深度学习文本分类--LSTM

情感分析的快速发展得益于社交媒体的兴起，自 2000 年初以来，情感分析已经成长为自然语言处理（NLP）中最活跃的研究领域之一，它也被广泛应用在个性化推荐、商业决策、舆情监控等方面

数据准备

IMDB（Internet Movie Database）是一个来自互联网电影数据库，其中包含了 50000 条严重两极分化的电影评论。数据集被划分为训练集和测试集，其中训练集和测试集中各有 25000 条评论，并且训练集和测试集都包含 50% 的正面评论和 50% 的消极评论。

我们可以利用 Torchtext 工具包来读取数据集。Torchtext 是一个包含常用的文本处理工具和常见自然语言数据集的工具包。我们可以类比之前学习过的 Torchvision 包来理解它，只不过，Torchvision 包是用来处理图像的，而 Torchtext 则是用来处理文本的。
安装 Torchtext 同样很简单，我们可以使用 pip 进行安装，命令如下：

pip install torchtext

Torchtext 中包含了上面我们要使用的 IMDB 数据集，并且还有读取语料库、词转词向量、词转下标、建立相应迭代器等功能，可以满足我们对文本的处理需求。更为方便的是，Torchtext 已经把一些常见对文本处理的数据集囊括在了torchtext.datasets中，与 Torchvision 类似，使用时会自动下载、解压并解析数据。以 IMDB 为例，我们可以用后面的代码来读取数据集：

# 读取IMDB数据集
import torchtext
train_iter = torchtext.datasets.IMDB(root='./data', split='train')
next(train_iter)

torchtext.datasets.IMDB 函数有两个参数，其中：

• root：是一个字符串，用于指定你想要读取目标数据集的位置，如果数据集不存在，则会自动下载；

• split：是一个字符串或者元组，表示返回的数据集类型，是训练集、测试集或验证集，默认是 (‘train’, ‘test’)。torchtext.datasets.IMDB 函数的返回值是一个迭代器，这里我们读取了 IMDB 数据集中的训练集，共 25000 条数据，存入了变量 train_iter 中。

程序运行的结果如下图所示。我们可以看到，利用 next() 函数，读取出迭代器 train_iter 中的一条数据，每一行是情绪分类以及后面的评论文本。“neg”表示负面评价，“pos”表示正面评价。

数据处理

读取出了数据集中的评论文本和情绪分类，我们还需要将文本和分类标签处理成向量，才能被计算机读取。处理文本的一般过程是先分词，然后根据词汇表将词语转换为 id。

Torchtext 为我们提供了基本的文本处理工具，包括分词器“tokenizer”和词汇表“vocab”。我们可以用下面两个函数来创建分词器和词汇表。

get_tokenizer 函数的作用是创建一个分词器。将文本喂给相应的分词器，分词器就可以根据不同分词函数的规则完成分词。例如英文的分词器，就是简单按照空格和标点符号进行分词。

build_vocab_from_iterator 函数可以帮助我们使用训练数据集的迭代器构建词汇表，构建好词汇表后，输入分词后的结果，即可返回每个词语的 id。

创建分词器和构建词汇表的代码如下。首先我们要建立一个可以处理英文的分词器 tokenizer，然后再根据 IMDB 数据集的训练集迭代器 train_iter 建立词汇表 vocab。

# 创建分词器
tokenizer = torchtext.data.utils.get_tokenizer('basic_english')
print(tokenizer('here is the an example!'))
'''
输出：['here', 'is', 'the', 'an', 'example', '!']
'''

# 构建词汇表
def yield_tokens(data_iter):
    for _, text in data_iter:
        yield tokenizer(text)

vocab = torchtext.vocab.build_vocab_from_iterator(yield_tokens(train_iter), specials=["<pad>", "<unk>"])
vocab.set_default_index(vocab["<unk>"])

print(vocab(tokenizer('here is the an example <pad> <pad>')))
'''
输出：[131, 9, 40, 464, 0, 0]
'''

在构建词汇表的过程中，yield_tokens 函数的作用就是依次将训练数据集中的每一条数据都进行分词处理。另外，在构建词汇表时，用户还可以利用 specials 参数自定义词表。

上述代码中我们自定义了两个词语：“”和“”，分别表示占位符和未登录词。顾名思义，未登录词是指没有被收录在分词词表中的词。由于每条影评文本的长度不同，不能直接批量合成矩阵，因此需通过截断或填补占位符来固定长度。

