转https://github.com/gaussic/text-classification-cnn-rnn 数据集 【THUCNews新闻文本分类】本文采用了清华NLP组提供的THUCNews新闻文本分类数据集的一个子集（原始的数据集大约74万篇文档，训练起来需要花较长的时间）。数据集请自行到THUCTC：一个高效的中文文本分类工具包下载，请遵循数据提供方的开源协议。
本次训练使用了其中的10个分类，每个分类6500条，总共65000条新闻数据。
类别如下：

体育, 财经, 房产, 家居, 教育, 科技, 时尚, 时政, 游戏, 娱乐

数据集划分如下：

• 训练集: 5000*10
• 验证集: 500*10
• 测试集: 1000*10

从原数据集生成子集的过程请参看helper下的两个脚本。其中，copy_data.sh用于从每个分类拷贝6500个文件，cnews_group.py用于将多个文件整合到一个文件中。执行该文件后，得到三个数据文件：

• cnews.train.txt: 训练集(50000条)
• cnews.val.txt: 验证集(5000条)
• cnews.test.txt: 测试集(10000条)

预处理
data/cnews_loader.py为数据的预处理文件。

• read_file(): 读取文件数据;
• build_vocab(): 构建词汇表，使用字符级的表示，这一函数会将词汇表存储下来，避免每一次重复处理;
• read_vocab(): 读取上一步存储的词汇表，转换为{词：id}表示;
• read_category(): 将分类目录固定，转换为{类别: id}表示;
• to_words(): 将一条由id表示的数据重新转换为文字;
• preocess_file(): 将数据集从文字转换为固定长度的id序列表示;
• batch_iter(): 为神经网络的训练准备经过shuffle的批次的数据。

经过数据预处理，数据的格式如下：

Data	Shape	Data	Shape
x_train	[50000, 600]	y_train	[50000, 10]
x_val	[5000, 600]	y_val	[5000, 10]
x_test	[10000, 600]	y_test	[10000, 10]

CNN卷积神经网络 CNN可配置的参数如下所示，在cnn_model.py中。

class TCNNConfig(object): """CNN配置参数"""embedding_dim = 64# 词向量维度 seq_length = 600# 序列长度 num_classes = 10# 类别数 num_filters = 128# 卷积核数目 kernel_size = 5# 卷积核尺寸 vocab_size = 5000# 词汇表达小hidden_dim = 128# 全连接层神经元dropout_keep_prob = 0.5 # dropout保留比例 learning_rate = 1e-3# 学习率batch_size = 64# 每批训练大小 num_epochs = 10# 总迭代轮次print_per_batch = 100# 每多少轮输出一次结果 save_per_batch = 10# 每多少轮存入tensorboard

