【NLP實戰】手把手帶你RNN文本分類

2020 年 3 月 13 日
筆記

寫在前面

這是NLP保姆級教程的第二篇----基於RNN的文本分類實現（Text RNN）

參考的的論文是來自2016年復旦大學IJCAI上的發表的關於循環神經網路在多任務文本分類上的應用：Recurrent Neural Network for Text Classification with Multi-Task Learning[1]

論文概覽

在先前的許多工作中，模型的學習都是基於單任務，對於複雜的問題，也可以分解為簡單且相互獨立的子問題來單獨解決，然後再合併結果，得到最初複雜問題的結果。這樣做看似合理，其實是不正確的，因為現實世界中很多問題不能分解為一個一個獨立的子問題，即使可以分解，各個子問題之間也是相互關聯的，通過一些共享因素或「共享表示（share representation）」聯繫在一起。把現實問題當做一個個獨立的單任務處理，往往會忽略了問題之間所富含的豐富的關聯資訊。

上面的問題引出了本文的重點——「多任務學習（Multi-task learning）」，把多個相關（related）的任務（task）放在一起學習。多個任務之間共享一些因素，它們可以在學習過程中，共享它們所學到的資訊，這是單任務學習沒有具備的。相關聯的多任務學習比單任務學習能去的更好的泛化（generalization）效果。本文基於 RNN 循環神經網路，提出三種不同的資訊共享機制，整體網路是基於所有的任務共同學習得到。

下圖展示的是單任務學習和多任務學習的流程圖，可以對比一下區別。

下面具體介紹一下文章中的三個模型。

Model I: Uniform-Layer Architecture

在他們提出的第一個模型中，不同的任務共享一個LSTM網路層和一個embedding layer，此外每個任務還有其自己的embedding layer。所以對於上圖中的任務m，輸入x包括了兩個部分：

其中等號右側第一項和第二項分別表示該任務「特有」的word embedding和該模型中「共享」的word embedding，兩者做一個concatenation。

LSTM網路層是所有任務所共享的，對於任務m的最後sequence representation為LSTM的輸出：

Model II: Coupled-Layer Architecture

在第二個模型中，為每個任務都指定了「特定」的LSTM layer，但是不同任務間的LSTM layer可以共享資訊。

為了更好地控制在不同LSTM layer之間的資訊流動，作者提出了一個global gating unit，使得模型具有決定資訊流動程度的能力。

為此，他們改寫了LSTM中的表達式：

其中，

Model III: Shared-Layer Architecture

與模型二相似，作者也為每個單獨的任務指派了特定的LSTM層，但是對於整體的模型使用了雙向的LSTM，這樣可以使得資訊共享更為準確。

模型表現

論文作者在4個數據集上對上述模型做了評價，並和其他state-of-the-art的網路模型進行了對比，均顯示最好的效果。

程式碼實現

RNN的程式碼框架和上一篇介紹的CNN類似，首先定義一個RNN類來實現論文中的模型

class RNN(BaseModel):      """      A RNN class for sentence classification      With an embedding layer + Bi-LSTM layer + FC layer + softmax      """      def __init__(self, sequence_length, num_classes, vocab_size,                   embed_size, learning_rate, decay_steps, decay_rate,                   hidden_size, is_training, l2_lambda, grad_clip,                   initializer=tf.random_normal_initializer(stddev=0.1)):

這裡的模型包括了一層embedding，一層雙向LSTM，一層全連接層最後接上一個softmax分類函數。

然後依次定義模型，訓練，損失等函數在後續調用。

def inference(self):      """      1. embedding layer      2. Bi-LSTM layer      3. concat Bi-LSTM output      4. FC(full connected) layer      5. softmax layer      """      # embedding layer      with tf.name_scope('embedding'):          self.embedded_words = tf.nn.embedding_lookup(self.Embedding, self.input_x)        # Bi-LSTM layer      with tf.name_scope('Bi-LSTM'):          lstm_fw_cell = rnn.BasicLSTMCell(self.hidden_size)          lstm_bw_cell = rnn.BasicLSTMCell(self.hidden_size)            if self.dropout_keep_prob is not None:              lstm_fw_cell = rnn.DropoutWrapper(lstm_fw_cell, output_keep_prob=self.dropout_keep_prob)              lstm_bw_cell = rnn.DropoutWrapper(lstm_bw_cell, output_keep_prob=self.dropout_keep_prob)            outputs, output_states = tf.nn.bidirectional_dynamic_rnn(lstm_fw_cell, lstm_bw_cell,                                                                  self.embedded_words,                                                                  dtype=tf.float32)          output = tf.concat(outputs, axis=2)          output_last = tf.reduce_mean(output, axis=1)            # FC layer          with tf.name_scope('output'):              self.score = tf.matmul(output_last, self.W_projection) + self.b_projection          return self.score    def loss(self):      # loss      with tf.name_scope('loss'):          losses = tf.nn.softmax_cross_entropy_with_logits(labels=self.input_y, logits=self.score)          data_loss = tf.reduce_mean(losses)          l2_loss = tf.add_n([tf.nn.l2_loss(cand_v) for cand_v in tf.trainable_variables()                                  if 'bias' not in cand_v.name]) * self.l2_lambda          data_loss += l2_loss          return data_loss    def train(self):      learning_rate = tf.train.exponential_decay(self.learning_rate, self.global_step,                                                 self.decay_steps, self.decay_rate, staircase=True)      optimizer = tf.train.AdamOptimizer(learning_rate)      grads_and_vars = optimizer.compute_gradients(self.loss_val)        grads_and_vars = [(tf.clip_by_norm(grad, self.grad_clip), val) for grad, val in grads_and_vars]        train_op = optimizer.apply_gradients(grads_and_vars, global_step=self.global_step)      return train_op

