【NLP】【八】基于keras与imdb影评数据集做情感分类

【一】本文内容综述

1. keras使用流程分析（模型搭建、模型保存、模型加载、模型使用、训练过程可视化、模型可视化等）

2. 利用keras做文本数据预处理

【二】环境准备

1. 数据集下载：http://ai.stanford.edu/~amaas/data/sentiment/

2.安装Graphviz ，keras进行模型可视化时，会用到该组件： https://graphviz.gitlab.io/_pages/Download/Download_windows.html

【三】数据预处理

将imdb压缩包解压后，进行数据预处理。

1. 将每条影评中的部分词去掉

2. 将影评与label对应起来

3. 将影评映射为int id，同时将每条影评的长度固定，好作为定长输入数据

# -*- coding:utf-8 -*-
import  keras
import os
import numpy as np
import re
from keras.preprocessing import text
from keras.preprocessing import sequence
from keras.utils import plot_model
import matplotlib.pyplot as plt

Reg = re.compile(r'[A-Za-z]*')
stop_words = ['is','the','a']

max_features = 5000
word_embedding_size = 50
maxlen = 400
filters = 250
kernel_size = 3
hidden_dims = 250


def prepross(file):
    with open(file,encoding='utf-8') as f:
        data = f.readlines()
        data = Reg.findall(data[0])
        # 将句子中的每个单词转化为小写
        data = [x.lower() for x in data]
        # 将句子中的部分词从停用词表中剔除
        data = [x for x in data if x!='' and x not in stop_words]
        # 返回值必须是个句子，不能是单词列表
        return ' '.join(data)

def imdb_load(type):
    root_path = "E:/nlp_data/aclImdb_v1/aclImdb/"
    # 遍历所有文件
    file_lists = []
    pos_path = root_path + type + "/pos/"
    for f in os.listdir(pos_path):
        file_lists.append(pos_path + f)
    neg_path = root_path + type + "/neg/"
    for f in os.listdir(neg_path):
        file_lists.append(neg_path + f)
    # file_lists中前12500个为pos，后面为neg，labels与其保持一致
    labels = [1 for i in range(12500)]
    labels.extend([0 for i in range(12500)])
    # 将文件随机打乱，注意file与label打乱后依旧要通过下标一一对应。
    # 否则会导致 file与label不一致
    index = np.arange(len(labels))
    np.random.shuffle(index)
    # 转化为numpy格式
    labels = np.array(labels)
    file_lists = np.array(file_lists)
    labels[index]
    file_lists[index]
    # 逐个处理文件
    sentenses = []
    for file in file_lists:
        #print(file)
        sentenses.append(prepross(file))
    return sentenses,labels

def imdb_load_data():
    x_train,y_train = imdb_load("train")
    x_test,y_test = imdb_load("test")
    # 建立单词和数字映射的词典
    token = text.Tokenizer(num_words=max_features)
    token.fit_on_texts(x_train)
    # 将影评映射到数字
    x_train = token.texts_to_sequences(x_train)
    x_test = token.texts_to_sequences(x_test)
    # 让所有影评保持固定长度的词数目
    x_train = sequence.pad_sequences(x_train,maxlen=maxlen)
    x_test = sequence.pad_sequences(x_test,maxlen=maxlen)
    return (x_train,y_train),(x_test,y_test)

【四】模型搭建与训练

def train():
    (x_train, y_train), (x_test, y_test) = imdb_load_data()
    model = keras.Sequential()
    # 构造词嵌入层
    model.add(keras.layers.Embedding(input_dim=max_features,output_dim=word_embedding_size,name="embedding"))
    # 通过layer名字获取layer的信息
    print(model.get_layer(name="embedding").input_shape)
    # 基于词向量的堆叠方式做卷积
    model.add(keras.layers.Conv1D(filters=filters,kernel_size=kernel_size,strides=1
                                  ,activation=keras.activations.relu,name="conv1d"))
    # 对每一个卷积出的特征向量做最大池化
    model.add(keras.layers.GlobalAvgPool1D(name="maxpool1d"))
    # fc,输入是250维，输出是hidden_dims
    model.add(keras.layers.Dense(units=hidden_dims,name="dense1"))
    # 添加激活层
    model.add(keras.layers.Activation(activation=keras.activations.relu,name="relu1"))
    # fc，二分类问题，输出维度为1
    model.add(keras.layers.Dense(units=1,name="dense2"))
    # 二分类问题，使用sigmod函数做分类器
    model.add(keras.layers.Activation(activation=keras.activations.sigmoid,name="sigmoe"))
    # 打印模型各层layer信息
    model.summary()
    # 模型编译，配置loss，optimization
    model.compile(optimizer=keras.optimizers.Adam(),
                  loss=keras.losses.binary_crossentropy,
                  metrics=['accuracy'])
    # 模型训练
    '''
    # 如果想保存每一个batch的loss等数据，需要传递一个callback
    history = LossHistory()
    train_history = model.fit(x=x_train,
                              y=y_train,
                              batch_size=128,
                              epochs=1,
                              validation_data=(x_test,y_test),
                              callbacks=[history])
    show_train_history2(history)
    # 结果可视化
    
    '''
    # fit 返回的log中，有 epochs 组数据，即只保存每个epoch的最后一次的loss等值
    train_history = model.fit(x=x_train,
                              y=y_train,
                              batch_size=128,
                              epochs=1,
                              validation_data=(x_test,y_test))
    show_train_history(train_history)

    # 模型保存
    model.save(filepath="./models/demo_imdb_rnn.h5")
    # 模型保存一份图片
    plot_model(model=model,to_file="./models/demo_imdb_rnn.png",
               show_layer_names=True,show_shapes=True)

【五】模型训练过程中loss的曲线绘制

class LossHistory(keras.callbacks.Callback):
    def on_train_begin(self, logs={}):
        self.losses = []
    def on_batch_end(self, batch, logs={}):
        self.losses.append(logs.get('loss'))


def show_train_history2(history):
    plt.plot(history.losses)
    plt.title("model losses")
    plt.xlabel('batch')
    plt.ylabel('losses')
    plt.legend()
    # 先保存图片，后显示，不然保存的图片是空白
    plt.savefig("./models/demo_imdb_rnn_train.png")
    plt.show()
def show_train_history(train_history):
    print(train_history.history.keys())
    print(train_history.epoch)
    plt.plot(train_history.history['acc'])
    plt.plot(train_history.history['val_acc'])
    plt.title("model accuracy")
    plt.xlabel("epoch")
    plt.ylabel("accuracy")
    plt.legend()
    plt.show()

    plt.plot(train_history.history['loss'])
    plt.plot(train_history.history['val_loss'])
    plt.title("model loss")
    plt.xlabel("epoch")
    plt.ylabel("loss")
    plt.legend()
    plt.show()

【六】基于训练好的模型做预测

def gen_predict_data(path):
    sent = prepross(path)
    x_train,t_train = imdb_load("train")
    token = text.Tokenizer(num_words=max_features)
    token.fit_on_texts(x_train)
    x = token.texts_to_sequences([sent])
    x = sequence.pad_sequences(x,maxlen=maxlen)
    return x

RESULT = {1:'pos',0:'neg'}

def predict(path):
    x = gen_predict_data(path)
    model = keras.models.load_model("./models/demo_imdb_rnn.h5")
    y = model.predict(x)
    print(y)
    y= model.predict_classes(x)
    print(y)
    print(RESULT[y[0][0]])

predict(r"E:\nlp_data\aclImdb_v1\aclImdb\test\neg\0_2.txt")
predict(r"E:\nlp_data\aclImdb_v1\aclImdb\test\pos\0_10.txt")

预测结果如下：

[[0.16223338]]
[[0]]
neg
[[0.8812848]]
[[1]]
pos

【七】整体代码如下

# -*- coding:utf-8 -*-
import  keras
import os
import numpy as np
import re
from keras.preprocessing import text
from keras.preprocessing import sequence
from keras.utils import plot_model
import matplotlib.pyplot as plt

Reg = re.compile(r'[A-Za-z]*')
stop_words = ['is','the','a']

max_features = 5000
word_embedding_size = 50
maxlen = 400
filters = 250
kernel_size = 3
hidden_dims = 250

class LossHistory(keras.callbacks.Callback):
    def on_train_begin(self, logs={}):
        self.losses = []
    def on_batch_end(self, batch, logs={}):
        self.losses.append(logs.get('loss'))

def prepross(file):
    with open(file,encoding='utf-8') as f:
        data = f.readlines()
        data = Reg.findall(data[0])
        # 将句子中的每个单词转化为小写
        data = [x.lower() for x in data]
        # 将句子中的部分词从停用词表中剔除
        data = [x for x in data if x!='' and x not in stop_words]
        # 返回值必须是个句子，不能是单词列表
        return ' '.join(data)

def imdb_load(type):
    root_path = "E:/nlp_data/aclImdb_v1/aclImdb/"
    # 遍历所有文件
    file_lists = []
    pos_path = root_path + type + "/pos/"
    for f in os.listdir(pos_path):
        file_lists.append(pos_path + f)
    neg_path = root_path + type + "/neg/"
    for f in os.listdir(neg_path):
        file_lists.append(neg_path + f)
    # file_lists中前12500个为pos，后面为neg，labels与其保持一致
    labels = [1 for i in range(12500)]
    labels.extend([0 for i in range(12500)])
    # 将文件随机打乱，注意file与label打乱后依旧要通过下标一一对应。
    # 否则会导致 file与label不一致
    index = np.arange(len(labels))
    np.random.shuffle(index)
    # 转化为numpy格式
    labels = np.array(labels)
    file_lists = np.array(file_lists)
    labels[index]
    file_lists[index]
    # 逐个处理文件
    sentenses = []
    for file in file_lists:
        #print(file)
        sentenses.append(prepross(file))
    return sentenses,labels

def imdb_load_data():
    x_train,y_train = imdb_load("train")
    x_test,y_test = imdb_load("test")
    # 建立单词和数字映射的词典
    token = text.Tokenizer(num_words=max_features)
    token.fit_on_texts(x_train)
    # 将影评映射到数字
    x_train = token.texts_to_sequences(x_train)
    x_test = token.texts_to_sequences(x_test)
    # 让所有影评保持固定长度的词数目
    x_train = sequence.pad_sequences(x_train,maxlen=maxlen)
    x_test = sequence.pad_sequences(x_test,maxlen=maxlen)
    return (x_train,y_train),(x_test,y_test)

def train():
    (x_train, y_train), (x_test, y_test) = imdb_load_data()
    model = keras.Sequential()
    # 构造词嵌入层
    model.add(keras.layers.Embedding(input_dim=max_features,output_dim=word_embedding_size,name="embedding"))
    # 通过layer名字获取layer的信息
    print(model.get_layer(name="embedding").input_shape)
    # 基于词向量的堆叠方式做卷积
    model.add(keras.layers.Conv1D(filters=filters,kernel_size=kernel_size,strides=1
                                  ,activation=keras.activations.relu,name="conv1d"))
    # 对每一个卷积出的特征向量做最大池化
    model.add(keras.layers.GlobalAvgPool1D(name="maxpool1d"))
    # fc,输入是250维，输出是hidden_dims
    model.add(keras.layers.Dense(units=hidden_dims,name="dense1"))
    # 添加激活层
    model.add(keras.layers.Activation(activation=keras.activations.relu,name="relu1"))
    # fc，二分类问题，输出维度为1
    model.add(keras.layers.Dense(units=1,name="dense2"))
    # 二分类问题，使用sigmod函数做分类器
    model.add(keras.layers.Activation(activation=keras.activations.sigmoid,name="sigmoe"))
    # 打印模型各层layer信息
    model.summary()
    # 模型编译，配置loss，optimization
    model.compile(optimizer=keras.optimizers.Adam(),
                  loss=keras.losses.binary_crossentropy,
                  metrics=['accuracy'])
    # 模型训练
    '''
    # 如果想保存每一个batch的loss等数据，需要传递一个callback
    history = LossHistory()
    train_history = model.fit(x=x_train,
                              y=y_train,
                              batch_size=128,
                              epochs=1,
                              validation_data=(x_test,y_test),
                              callbacks=[history])
    show_train_history2(history)
    # 结果可视化
    
    '''
    # fit 返回的log中，有 epochs 组数据，即只保存每个epoch的最后一次的loss等值
    train_history = model.fit(x=x_train,
                              y=y_train,
                              batch_size=128,
                              epochs=10,
                              validation_data=(x_test,y_test))
    show_train_history(train_history)

    # 模型保存
    model.save(filepath="./models/demo_imdb_rnn.h5")
    # 模型保存一份图片
    plot_model(model=model,to_file="./models/demo_imdb_rnn.png",
               show_layer_names=True,show_shapes=True)

def show_train_history2(history):
    plt.plot(history.losses)
    plt.title("model losses")
    plt.xlabel('batch')
    plt.ylabel('losses')
    plt.legend()
    # 先保存图片，后显示，不然保存的图片是空白
    plt.savefig("./models/demo_imdb_rnn_train.png")
    plt.show()
def show_train_history(train_history):
    print(train_history.history.keys())
    print(train_history.epoch)
    plt.plot(train_history.history['acc'])
    plt.plot(train_history.history['val_acc'])
    plt.title("model accuracy")
    plt.xlabel("epoch")
    plt.ylabel("accuracy")
    plt.legend()
    plt.show()

    plt.plot(train_history.history['loss'])
    plt.plot(train_history.history['val_loss'])
    plt.title("model loss")
    plt.xlabel("epoch")
    plt.ylabel("loss")
    plt.legend()
    plt.show()

def gen_predict_data(path):
    sent = prepross(path)
    x_train,t_train = imdb_load("train")
    token = text.Tokenizer(num_words=max_features)
    token.fit_on_texts(x_train)
    x = token.texts_to_sequences([sent])
    x = sequence.pad_sequences(x,maxlen=maxlen)
    return x