CNN模型
具体参看cnn_model.py的实现。


文章图片

训练与验证
运行 python run_cnn.py train，可以开始训练。

Configuring CNN model... Configuring TensorBoard and Saver... Loading training and validation data... Time usage: 0:00:14 Training and evaluating... Epoch: 1 Iter:0, Train Loss:2.3, Train Acc:10.94%, Val Loss:2.3, Val Acc:8.92%, Time: 0:00:01 * Iter:100, Train Loss:0.88, Train Acc:73.44%, Val Loss:1.2, Val Acc:68.46%, Time: 0:00:04 * Iter:200, Train Loss:0.38, Train Acc:92.19%, Val Loss:0.75, Val Acc:77.32%, Time: 0:00:07 * Iter:300, Train Loss:0.22, Train Acc:92.19%, Val Loss:0.46, Val Acc:87.08%, Time: 0:00:09 * Iter:400, Train Loss:0.24, Train Acc:90.62%, Val Loss:0.4, Val Acc:88.62%, Time: 0:00:12 * Iter:500, Train Loss:0.16, Train Acc:96.88%, Val Loss:0.36, Val Acc:90.38%, Time: 0:00:15 * Iter:600, Train Loss:0.084, Train Acc:96.88%, Val Loss:0.35, Val Acc:91.36%, Time: 0:00:17 * Iter:700, Train Loss:0.21, Train Acc:93.75%, Val Loss:0.26, Val Acc:92.58%, Time: 0:00:20 * Epoch: 2 Iter:800, Train Loss:0.07, Train Acc:98.44%, Val Loss:0.24, Val Acc:94.12%, Time: 0:00:23 * Iter:900, Train Loss:0.092, Train Acc:96.88%, Val Loss:0.27, Val Acc:92.86%, Time: 0:00:25 Iter:1000, Train Loss:0.17, Train Acc:95.31%, Val Loss:0.28, Val Acc:92.82%, Time: 0:00:28 Iter:1100, Train Loss:0.2, Train Acc:93.75%, Val Loss:0.23, Val Acc:93.26%, Time: 0:00:31 Iter:1200, Train Loss:0.081, Train Acc:98.44%, Val Loss:0.25, Val Acc:92.96%, Time: 0:00:33 Iter:1300, Train Loss:0.052, Train Acc: 100.00%, Val Loss:0.24, Val Acc:93.58%, Time: 0:00:36 Iter:1400, Train Loss:0.1, Train Acc:95.31%, Val Loss:0.22, Val Acc:94.12%, Time: 0:00:39 Iter:1500, Train Loss:0.12, Train Acc:98.44%, Val Loss:0.23, Val Acc:93.58%, Time: 0:00:41 Epoch: 3 Iter:1600, Train Loss:0.1, Train Acc:96.88%, Val Loss:0.26, Val Acc:92.34%, Time: 0:00:44 Iter:1700, Train Loss:0.018, Train Acc: 100.00%, Val Loss:0.22, Val Acc:93.46%, Time: 0:00:47 Iter:1800, Train Loss:0.036, Train Acc: 100.00%, Val Loss:0.28, Val Acc:92.72%, Time: 0:00:50 No optimization for a long time, auto-stopping...

在验证集上的最佳效果为94.12%，且只经过了3轮迭代就已经停止。
准确率和误差如图所示：

文章图片

测试
运行 python run_cnn.py test 在测试集上进行测试。

Configuring CNN model... Loading test data... Testing... Test Loss:0.14, Test Acc:96.04% Precision, Recall and F1-Score... precisionrecallf1-scoresupport体育0.990.990.991000 财经0.960.990.971000 房产1.001.001.001000 家居0.950.910.931000 教育0.950.890.921000 科技0.940.970.951000 时尚0.950.970.961000 时政0.940.940.941000 游戏0.970.960.971000 娱乐0.950.980.971000avg / total0.960.960.9610000Confusion Matrix... [[991000210411] [0 99200210500] [01 9960110001] [0140 912715929311] [29012 8922218211014] [000101 96843122] [100944 971029] [1160418121 94116] [241545101 9626] [101643501 979]] Time usage: 0:00:05

在测试集上的准确率达到了96.04%，且各类的precision, recall和f1-score都超过了0.9。
从混淆矩阵也可以看出分类效果非常优秀。
RNN循环神经网络 配置项
RNN可配置的参数如下所示，在rnn_model.py中。

class TRNNConfig(object): """RNN配置参数"""# 模型参数 embedding_dim = 64# 词向量维度 seq_length = 600# 序列长度 num_classes = 10# 类别数 vocab_size = 5000# 词汇表达小num_layers= 2# 隐藏层层数 hidden_dim = 128# 隐藏层神经元 rnn = 'gru'# lstm 或 grudropout_keep_prob = 0.8 # dropout保留比例 learning_rate = 1e-3# 学习率batch_size = 128# 每批训练大小 num_epochs = 10# 总迭代轮次print_per_batch = 100# 每多少轮输出一次结果 save_per_batch = 10# 每多少轮存入tensorboard