訓練部分的數據集這裡就直接採用CNN那篇文章相同的數據集（懶...），預處理的方式與函數等都是一樣的，，，

def train(x_train, y_train, vocab_processor, x_dev, y_dev):      with tf.Graph().as_default():          session_conf = tf.ConfigProto(              # allows TensorFlow to fall back on a device with a certain operation implemented              allow_soft_placement= FLAGS.allow_soft_placement,              # allows TensorFlow log on which devices (CPU or GPU) it places operations              log_device_placement=FLAGS.log_device_placement          )          sess = tf.Session(config=session_conf)          with sess.as_default():              # initialize cnn              rnn = RNN(sequence_length=x_train.shape[1],                        num_classes=y_train.shape[1],                        vocab_size=len(vocab_processor.vocabulary_),                        embed_size=FLAGS.embed_size,                        l2_lambda=FLAGS.l2_reg_lambda,                        is_training=True,                        grad_clip=FLAGS.grad_clip,                        learning_rate=FLAGS.learning_rate,                        decay_steps=FLAGS.decay_steps,                        decay_rate=FLAGS.decay_rate,                        hidden_size=FLAGS.hidden_size                        )                  # output dir for models and summaries              timestamp = str(time.time())              out_dir = os.path.abspath(os.path.join(os.path.curdir, 'run', timestamp))              if not os.path.exists(out_dir):                  os.makedirs(out_dir)              print('Writing to {} n'.format(out_dir))                # checkpoint dir. checkpointing – saving the parameters of your model to restore them later on.              checkpoint_dir = os.path.abspath(os.path.join(out_dir, FLAGS.ckpt_dir))              checkpoint_prefix = os.path.join(checkpoint_dir, 'model')              if not os.path.exists(checkpoint_dir):                  os.makedirs(checkpoint_dir)              saver = tf.train.Saver(tf.global_variables(), max_to_keep=FLAGS.num_checkpoints)                # Write vocabulary              vocab_processor.save(os.path.join(out_dir, 'vocab'))                # Initialize all              sess.run(tf.global_variables_initializer())                  def train_step(x_batch, y_batch):                  """                  A single training step                  :param x_batch:                  :param y_batch:                  :return:                  """                  feed_dict = {                      rnn.input_x: x_batch,                      rnn.input_y: y_batch,                      rnn.dropout_keep_prob: FLAGS.dropout_keep_prob                  }                  _, step, loss, accuracy = sess.run(                      [rnn.train_op, rnn.global_step, rnn.loss_val, rnn.accuracy],                      feed_dict=feed_dict                  )                  time_str = datetime.datetime.now().isoformat()                  print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy))                  def dev_step(x_batch, y_batch):                  """                  Evaluate model on a dev set                  Disable dropout                  :param x_batch:                  :param y_batch:                  :param writer:                  :return:                  """                  feed_dict = {                      rnn.input_x: x_batch,                      rnn.input_y: y_batch,                      rnn.dropout_keep_prob: 1.0                  }                  step, loss, accuracy = sess.run(                      [rnn.global_step, rnn.loss_val, rnn.accuracy],                      feed_dict=feed_dict                  )                  time_str = datetime.datetime.now().isoformat()                  print("dev results:{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy))                # generate batches              batches = data_process.batch_iter(list(zip(x_train, y_train)), FLAGS.batch_size, FLAGS.num_epochs)              # training loop              for batch in batches:                  x_batch, y_batch = zip(*batch)                  train_step(x_batch, y_batch)                  current_step = tf.train.global_step(sess, rnn.global_step)                  if current_step % FLAGS.validate_every == 0:                      print('n Evaluation:')                      dev_step(x_dev, y_dev)                      print('')                path = saver.save(sess, checkpoint_prefix, global_step=current_step)              print('Save model checkpoint to {} n'.format(path))    def main(argv=None):      x_train, y_train, vocab_processor, x_dev, y_dev = prepocess()      train(x_train, y_train, vocab_processor, x_dev, y_dev)    if __name__ == '__main__':      tf.app.run()

本文參考資料

[1]

Recurrent Neural Network for Text Classification with Multi-Task Learning: https://arxiv.org/abs/1605.05101

- END -

The End

Tags: