chinese_text_cnn

Textcnn pytorch implementiert die chinesische Textklassifizierung

Papier

Faltungsnetzwerke für die Satzklassifizierung

beziehen sich auf

• https://github.com/yoonkim/cnn_sentence
• https://github.com/dennybritz/cnn-text-classification-tf
• https://github.com/shawn1993/cnn-text-classification-pytorch

Abhängigkeiten

• Python3.5
• pytorch == 1.0.0
• appext == 0.3.1
• Jieba == 0,39

Wortvektor

https://github.com/embedding/chinese-word-vectors
(Das Wort word2VEC von Zhihu_Qa in Zhihu Q & A trainiert)

Verwendung

python3 main.py -h

Zug

python3 main.py

Genauigkeit

• Einbettung von CNN-rand-Zufallsinitialisierung

    python main.py

    Batch[1800] - loss: 0.009499  acc: 100.0000%(128/128)
    Evaluation - loss: 0.000026  acc: 94.0000%(6616/7000)
    early stop by 1000 steps, acc: 94.0000%
  

• CNN-STATIC mit vorgebildeten statischen Wortvektoren

    python main.py -static=true

    Batch[1900] - loss: 0.011894  acc: 100.0000%(128/128)
    Evaluation - loss: 0.000018  acc: 95.0000%(6679/7000)
    early stop by 1000 steps, acc: 95.0000%
  

• CNN-Non-statische Feinabstimmungswörter-Vektoren

    python main.py -static=true -non-static=true

    Batch[1500] - loss: 0.008823  acc: 99.0000%(127/128))
    Evaluation - loss: 0.000016  acc: 96.0000%(6729/7000)
    early stop by 1000 steps, acc: 96.0000%
  

• CNN-Multichannel-Feinabstimmung plus statisches

    python main.py -static=true -non-static=true -multichannel=true

    Batch[1500] - loss: 0.023020  acc: 98.0000%(126/128))
    Evaluation - loss: 0.000016  acc: 96.0000%(6744/7000)
    early stop by 1000 steps, acc: 96.0000%