#|情感分类问题IMDB实战(SimpleRNN，LSTM，GRU） #|Tensorflow|lstm|分类|gru|深度学习

使用经典的 IMDB 影评数据集来完成情感分类任务。 IMDB 影评数据集包含了50000 条用户评价，评价的标签分为消极和积极，其中 IMDB 评级<5 的用户评价标注为0，即消极； IMDB 评价>=7 的用户评价标注为 1，即积极。 25000 条影评用于训练集，25,000 条用于测试集

一、数据集加载以及数据集预处理

# 加载IMDB数据集，数据采用数字编码，一个数字代表一个单词 (x_train, y_train), (x_test, y_test) = keras.datasets.imdb.load_data(num_words=total_words) print(x_train.shape, len(x_train[0]), y_train.shape)# (25000,) 218 (25000,) print(x_test.shape, len(x_test[0]), y_test.shape)# (25000,) 68 (25000,)# 截断和填充句子，使得等长为max_review_len，此处长句子保留后面部分，短句子在前面填充 x_train = keras.preprocessing.sequence.pad_sequences(x_train, maxlen=max_review_len) x_test = keras.preprocessing.sequence.pad_sequences(x_test, maxlen=max_review_len)# 构建数据集，打散，批量，并丢掉最后一个不够batches的batch db_train = tf.data.Dataset.from_tensor_slices((x_train, y_train)) db_train = db_train.shuffle(1000).batch(batches, drop_remainder=True) db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test)) db_test = db_test.batch(batches, drop_remainder=True) print('db_train:', db_train)# db_train:

通过Keras提供的数据集datasets可以从网上加载IMDB数据集，该数据集一共50000条用户评价，一半用于训练，另一半用于测试。x_train 和 x_test 是长度为 25,000 的一维数组，数组的每个元素是不定长 List，保存了数字编码的每个句子，例如训练集的第一个句子共有 218 个单词，测试集的第一个句子共有 68 个单词，每个句子都包含了句子起始标志 ID。
【#|情感分类问题IMDB实战(SimpleRNN，LSTM，GRU）】对于长度参差不齐的句子，设置一个阈值，对大于此长度的句子，选择截断部分单词，可以选择截去句首单词，也可以截去句末单词；对于小于此长度的句子，可以选择在句首或句尾填充，句子截断功能可以通过 keras.preprocessing.sequence.pad_sequences()函数实现
截断或填充为相同长度后，通过 Dataset 类包裹成数据集对象，并添加常用的数据集处理流程，比如数据集批量化，打散，当最后一批数据集不满足一个batch将其丢弃。

二、网络模型构建
自定义网络模型类MyRNN: Embedding层-->两个RNN层-->分类层网络

class MyRNN(keras.Model): def __init__(self, units): super(MyRNN, self).__init__() # 词向量编码 [b,80] ==> [b,80,100] # embedding_len：单词向量的长度，total_words：词汇的数量 max_review_len：输入句子长度 self.embedding = layers.Embedding(total_words, embedding_len, input_length=max_review_len) # 构建2个Cell [b,80,100] => [b,64] self.rnn = Sequential([ layers.SimpleRNN(units, dropout=0.5, return_sequences=True), layers.SimpleRNN(units, dropout=0.5) ]) # 构建分类网络，用于将Cell的输出特征进行分类，2分类 # [b,64]=> [b,1] self.outlayer = Sequential([ layers.Dense(units), layers.Dropout(rate=0.5), layers.ReLU(), layers.Dense(1) ])# 向前计算 def call(self, inputs, training=None): x = inputs# [b,80] # embedding: [b,80] ==> [b,80, 100] x = self.embedding(x) # rnn cell compute: [b, 80,100] => [b,64] out1 = self.rnn(x) # 末层最后一个输出作为分类网络的输入: [b, 64] => [b, 1] x = self.outlayer(out1, training) # p(y is pos|x) prob = tf.sigmoid(x) return prob

Embedding层作用：把单词编码为某个词向量，它接受采用数字编码的单词编号，是可训练的
RNN层：每层都需要上一层在每个时间戳上面的状态输出，因此除了最末层以外，所有的 RNN 层都需要返回每个时间戳上面的状态输出，通过设置 return_sequences=True 来实现，用做下一层的输入，dropout用于优化网络性能：减少层与层之间的连接
分类网络完成 2 分类任务，故输出节点设置为 1。输入序列通过 Embedding 层完成词向量编码，循环通过两个 RNN层，提取语义特征，取最后一层的最后时间戳的状态向量输出送入分类网络，经过Sigmoid 激活函数后得到输出概率
通过Cell方式：

class MyRNN(keras.Model): def __init__(self, units): super(MyRNN, self).__init__() # [b, 64],构建Cell初始化状态向量，重复使用 self.state0 = [tf.zeros([batches, units])] self.state1 = [tf.zeros([batches, units])] # 词向量编码 [b,80] ==> [b,80,100] self.embedding = layers.Embedding(total_words, embedding_len, input_length=max_review_len) # 构建2个Cell self.rnn_cell0 = layers.SimpleRNNCell(units, dropout=0.5)# dropout 减少连接 self.rnn_cell1 = layers.SimpleRNNCell(units, dropout=0.5) # 构建分类网络，用于将Cell的输出特征进行分类，2分类 # [b,80,100] => [b,64]=> [b,1] self.outlayer = Sequential([ layers.Dense(units), layers.Dropout(rate=0.5), layers.ReLU(), layers.Dense(1) ])# 向前计算 def call(self, inputs, training=None): x = inputs# [b,80] # embedding: [b,80] ==> [b,80, 100] x = self.embedding(x) # rnn cell compute: [b, 80,100] => [b,64] state0 = self.state0 state1 = self.state1 for word in tf.unstack(x, axis=1):# word: [b,100] 从时间维度展开 out0, state0 = self.rnn_cell0(word, state0, training) out1, state1 = self.rnn_cell1(out0, state1, training) # 末层最后一个输出作为分类网络的输入: [b, 64] => [b, 1] x = self.outlayer(out1, training) # p(y is pos|x) prob = tf.sigmoid(x) return prob