RESULT = {1:'pos',0:'neg'}

def predict(path):
    x = gen_predict_data(path)
    model = keras.models.load_model("./models/demo_imdb_rnn.h5")
    y = model.predict(x)
    print(y)
    y= model.predict_classes(x)
    print(y)
    print(RESULT[y[0][0]])

#train()
predict(r"E:\nlp_data\aclImdb_v1\aclImdb\test\neg\0_2.txt")
predict(r"E:\nlp_data\aclImdb_v1\aclImdb\test\pos\0_10.txt")

【八】结果对比与分析

本文主要参考keras example示例（https://github.com/keras-team/keras/blob/master/examples/imdb_cnn.py），该示例的imdb数据已经预处理好了。所以尝试重新对数据进行预处理，和keras示例相比，精度基本一致。

keras模型png图片如下:

也可以使用工具Netron（https://github.com/lutzroeder/Netron）打开keras保存的.h5格式的模型

Netron是个可视化模型的神器，可以可视化caffe/tensorflow/keras等模型

【九】可视化

上面提到了三种可视化，一是利用callback回调，记录单个epoch下逐个batch的loss等数据，然后绘制曲线图，或者利用history绘制多个epoch下的loss等变化曲线图，二是将模型保存为图片，三是利用Netron查看.h5模型。现在介绍第四种可视化方式，即 利用tensorboard来显示训练过程与模型参数

使用方式比较简单，给fit函数传递一个keras.callbacks.TensorBoard 作为callback对象即可。

    tensorboard = keras.callbacks.TensorBoard(log_dir="./logs/")
    train_history = model.fit(x=x_train,
                              y=y_train,
                              batch_size=128,
                              epochs=1,
                              validation_data=(x_test,y_test),
                              callbacks=[tensorboard])

启动tensorboard（tensorboard --logdir=./logs/）之后，然后在浏览器输入：http://localhost:6006 ,即可看到各种信息

【十】关于其中的Embedding层

前面介绍过，可以使用word2vec或者fasttext或者gensim训练出词向量，而这里的Embedding好像也没有使用训练好的词向量啊？原因是这里的embedding也是参与训练的，他是整个流程的一部分。所以，embedding的参数解释如下：

    # 构造词嵌入层
    # input_dim ----> 词典的最大词数目，即V
    # output_dim ---->词向量的维度大小，即m
    # input_length---->数据数据x的大小，即句子长度。也就是一个句子有多少个词。由于句子长度不一，这也是前面为什么需要
    #                  将句子截断或者填充
    model.add(keras.layers.Embedding(input_dim=max_features,output_dim=word_embedding_size,name="embedding"))
    

那如果需要使用fasttext训练好的词向量，怎么办呢？其实这个好办，也就是一个fine-tuning的过程，不过针对上述网络而言，仅仅对embedding层进行fine-tuning。

分为如下三个步骤：

1. 获取预训练的词向量，将其解析出来，可以解析到一个map或者dict中，其中key=token，value=word vector。 V*M

2. 将训练的语料（如imdb）预处理后，通过查表方式，从上述map中得到对应词的向量，然后得到当前语料库的词向量（V1*M）。注意，这里词向量的size依旧为M，只是词典的大小换成了V1。如果当前语料库中的某个词不再预训练的词典中，则可以将该词的词向量随机初始化。

3. 将当前语料库的word embedding，填充到Embeeding layer的参数中。

代码如下：

这里以斯坦福大学通过glove训练好的word embedding为例

下载网址：https://nlp.stanford.edu/projects/glove/

# 初始化词典
embedding_matrix = np.zeros(shape=(V,m))
word_index = {}
embedding_index = {}
# 选择m=50的预训练数据,将预训练的词与vector提取到embedding_index中存储起来
with open("glove.6B.50d.txt") as f:
    for line in f:
        values = line.split()
        word = values[0]
        coefs = np.asarray(values[1:],dtype=np.float32)
        embedding_index[word] = coefs
'''
x_train,t_train = imdb_load("train")
token = text.Tokenizer(num_words=max_features)
token.fit_on_texts(x_train)
'''
# 获取当前语料（imdb）的词
word_index = token.word_index
not_find = 0
for word,i in word_index.items():
    if i < V:
        # 查预训练的词表
        embedding_vec = embedding_index.get(word)
        if embedding_vec is not None:
            embedding_matrix[i] = embedding_vec
        else:
            not_find += 1
# 将权值设置到embedding layer中
model.layers[0].set_weigth([embedding_matrix])
# frozen embedding layer，也可以不冻结。不冻结的话就可以fine-tuning该层
model.layers[0].trainable = False

 

 

来源：oschina

链接：https://my.oschina.net/u/3800567/blog/2887156