为了方便后续调用，我们使用分词器和词汇表来建立数据处理的 pipelines。文本 pipeline 用于给定一段文本，返回分词后的 id。标签 pipeline 用于将情绪分类转化为数字，即“neg”转化为 0，“pos”转化为 1。

具体代码如下所示:

# 数据处理pipelines
text_pipeline = lambda x: vocab(tokenizer(x))
label_pipeline = lambda x: 1 if x == 'pos' else 0

print(text_pipeline('here is the an example'))
'''
输出：[131, 9, 40, 464, 0, 0 , ... , 0]
'''
print(label_pipeline('neg'))
'''
输出：0
'''

构建dataloader

有了数据处理的 pipelines，接下来就是生成训练数据，也就是生成 DataLoader。这里还涉及到一个变长数据处理的问题。我们在将文本 pipeline 所生成的 id 列表转化为模型能够识别的 tensor 时，由于文本的句子是变长的，因此生成的 tensor 长度不一，无法组成矩阵。这时，我们需要限定一个句子的最大长度。例如句子的最大长度为 256 个单词，那么超过 256 个单词的句子需要做截断处理；不足 256 个单词的句子，需要统一补位，这里用“/”来填补。

上面所说的这些操作，我们都可以放到 collate_batch 函数中来处理。collate_batch 函数有什么用呢？它负责在 DataLoad 提取一个 batch 的样本时，完成一系列预处理工作：包括生成文本的 tensor、生成标签的 tensor、生成句子长度的 tensor，以及上面所说的对文本进行截断、补位操作。所以，我们将 collate_batch 函数通过参数 collate_fn 传入 DataLoader，即可实现对变长数据的处理。

collate_batch 函数的定义，以及生成训练与验证 DataLoader 的代码如下。

# 生成训练数据
import torch
import torchtext
from torch.utils.data import DataLoader
from torch.utils.data.dataset import random_split
from torchtext.data.functional import to_map_style_dataset

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

def collate_batch(batch):
    max_length = 256
    pad = text_pipeline('<pad>')
    label_list, text_list, length_list = [], [], []
    for (_label, _text) in batch:
         label_list.append(label_pipeline(_label))
         processed_text = text_pipeline(_text)[:max_length]
         length_list.append(len(processed_text))
         text_list.append((processed_text+pad*max_length)[:max_length])
    label_list = torch.tensor(label_list, dtype=torch.int64)
    text_list = torch.tensor(text_list, dtype=torch.int64)
    length_list = torch.tensor(length_list, dtype=torch.int64)
    return label_list.to(device), text_list.to(device), length_list.to(device)

train_iter = torchtext.datasets.IMDB(root='./data', split='train')
train_dataset = to_map_style_dataset(train_iter)
num_train = int(len(train_dataset) * 0.95)
split_train_, split_valid_ = random_split(train_dataset, 
                                         [num_train, len(train_dataset) - num_train])
train_dataloader = DataLoader(split_train_, batch_size=8, shuffle=True, collate_fn=collate_batch)
valid_dataloader = DataLoader(split_valid_, batch_size=8, shuffle=False, collate_fn=collate_batch)

一共是五个步骤。

• 1. 利用 torchtext 读取 IMDB 的训练数据集，得到训练数据迭代器；
• 2. 使用 to_map_style_dataset 函数将迭代器转化为 Dataset 类型；
• 3. 使用 random_split 函数对 Dataset 进行划分，其中 95% 作为训练集，5% 作为验证集；
• 4. 生成训练集的 DataLoader；
• 5. 生成验证集的 DataLoader。

模型构建

使用 LSTM 网络来进行情绪分类的预测。模型的定义如下。

# 定义模型
class LSTM(torch.nn.Module):
    def __init__(self, vocab_size, embedding_dim, hidden_dim, output_dim, n_layers, bidirectional,
                 dropout_rate, pad_index=0):
        super().__init__()
        self.embedding = torch.nn.Embedding(vocab_size, embedding_dim, padding_idx=pad_index)
        self.lstm = torch.nn.LSTM(embedding_dim, hidden_dim, n_layers, bidirectional=bidirectional,
                            dropout=dropout_rate, batch_first=True)
        self.fc = torch.nn.Linear(hidden_dim * 2 if bidirectional else hidden_dim, output_dim)
        self.dropout = torch.nn.Dropout(dropout_rate)
        
    def forward(self, ids, length):
        embedded = self.dropout(self.embedding(ids))
        packed_embedded = torch.nn.utils.rnn.pack_padded_sequence(embedded, length, batch_first=True, 
                                                            enforce_sorted=False)
        packed_output, (hidden, cell) = self.lstm(packed_embedded)
        output, output_length = torch.nn.utils.rnn.pad_packed_sequence(packed_output)
        if self.lstm.bidirectional:
            hidden = self.dropout(torch.cat([hidden[-1], hidden[-2]], dim=-1))
        else:
            hidden = self.dropout(hidden[-1])
        prediction = self.fc(hidden)
        return prediction