需要自己实现向前计算，并且维护各个RNN层的初始状态向量，其他都是一样的

三、网络装配

model = MyRNN(units) # 装配优化器，学习率，测量器 model.compile(optimizer=optimizers.Adam(1e-3), loss=losses.BinaryCrossentropy(), metrics=['accuracy'])

在完成网络模型的搭建后，需要指定网络使用的优化器对象、损失函数类型，评价指标等设定，这一步称为装配为了简便，这里使用 Keras 的 Compile&Fit 方式训练网络，设置优化器为 Adam 优
四、训练与验证

# 训练与验证validation_data：验证数据 model.fit(db_train, epochs=epochs, validation_data=https://www.it610.com/article/db_test) # 测试 model.evaluate(db_test)

这里使用 Keras 的 Compile&Fit 方式训练网络，设置好优化器，学习率，误差函数测试指标(采用准确率)，之间利用fit()喂入数据集和测试集即可训练
结果：训练了近30个epoch

文章图片

五、LSTM模型只需要修改网络模型一处即可：修改网络层类型即可

# 构建rnn self.rnn = Sequential([ layers.LSTM(units, dropout=0.5, return_sequences=True), layers.LSTM(units, dropout=0.5) ])

结果：LSTM明显效果比RNN好一点

文章图片

六、GRU模型只需要修改网络模型一处即可：修改网络层类型即可

# 构建rnn self.rnn = Sequential([ layers.GRU(units, dropout=0.5, return_sequences=True), layers.GRU(units, dropout=0.5) ])

结果：也稍微比SampleRNN好：

文章图片

七、完整程序

# -*- codeing = utf-8 -*- # @Time : 10:20 # @Author:Paranipd # @File : imdb_rnn_cell.py # @Software:PyCharmimport os import tensorflow as tf import numpy as np from tensorflow import keras from tensorflow.keras import Sequential, Model, layers, metrics, optimizers, lossestf.random.set_seed(22) np.random.seed(22) os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' assert tf.__version__.startswith('2')batches = 128# 批量大小 total_words = 10000# 词汇表大小N_vocad max_review_len = 80# 句子的最大长度s,大于的部分将截断，小于的将填充 embedding_len = 100# 词向量特征长度# 加载IMDB数据集，数据采用数字编码，一个数字代表一个单词 (x_train, y_train), (x_test, y_test) = keras.datasets.imdb.load_data(num_words=total_words) print(x_train.shape, len(x_train[0]), y_train.shape)# (25000,) 218 (25000,) print(x_test.shape, len(x_test[0]), y_test.shape)# (25000,) 68 (25000,)# 截断和填充句子，使得等长为max_review_len，此处长句子保留后面部分，短句子在前面填充 x_train = keras.preprocessing.sequence.pad_sequences(x_train, maxlen=max_review_len) x_test = keras.preprocessing.sequence.pad_sequences(x_test, maxlen=max_review_len)# 构建数据集，打散，批量，并丢掉最后一个不够batches的batch db_train = tf.data.Dataset.from_tensor_slices((x_train, y_train)) db_train = db_train.shuffle(1000).batch(batches, drop_remainder=True) db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test)) db_test = db_test.batch(batches, drop_remainder=True) print('db_train:', db_train)# db_train: class MyRNN(keras.Model): def __init__(self, units): super(MyRNN, self).__init__() # 词向量编码 [b,80] ==> [b,80,100] # embedding_len：单词向量的长度，total_words：词汇的数量 max_review_len：输入句子长度 self.embedding = layers.Embedding(total_words, embedding_len, input_length=max_review_len) # 构建2个Cell [b,80,100] => [b,64] self.rnn = Sequential([ layers.SimpleRNN(units, dropout=0.5, return_sequences=True), layers.SimpleRNN(units, dropout=0.5) ]) # 构建分类网络，用于将Cell的输出特征进行分类，2分类 # [b,64]=> [b,1] self.outlayer = Sequential([ layers.Dense(units), layers.Dropout(rate=0.5), layers.ReLU(), layers.Dense(1) ])# 向前计算 def call(self, inputs, training=None): x = inputs# [b,80] # embedding: [b,80] ==> [b,80, 100] x = self.embedding(x) # rnn cell compute: [b, 80,100] => [b,64] out1 = self.rnn(x) # 末层最后一个输出作为分类网络的输入: [b, 64] => [b, 1] x = self.outlayer(out1, training) # p(y is pos|x) prob = tf.sigmoid(x) return probdef main(): units = 64# rnn状态向量长度 epochs = 50 model = MyRNN(units) # 装配优化器，学习率，测量器 model.compile(optimizer=optimizers.Adam(1e-3), loss=losses.BinaryCrossentropy(), metrics=['accuracy'])# 训练与验证validation_data：验证数据 model.fit(db_train, epochs=epochs, validation_data=https://www.it610.com/article/db_test) # 测试 model.evaluate(db_test)if __name__ =='__main__': main()