RNN模型 具体参看rnn_model.py的实现。
大致结构如下：

文章图片

训练与验证

这部分的代码与 run_cnn.py极为相似，只需要将模型和部分目录稍微修改。

运行 python run_rnn.py train，可以开始训练。

若之前进行过训练，请把tensorboard/textrnn删除，避免TensorBoard多次训练结果重叠。

Configuring RNN model... Configuring TensorBoard and Saver... Loading training and validation data... Time usage: 0:00:14 Training and evaluating... Epoch: 1 Iter:0, Train Loss:2.3, Train Acc:8.59%, Val Loss:2.3, Val Acc:11.96%, Time: 0:00:08 * Iter:100, Train Loss:0.95, Train Acc:64.06%, Val Loss:1.3, Val Acc:53.06%, Time: 0:01:15 * Iter:200, Train Loss:0.61, Train Acc:79.69%, Val Loss:0.94, Val Acc:69.88%, Time: 0:02:22 * Iter:300, Train Loss:0.49, Train Acc:85.16%, Val Loss:0.63, Val Acc:81.44%, Time: 0:03:29 * Epoch: 2 Iter:400, Train Loss:0.23, Train Acc:92.97%, Val Loss:0.6, Val Acc:82.86%, Time: 0:04:36 * Iter:500, Train Loss:0.27, Train Acc:92.97%, Val Loss:0.47, Val Acc:86.72%, Time: 0:05:43 * Iter:600, Train Loss:0.13, Train Acc:98.44%, Val Loss:0.43, Val Acc:87.46%, Time: 0:06:50 * Iter:700, Train Loss:0.24, Train Acc:91.41%, Val Loss:0.46, Val Acc:87.12%, Time: 0:07:57 Epoch: 3 Iter:800, Train Loss:0.11, Train Acc:96.09%, Val Loss:0.49, Val Acc:87.02%, Time: 0:09:03 Iter:900, Train Loss:0.15, Train Acc:96.09%, Val Loss:0.55, Val Acc:85.86%, Time: 0:10:10 Iter:1000, Train Loss:0.17, Train Acc:96.09%, Val Loss:0.43, Val Acc:89.44%, Time: 0:11:18 * Iter:1100, Train Loss:0.25, Train Acc:93.75%, Val Loss:0.42, Val Acc:88.98%, Time: 0:12:25 Epoch: 4 Iter:1200, Train Loss:0.14, Train Acc:96.09%, Val Loss:0.39, Val Acc:89.82%, Time: 0:13:32 * Iter:1300, Train Loss:0.2, Train Acc:96.09%, Val Loss:0.43, Val Acc:88.68%, Time: 0:14:38 Iter:1400, Train Loss:0.012, Train Acc: 100.00%, Val Loss:0.37, Val Acc:90.58%, Time: 0:15:45 * Iter:1500, Train Loss:0.15, Train Acc:96.88%, Val Loss:0.39, Val Acc:90.58%, Time: 0:16:52 Epoch: 5 Iter:1600, Train Loss:0.075, Train Acc:97.66%, Val Loss:0.41, Val Acc:89.90%, Time: 0:17:59 Iter:1700, Train Loss:0.042, Train Acc:98.44%, Val Loss:0.41, Val Acc:90.08%, Time: 0:19:06 Iter:1800, Train Loss:0.08, Train Acc:97.66%, Val Loss:0.38, Val Acc:91.36%, Time: 0:20:13 * Iter:1900, Train Loss:0.089, Train Acc:98.44%, Val Loss:0.39, Val Acc:90.18%, Time: 0:21:20 Epoch: 6 Iter:2000, Train Loss:0.092, Train Acc:96.88%, Val Loss:0.36, Val Acc:91.42%, Time: 0:22:27 * Iter:2100, Train Loss:0.062, Train Acc:98.44%, Val Loss:0.39, Val Acc:90.56%, Time: 0:23:34 Iter:2200, Train Loss:0.053, Train Acc:98.44%, Val Loss:0.39, Val Acc:90.02%, Time: 0:24:41 Iter:2300, Train Loss:0.12, Train Acc:96.09%, Val Loss:0.37, Val Acc:90.84%, Time: 0:25:48 Epoch: 7 Iter:2400, Train Loss:0.014, Train Acc: 100.00%, Val Loss:0.41, Val Acc:90.38%, Time: 0:26:55 Iter:2500, Train Loss:0.14, Train Acc:96.88%, Val Loss:0.37, Val Acc:91.22%, Time: 0:28:01 Iter:2600, Train Loss:0.11, Train Acc:96.88%, Val Loss:0.43, Val Acc:89.76%, Time: 0:29:08 Iter:2700, Train Loss:0.089, Train Acc:97.66%, Val Loss:0.37, Val Acc:91.18%, Time: 0:30:15 Epoch: 8 Iter:2800, Train Loss: 0.0081, Train Acc: 100.00%, Val Loss:0.44, Val Acc:90.66%, Time: 0:31:22 Iter:2900, Train Loss:0.017, Train Acc: 100.00%, Val Loss:0.44, Val Acc:89.62%, Time: 0:32:29 Iter:3000, Train Loss:0.061, Train Acc:96.88%, Val Loss:0.43, Val Acc:90.04%, Time: 0:33:36 No optimization for a long time, auto-stopping...