网络模型的具体结构，首先是一个 Embedding 层，用来接收文本 id 的 tensor，然后是 LSTM 层，最后是一个全连接分类层。其中，bidirectional 为 True，表示网络为双向 LSTM，bidirectional 为 False，表示网络为单向 LSTM。

网络模型的结构图如下所示。

模型评估

定义好网络模型的结构，我们就可以进行模型训练了。首先是实例化网络模型，参数以及具体的代码如下。

# 实例化模型
vocab_size = len(vocab)
embedding_dim = 300
hidden_dim = 300
output_dim = 2
n_layers = 2
bidirectional = True
dropout_rate = 0.5

model = LSTM(vocab_size, embedding_dim, hidden_dim, output_dim, n_layers, bidirectional, dropout_rate)
model = model.to(device)

由于数据的情感极性共分为两类，因此这里我们要把 output_dim 的值设置为 2。接下来是定义损失函数与优化方法，代码如下。

# 损失函数与优化方法
lr = 5e-4
criterion = torch.nn.CrossEntropyLoss()
criterion = criterion.to(device)

optimizer = torch.optim.Adam(model.parameters(), lr=lr)

计算loss

import tqdm
import sys
import numpy as np

def train(dataloader, model, criterion, optimizer, device):
    model.train()
    epoch_losses = []
    epoch_accs = []
    for batch in tqdm.tqdm(dataloader, desc='training...', file=sys.stdout):
        (label, ids, length) = batch
        label = label.to(device)
        ids = ids.to(device)
        length = length.to(device)
        prediction = model(ids, length)
        loss = criterion(prediction, label) # loss计算
        accuracy = get_accuracy(prediction, label)
        # 梯度更新
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        epoch_losses.append(loss.item())
        epoch_accs.append(accuracy.item())
    return epoch_losses, epoch_accs

def evaluate(dataloader, model, criterion, device):
    model.eval()
    epoch_losses = []
    epoch_accs = []
    with torch.no_grad():
        for batch in tqdm.tqdm(dataloader, desc='evaluating...', file=sys.stdout):
            (label, ids, length) = batch
            label = label.to(device)
            ids = ids.to(device)
            length = length.to(device)
            prediction = model(ids, length)
            loss = criterion(prediction, label) # loss计算
            accuracy = get_accuracy(prediction, label)
            epoch_losses.append(loss.item())
            epoch_accs.append(accuracy.item())
    return epoch_losses, epoch_accs

可以看到，这里训练过程与验证过程的 loss 计算，分别定义在了 train 函数和 evaluate 函数中。主要区别是训练过程有梯度的更新，而验证过程中不涉及梯度的更新，只计算 loss 即可。

模型的评估我们使用 ACC，也就是准确率作为评估指标，计算 ACC 的代码如下。

def get_accuracy(prediction, label):
    batch_size, _ = prediction.shape
    predicted_classes = prediction.argmax(dim=-1)
    correct_predictions = predicted_classes.eq(label).sum()
    accuracy = correct_predictions / batch_size
    return accuracy

迭代训练

n_epochs = 10
best_valid_loss = float('inf')

train_losses = []
train_accs = []
valid_losses = []
valid_accs = []

for epoch in range(n_epochs):
    train_loss, train_acc = train(train_dataloader, model, criterion, optimizer, device)
    valid_loss, valid_acc = evaluate(valid_dataloader, model, criterion, device)
    train_losses.extend(train_loss)
    train_accs.extend(train_acc)
    valid_losses.extend(valid_loss)
    valid_accs.extend(valid_acc) 
    epoch_train_loss = np.mean(train_loss)
    epoch_train_acc = np.mean(train_acc)
    epoch_valid_loss = np.mean(valid_loss)
    epoch_valid_acc = np.mean(valid_acc)    
    if epoch_valid_loss < best_valid_loss:
        best_valid_loss = epoch_valid_loss
        torch.save(model.state_dict(), 'lstm.pt')   
    print(f'epoch: {epoch+1}')
    print(f'train_loss: {epoch_train_loss:.3f}, train_acc: {epoch_train_acc:.3f}')
    print(f'valid_loss: {epoch_valid_loss:.3f}, valid_acc: {epoch_valid_acc:.3f}')