深度学习TextLSTM的tensorflow1.14实现示例

目录

• 对单词最后一个字母的预测
• 结果打印

对单词最后一个字母的预测

LSTM 的原理自己找，这里只给出简单的示例代码，就是对单词最后一个字母的预测。

# LSTM 的原理自己找，这里只给出简单的示例代码
import tensorflow as tf
import numpy as np
tf.reset_default_graph()
# 预测最后一个字母
words = ['make','need','coal','word','love','hate','live','home','hash','star']
# 字典集
chars = [c for c in 'abcdefghijklmnopqrstuvwxyz']
# 生成字符索引字典
word2idx = {v:k for k,v in enumerate(chars)}
idx2word = {k:v for k,v in enumerate(chars)}
V = len(chars) # 字典大小
step = 3 # 时间步长大小
hidden = 50 # 隐藏层大小
dim = 32 # 词向量维度
def make_batch(words):
    input_batch, target_batch = [], []
    for word in words:
        input = [word2idx[c] for c in word[:-1]] # 除最后一个字符的所有字符当作输入
        target = word2idx[word[-1]] # 最后一个字符当作标签
        input_batch.append(input)
        target_batch.append(np.eye(V)[target]) # 这里将标签转换为 one-hot ，后面计算 softmax_cross_entropy_with_logits_v2 的时候会用到
    return input_batch, target_batch
# 初始化词向量
embedding  = tf.get_variable("embedding", shape=[V, dim], initializer=tf.random_normal_initializer)
X = tf.placeholder(tf.int32, [None, step])
# 将输入进行词嵌入转换
XX = tf.nn.embedding_lookup(embedding, X)
Y = tf.placeholder(tf.int32, [None, V])
# 定义 LSTM cell
cell = tf.nn.rnn_cell.BasicLSTMCell(hidden)
# 隐层计算结果
outputs, states = tf.nn.dynamic_rnn(cell, XX, dtype=tf.float32)   # output:  [batch_size, step, hidden]  states: (c=[batch_size, hidden], h=[batch_size, hidden])
# 隐层连接分类器的权重和偏置参数
W = tf.Variable(tf.random_normal([hidden, V]))
b = tf.Variable(tf.random_normal([V]))
# 这里只用到了最后输出的 c 向量 states[0] （也可以用所有时间点的输出特征向量）
feature = tf.matmul(states[0], W) + b   # [batch_size, n_class]
# 计算损失并进行迭代优化
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=feature, labels=Y))
optimizer = tf.train.AdamOptimizer(0.001).minimize(cost)
# 预测
prediction = tf.argmax(feature, 1) 
# 初始化 tf
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
# 生产输入和标签
input_batch, target_batch = make_batch(words)
# 训练模型
for epoch in range(1000):
    _, loss = sess.run([optimizer, cost], feed_dict={X:input_batch, Y:target_batch})
    if (epoch+1)%100 == 0:
        print('epoch: ', '%04d'%(epoch+1), 'cost=', '%04f'%(loss))
# 预测结果
predict = sess.run([prediction], feed_dict={X:input_batch})
print([words[i][:-1]+' '+idx2word[c] for i,c in enumerate(predict[0])])  

结果打印

epoch: 0100 cost= 0.003784

epoch: 0200 cost= 0.001891

epoch: 0300 cost= 0.001122

epoch: 0400 cost= 0.000739

epoch: 0500 cost= 0.000522

epoch: 0600 cost= 0.000388

epoch: 0700 cost= 0.000300

epoch: 0800 cost= 0.000238

epoch: 0900 cost= 0.000193

epoch: 1000 cost= 0.000160

['mak e', 'nee d', 'coa l', 'wor d', 'lov e', 'hat e', 'liv e', 'hom e', 'has h', 'sta r']

以上就是深度学习TextLSTM的tensorflow1.14实现示例的详细内容，更多关于深度学习TextLSTM tensorflow的资料请关注其它相关文章！

原文地址：https://juejin.cn/post/6949412997903155230