 backward() 函數(shù),grads 列表中的梯度被更新。
import sys sys.path.append('..') import numpy as np from common.layers import MatMul, SoftmaxWithLoss class SimpleCBOW: def __init__(self, vocab_size, hidden_size): V, H = vocab_size, hidden_size # 初始化權(quán)重 W_in = 0.01 * np.random.randn(V, H).astype('f') W_out = 0.01 * np.random.randn(H, V).astype('f') # 生成層 self.in_layer0 = MatMul(W_in) self.in_layer1 = MatMul(W_in) self.out_layer = MatMul(W_out) self.loss_layer = SoftmaxWithLoss() # 將所有的權(quán)重和梯度整理到列表中 layers = [self.in_layer0, self.in_layer1, self.out_layer] self.params, self.grads = [], [] for layer in layers: self.params += layer.params self.grads += layer.grads # 將單詞的分布式表示設(shè)置為成員變量 self.word_vecs = W_in def forward(self, contexts, target): h0 = self.in_layer0.forward(contexts[:, 0]) h2 = self.in_layer1.forward(contexts[:, 1]) h = (h0 + h2) * 0.5 score = self.out_layer.forward(h) loss = self.loss_layer.forward(score, target) return loss def backward(self, dout=1): ds = self.loss_layer.backward(dout) da = self.out_layer.backward(ds) da *= 0.5 self.in_layer1.backward(da) self.in_layer0.backward(da) return None
CBOW 模型的學(xué)習(xí)的實現(xiàn):給神經(jīng)網(wǎng)絡(luò)準備好學(xué)習(xí)數(shù)據(jù)。然后求梯度,并逐步更新權(quán)重參數(shù)。
Trainer類:學(xué)習(xí)的類。
初始化:類的初始化程序接收神經(jīng)網(wǎng)絡(luò)(模型)和優(yōu)化器(SGD、Momentum、AdaGrad、Adam)
學(xué)習(xí):調(diào)用 fit() 方法開始學(xué)習(xí)。參數(shù):x,輸入數(shù)據(jù);t,監(jiān)督標簽;max_epoch,進行學(xué)習(xí)的 epoch 數(shù);batch_size,mini-batch 的大??;eval_interval,輸出結(jié)果(平均損失等)的間隔。 例如設(shè)置 eval_interval=20,則每 20 次迭代計算 1 次平均損失, 并將結(jié)果輸出到界面上;max_grad,梯度的最大范數(shù)。 當(dāng)梯度的范數(shù)超過這個值時,縮小梯度。
def fit(self, x, t, max_epoch=10, batch_size=32, max_grad=None, eval_interval=20):
plot方法:畫出 fit() 方法記錄的損失(按照 eval_interval 評價的平均損失)。
class Trainer: def __init__(self, model, optimizer): self.model = model self.optimizer = optimizer self.loss_list = [] self.eval_interval = None self.current_epoch = 0 def fit(self, x, t, max_epoch=10, batch_size=32, max_grad=None, eval_interval=20): data_size = len(x) max_iters = data_size // batch_size self.eval_interval = eval_interval model, optimizer = self.model, self.optimizer total_loss = 0 loss_count = 0 start_time = time.time() for epoch in range(max_epoch): # 打亂 idx = numpy.random.permutation(numpy.arange(data_size)) x = x[idx] t = t[idx] for iters in range(max_iters): batch_x = x[iters*batch_size:(iters+1)*batch_size] batch_t = t[iters*batch_size:(iters+1)*batch_size] # 計算梯度,更新參數(shù) loss = model.forward(batch_x, batch_t) model.backward() params, grads = remove_duplicate(model.params, model.grads) # 將共享的權(quán)重整合為1個 if max_grad is not None: clip_grads(grads, max_grad) optimizer.update(params, grads) total_loss += loss loss_count += 1 # 評價 if (eval_interval is not None) and (iters % eval_interval) == 0: avg_loss = total_loss / loss_count elapsed_time = time.time() - start_time print('| epoch %d | iter %d / %d | time %d[s] | loss %.2f' % (self.current_epoch + 1, iters + 1, max_iters, elapsed_time, avg_loss)) self.loss_list.append(float(avg_loss)) total_loss, loss_count = 0, 0 self.current_epoch += 1 def plot(self, ylim=None): x = numpy.arange(len(self.loss_list)) if ylim is not None: plt.ylim(*ylim) plt.plot(x, self.loss_list, label='train') plt.xlabel('iterations (x' + str(self.eval_interval) + ')') plt.ylabel('loss') plt.show()
這里面使用Trainer 類來執(zhí)行CBOW 模型的學(xué)習(xí)。
這個model其實存的就是SimpleCBOW的成員變量。
model = SimpleCBOW(vocab_size, hidden_size)
下面是調(diào)用Trainer 類:
trainer = Trainer(model, optimizer) trainer.fit(contexts, target, max_epoch, batch_size) trainer.plot()