在验证集上的最佳效果为91.42%，经过了8轮迭代停止，速度相比CNN慢很多。
准确率和误差如图所示：

文章图片

测试 运行 python run_rnn.py test 在测试集上进行测试。

Testing... Test Loss:0.21, Test Acc:94.22% Precision, Recall and F1-Score... precisionrecallf1-scoresupport体育0.990.990.991000 财经0.910.990.951000 房产1.001.001.001000 家居0.970.730.831000 教育0.910.920.911000 科技0.930.960.941000 时尚0.890.970.931000 时政0.930.930.931000 游戏0.950.970.961000 娱乐0.970.960.971000avg / total0.940.940.9410000Confusion Matrix... [[988000402051] [0 99011110600] [02 9961100000] [2711 7315120882835] [1307 9182343194] [13030 96435210] [101713 972069] [0160022260 93123] [230022120 9727] [0311731159 960]] Time usage: 0:00:33

在测试集上的准确率达到了94.22%，且各类的precision, recall和f1-score，除了家居这一类别，都超过了0.9。
从混淆矩阵可以看出分类效果非常优秀。
对比两个模型，可见RNN除了在家居分类的表现不是很理想，其他几个类别较CNN差别不大。
还可以通过进一步的调节参数，来达到更好的效果。
预测 为方便预测，repo 中 predict.py 提供了 CNN 模型的预测方法。

推荐阅读

• 

  中药怎么熬 教你正确熬中药四个小步骤
• 

  淘宝助理下架了用什么软件 客服办公必备软件
• 

  安卓手机看本地漫画,咪咕动漫拥有2万多部正版漫画漫画
• 

  公司授权代理进驻电商平台，公司如何授权代理
• 

  c语言函数语句分类 c语言中函数分类
• 

  pdf如何编辑页眉页脚 迅捷pdf编辑器修改PDF页眉页脚的图文操作步骤
• 

  车载低音炮音乐大全 流行时尚歌曲
• 

  秦始皇陵墓不挖的真正原因是什么 秦始皇陵墓不挖有何原因
• 

  怪物猎人世界冰原据点介绍 怪物猎人世界冰原据点有什么
• 

  2020年5月剖腹产好日子 2020年5月剖腹产好日子是什么
• 

  安卓小项目的源代码,google搜索源代码查看服务提供商
• 

  redis设置用户密码 redis设置密码后访问
• 

  PPT怎么做背景 ppt如何换背景
• 

  数据分析处理库pandas,Excel数据分析库
• 

  linuxredis4
• 

  华为m荣耀V40系列再次曝光，网友：有一种“缝合怪”的感觉！
• 

  莲雾多少钱一斤
• 

  好听撩人的女网名 好听撩人的女网名两个字
• 

  自动挡档位图解说明图片 自动挡档位图解说明
• 

  夜有所思|夜有所思 8.1

• 第二阶段day1总结
• 仙人掌心理医生
• iOS富文本为html时，修改默认字体颜色
• 不怕疼的孩子（二）
• 新闻出版广电总局:2018年将广泛开展各类全民阅读活动
• 2018-11-29|2018-11-29 今早新闻| Chenie
• Mac下怎么新建|Mac下怎么新建 .txt 文本文件
• 使用NSAttributedString富文本踩到的坑
• 【中国新闻社】安徽重现3000余件晚清徽州盐商资料
• Android将文本中的URL转换为超链接工具类（原文本有超链接标签也适用）