在TensorFlow中基于lstm构建分词系统笔记

https://www.jianshu.com/p/ccb805b9f014

前言

我打算基于lstm构建一个分词系统，通过这个例子来学习下TensorFlow中如何训练循环递归神经网络。我们将从最粗糙的版本开始搭建这个小系统，然后一步步优化其中的每一部分，包括网络架构的优化，数据处理的优化，甚至整个代码架构的优化。希望想我一样的入门选手看到其中的每一步实现以及如何去优化。

关于LSTM网络的介绍，可以看官网推荐的一篇博客，写的实在是太棒了http://colah.github.io/posts/2015-08-Understanding-LSTMs

另外这篇翻译也很赞啊http://www.jianshu.com/p/9dc9f41f0b29，这里不在详述。

我们第一个版本的模型来自官网的tutorials中Recurrent Neural Networks部分内容，官网的数据并不利于我们去直接感受模型训练的带来的结果，所以后来我想了下用它来实现一个中文分词，可能更有利于初学者去直观的感受。第一个版本会我写的很粗糙，主要是为了理解在TensorFlow中如何搭建LSTM网络。

模型搭建

我对官网中的例子用我自己更喜欢的结构重写了下。 首先我们来看下如何搭建这个模型。开始我把模型部分代码主要由inference()，loss()和training()三部分构成，inference()部分负责模型搭建，loss()负责计算损失，为优化做准备，training()负责优化部分，主要是对损失函数应用梯度下降，更新参数。我把上面三部分写封装一个类里面。后来发现这样实现会存在些问题，然后又把inference()的实现直接放在了类的init()函数里面。下面先看下模型的整体实现，

class ptb_lstm():

    def __init__(self,config):
        ...
    def loss(self):
        ....
    def train(self):
        ....

这里，我们在init()中传了一个config类，这个config主要是一些模型参数，大致形式是下面这样，这篇笔记就不详讲了

class config():
    '''参数配置类'''
    init_scale = 0.1
    learning_rate = 1.0
    max_grad_norm = 5
    num_layers = 2
    hidden_size = 200
    keep_prob = 1.0
    lr_decay = 0.5
    batch_size = 50
    num_steps = 50
    vocab_size = 3000
    output_size = 3
    learningrate = 0.5

好了，接下来我们先看init()部分

class lstm_model():
    def __init__(self, config):
        '''
        :param config:config类，一些训练参数设置
        '''
        self.config = config
        self.x = tf.placeholder(tf.int32, shape=(config.batch_size, config.num_steps))
        self.y = tf.placeholder(tf.int32, shape=(config.batch_size, config.num_steps))

        def lstm_cell():
        #构建lstm基本单元
            return tf.contrib.rnn.BasicLSTMCell(
                    self.config.hidden_size, forget_bias=0.0, state_is_tuple=True)
        
        attn_cell = lstm_cell
        if config.keep_prob < 1:
        #如果config.keep_prob参数小于1,对lstm单元进行dropout，防止过拟合
            def attn_cell():
                return tf.contrib.rnn.DropoutWrapper(
                    lstm_cell(), output_keep_prob=config.keep_prob)
                    
        cell = tf.contrib.rnn.MultiRNNCell(
            [attn_cell() for _ in range(config.num_layers)], state_is_tuple=True)
        #构建多层的lstm，config.num_layers是层数参数

        self._initial_state = cell.zero_state(self.config.batch_size, tf.float32)
        #初始化lstm的state

        with tf.device("/cpu:0"):
            embedding = tf.get_variable(
                "embedding", [self.config.vocab_size, self.config.hidden_size], dtype=tf.float32)
            inputs = tf.nn.embedding_lookup(embedding,self.x)
            #词嵌入

        outputs = []
        state = self._initial_state
        with tf.variable_scope("RNN"):
            for time_step in range(self.config.num_steps):
                if time_step > 0: tf.get_variable_scope().reuse_variables()
                (cell_output, state) = cell(inputs[:, time_step, :], state)
                outputs.append(cell_output)
                #前向传播，计算每个单元的cell_output和state，把cell_output添加到outputs，把state传递到下个单元，最终outputs的为(config.num_steps,config.batch_size,config.hidden_size)

        output = tf.reshape(tf.concat(axis=1, values=outputs), [-1, self.config.hidden_size])
        #output的形状为(config.num_steps*config.batch_size,config.hedden_size)
        
        softmax_w = tf.get_variable(
            "softmax_w", [self.config.hidden_size, self.config.output_size], dtype=tf.float32)
        softmax_b = tf.get_variable("softmax_b", [self.config.output_size], dtype=tf.float32)
        self.logits = tf.matmul(output, softmax_w) + softmax_b
        #得到最终的网络输出logits形状为(config.num_steps*config.batch_size,config.output_size)

接着是loss(self,logits)

    def loss(self):

        logits = self.logits
        loss = tf.contrib.legacy_seq2seq.sequence_loss_by_example(
            [logits],
            [tf.reshape(self.y, [-1])],
            [tf.ones([self.config.batch_size * self.config.num_steps], dtype=tf.float32)])
        # 交叉熵损失函数，下一篇专门讲下tensorflow中的几个损失函数的实现
        cost = tf.reduce_sum(loss) / self.config.batch_size

最后是后向传播参数更新部分training(self)

def training(self):
        loss = self.loss()

        tvars = tf.trainable_variables()
        grads, _ = tf.clip_by_global_norm(tf.gradients(loss, tvars),
                                          self.config.max_grad_norm)
        optimizer = tf.train.GradientDescentOptimizer(self.config.learningrate)
        #优化器
        
        train_op = optimizer.apply_gradients(
            zip(grads, tvars),
            global_step=tf.contrib.framework.get_or_create_global_step())
        #梯度下降
        return train_op