# coding: utf-8 import sys sys.path.append('..') # 為了引入父目錄的文件而進行的設(shè)定 from common.trainer import Trainer from common.optimizer import Adam from simple_cbow import SimpleCBOW from common.util import preprocess, create_contexts_target, convert_one_hot window_size = 1 hidden_size = 5 batch_size = 3 max_epoch = 1000 text = 'You say goodbye and I say hello.' corpus, word_to_id, id_to_word = preprocess(text) vocab_size = len(word_to_id) contexts, target = create_contexts_target(corpus, window_size) target = convert_one_hot(target, vocab_size) contexts = convert_one_hot(contexts, vocab_size) model = SimpleCBOW(vocab_size, hidden_size) optimizer = Adam() trainer = Trainer(model, optimizer) trainer.fit(contexts, target, max_epoch, batch_size) trainer.plot() word_vecs = model.word_vecs for word_id, word in id_to_word.items(): print(word, word_vecs[word_id])
結(jié)果:
SimpleCBOW類里面成員變量有下面這個:權(quán)重矩陣W_in就是單詞的分布式表示。
# 將單詞的分布式表示設(shè)置為成員變量 self.word_vecs = W_in
那就可以看看單詞的分布式表示。
word_vecs = model.word_vecs for word_id, word in id_to_word.items(): print(word, word_vecs[word_id])
結(jié)果如下:可見,單詞表示為了密集向量
you [-0.9987413 1.0136298 -1.4921554 0.97300434 1.0181936 ]
say [ 1.161595 -1.1513934 -0.25779223 -1.1773298 -1.1531342 ]
goodbye [-0.88470864 0.9155085 -0.30859873 0.9318609 0.9092796 ]
and [ 0.7929211 -0.8148116 -1.8787507 -0.7845257 -0.8028278]
i [-0.8925459 0.95505357 -0.29667985 0.90895575 0.90703803]
hello [-1.0259517 0.97562104 -1.5057516 0.96239203 1.0297285 ]
. [ 1.2134467 -1.1766206 1.6439314 -1.1993438 -1.1676227]
這里面為啥是5個數(shù),其實還是在于權(quán)重矩陣W。在SimpleCBOW類里面W_in大小是跟單詞數(shù)目和hidden_size有關(guān)的。
V, H = vocab_size, hidden_size # 初始化權(quán)重 W_in = 0.01 * np.random.randn(V, H).astype('f')
在使用Trainer 類來執(zhí)行CBOW 模型的學(xué)習(xí)時,設(shè)置的hidden_size = 5,所以最后單詞就表示成包含五個數(shù)的向量了。
CBOW模型的學(xué)習(xí):調(diào)整權(quán)重,以使預(yù)測準確。也就是說,上下文是 you 和 goodbye,正確解標簽應(yīng)該是 say,那么如果網(wǎng)絡(luò)具有良好的權(quán)重,對應(yīng)正確解的神經(jīng)元(say)的得分應(yīng)該更高。
對神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí),其實是用了Softmax 函數(shù)和交叉熵誤差。使用 Softmax 函數(shù)將得分轉(zhuǎn)化為概率,再求這些概率和監(jiān)督標簽之間的交叉熵誤差,并將其作為損失進行學(xué)習(xí)。推理的 CBOW 模型加上 Softmax 層和 Cross Entropy Error 層,就可以得到損失。
輸入側(cè)和輸出側(cè)的權(quán)重都可以被視為單詞的分布式表示,這里面只使用輸入側(cè)的權(quán)重作為單詞的分布式表示。
最后把之前寫的CBOW模型類放上來:
class SimpleCBOW: def __init__(self, vocab_size, hidden_size): V, H = vocab_size, hidden_size # 初始化權(quán)重 W_in = 0.01 * np.random.randn(V, H).astype('f') W_out = 0.01 * np.random.randn(H, V).astype('f') # 生成層 self.in_layer0 = MatMul(W_in) self.in_layer1 = MatMul(W_in) self.out_layer = MatMul(W_out) self.loss_layer = SoftmaxWithLoss() # 將所有的權(quán)重和梯度整理到列表中 layers = [self.in_layer0, self.in_layer1, self.out_layer] self.params, self.grads = [], [] for layer in layers: self.params += layer.params self.grads += layer.grads # 將單詞的分布式表示設(shè)置為成員變量 self.word_vecs = W_in def forward(self, contexts, target): h0 = self.in_layer0.forward(contexts[:, 0]) h2 = self.in_layer1.forward(contexts[:, 1]) h = (h0 + h2) * 0.5 score = self.out_layer.forward(h) loss = self.loss_layer.forward(score, target) return loss def backward(self, dout=1): ds = self.loss_layer.backward(dout) da = self.out_layer.backward(ds) da *= 0.5 self.in_layer1.backward(da) self.in_layer0.backward(da) return None
關(guān)于“nlp自然語言處理CBOW模型類怎么實現(xiàn)”的內(nèi)容就介紹到這里了,感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識,可以關(guān)注億速云行業(yè)資訊頻道,小編每天都會為大家更新不同的知識點。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。