作者：MUTU洋

链接：https://www.jianshu.com/p/ccb805b9f014

來源：简书

简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

https://www.jianshu.com/p/142b4358aaf9

上一节我们介绍了我们的模型部分，这一节来介绍下我们的数据来源和数据预处理。对初学者可能常常面临的问题的是模型的输入到底是怎样的，例如，在rnn可以处理任意长度的句子，所以很多初学者可能会认为是不是在TensorFlow中输入不需要特殊处理。理论上rnn是可以处理任意长度的句子，但在工程实现上考虑到效率等一些列问题，TensorFlow中的rnn（包括它的变形，lstm，gru...）需要把不同长度的句子pading到同一个长度，一种是把所有句子都处理成同一个长度，另一种是我们只需要在同一个batch中的句子同一个长度。本节采用第一种。

数据

一 数据来源

这里我们自己构造了一份训练数据，我随意找了一份京东评论数据，你也可以采用其他的文本数据。然后利用jieba分词对这些文本进行分词。例如，有这样一句话，s1 = “迪士尼发行了四部票房超过10亿美元的电影”，我们对s1分词后成为s1_seg = ['迪士尼', '发行', '了', '电影']，其中，“迪士尼”就是一个词，我们把它处理成['B','I','I']，‘B’代表词的开始，‘I’代表词的中间。这样s1就可以标记为s1_tag=['B','I','I','B','I','B','B','I']，这样我们就可以得到我们的训练数据。注意，jieba本身就可能分错，我们这里只是想看下我们的模型能不能学习到训练数据的分布。

二 数据预处理

刚才我们已经得到我们的训练数据，现在我们要把它处理成符合输入要求的数据格式。为了简单，我这里把所以数据都处理成同样长度的序列（上一章中我们构建的模型就是要求的所有的序列长度一样）。由于在训练的时，我们需要在数据上不断的迭代更新参数。这里需要把数据处理成不同的batch，然后在每个batch上迭代。这里我们构造了一个类，这个类有一个next_batch方法。通过这个方法可以不断的产生batch_size的训练数据。

class DataSet(object):
    def __init__(self,x_data,y_data,):
    #这个类主要用于不断产生训练数据

        self._x_data = np.array(x_data)
        self._y_data = np.array(y_data)
        self._epochs_completed = 0
        self._index_in_epoch = 0
        self._num_examples = len(x_data)

    @property
    def x_data(self):
        return self._x_data

    @property
    def y_data(self):
        return self._y_data

    @property
    def num_examples(self):
        return self._num_examples

    @property
    def epochs_completed(self):
        return self._epochs_completed

    def next_batch(self, batch_size, shuffle=True):
    """返回下一个`batch_size`数据"""

        start = self._index_in_epoch
        # 第一个epoch时做乱序处理
        if self._epochs_completed == 0 and start == 0 and shuffle:
            perm0 = np.arange(self._num_examples)
            np.random.shuffle(perm0)
            self._x_data = self.x_data[perm0]
            self._y_data = self.y_data[perm0]
            
        # 进入到下一个epoch
        if start + batch_size > self._num_examples:
            # Finished epoch
            self._epochs_completed += 1
            # Get the rest examples in this epoch
            rest_num_examples = self._num_examples - start

            x_rest_part = self._x_data[start:self._num_examples]
            y_rest_part = self._y_data[start:self._num_examples]

            # 数据乱序处理
            if shuffle:
                perm = np.arange(self._num_examples)
                np.random.shuffle(perm)
                self._x_data = self._x_data[perm]
                self._y_data = self._y_data[perm]
            
            # 开始下一个epoch
            start = 0
            self._index_in_epoch = batch_size - rest_num_examples
            end = self._index_in_epoch
            x_new_part = self._x_data[start:end]
            y_new_part = self._y_data[start:end]
            return np.concatenate((x_rest_part, x_new_part), axis=0), np.concatenate(
                (y_rest_part, y_new_part), axis=0)
        else:
            self._index_in_epoch += batch_size
            end = self._index_in_epoch
            return self._x_data[start:end], self._y_data[start:end]

def word_to_id(dict_data):
#遍历所以的中文句子里的字符，建立一个Vocabulary，通过字符的频次把每个字符映射到一个数字
    counter = collections.Counter(''.join(dict_data.keys()))
    count_pairs = sorted(counter.items(), key=lambda x: (-x[1], x[0]))
    words, _ = list(zip(*count_pairs))
    word_id = dict(zip(words, range(3, len(words) + 3)))
    word_id['B'] = 1
    word_id['I'] = 2
    return word_id

def datas(dict_data,num_step):
#读取数据
    x_data = []
    y_data = []
    word_id = word_to_id(dict_data)
    for line in dict_data:
        x_list = [word_id[word] for word in list(line)][:num_step]
        y_list = [word_id[word] for word in dict_data[line]][:num_step]
        x_len = len(x_list)
        y_len = len(y_list)
        assert x_len == y_len
        if x_len<num_step:
            x_list.extend([0]*(num_step-x_len))
            y_list.extend([0]*(num_step-y_len))
        x_data.append(x_list)
        y_data.append(y_list)
    return x_data,y_data

def read_data_sets(fileName,num_step):
#通过调用这个函数不断的产生next batch的训练数据

    with open(fileName) as f:
        dict_data = json.load(f)

    x_data, y_data = datas(dict_data, num_step)

    return DataSet(x_data, y_data)

通过调用read_data_sets来产生训练数据，注意这里的参数dict_data参数指的是，key是字符串，例如前面的s1，value是该字符串的标记，例如s1的标记是s1_tag。

下一节我们将介绍训练过程。

作者：MUTU洋

链接：https://www.jianshu.com/p/142b4358aaf9

來源：简书

简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。