text cnn tensorflow

Text-CNN

Dieser Code implementiert Faltungsnetzwerke für Satzklassifizierungsmodelle.

• Abbildung 1: Abbildung einer CNN -Architektur für die Satzklassifizierung

Anforderungen

• Python 3.6
• Tensorflow 1.4
• HB-Config (Singleton-Konfiguration)
• tqdm
• Anfragen
• Slack eingehende Webhook -URL

Projektstruktur

Init-Projekt von HB-Base

 .
├── config                  # Config files (.yml, .json) using with hb-config
├── data                    # dataset path
├── notebooks               # Prototyping with numpy or tf.interactivesession
├── scripts                 # download or prepare dataset using shell scripts
├── text-cnn                # text-cnn architecture graphs (from input to logits)
    ├── __init__.py             # Graph logic
├── data_loader.py          # raw_date -> precossed_data -> generate_batch (using Dataset)
├── hook.py                 # training or test hook feature (eg. print_variables)
├── main.py                 # define experiment_fn
├── model.py                # define EstimatorSpec
└── predict.py              # test trained model       

Referenz: HB-Config, Dataset, Experimente_FN, Schätzerspec

• Datensatz: RT-Polarity, Stimmungsanalyse zu Filmkritiken

Todo

• anwenden Sie einbett_type an
  • Cnn-rand
  • Cnn-static
  • Cnn-nonstatic
  • CNN-Multichannel

Konfiguration

Beispiel: kaggle_movie_review.yml

 data :
  type : ' kaggle_movie_review '
  base_path : ' data/ '
  raw_data_path : ' kaggle_movie_reviews/ '
  processed_path : ' kaggle_processed_data '
  testset_size : 25000
  num_classes : 5
  PAD_ID : 0

model :
  batch_size : 64
  embed_type : ' rand '     # (rand, static, non-static, multichannel)
  pretrained_embed : " " 
  embed_dim : 300
  num_filters : 256
  filter_sizes :
    - 2
    - 3
    - 4
    - 5
  dropout : 0.5

train :
  learning_rate : 0.00005
  
  train_steps : 100000
  model_dir : ' logs/kaggle_movie_review '
  
  save_checkpoints_steps : 1000
  loss_hook_n_iter : 1000
  check_hook_n_iter : 1000
  min_eval_frequency : 1000
  
slack :
  webhook_url : " "   # after training notify you using slack-webhook 

Verwendung

Anforderungen installieren.

pip install -r requirements.txt

Dann bereiten Sie den Datensatz vor und trainieren Sie ihn.

 sh prepare_kaggle_movie_reviews.sh
python main.py --config kaggle_movie_review --mode train_and_evaluate

Nach dem Training können Sie versuchen, die Sätze zu tippen, was Sie mit predict.py möchten.

python python predict.py --config rt-polarity

Beispiel vorhersagen

 python predict.py --config rt-polarity
Setting max_seq_length to Config : 62
load vocab ...
Typing anything :)

> good
1
> bad
0

Versuchsmodi

✅: Arbeiten
◽: noch nicht getestet.

• ✅ evaluate : Bewerten Sie die Bewertungsdaten.
• ◽ extend_train_hooks : erweitert die Hooks für das Training.
• ◽ reset_export_strategies : setzt die Exportstrategien mit den neuen_export_strategies zurück.
• ◽ run_std_server : Startet einen TensorFlow -Server und verbindet sich dem Servier -Thread.
• ◽ test : Testen Sie das Training, bewerten und exportieren Sie den Schätzer für einen einzelnen Schritt.
• ✅ train : Passen Sie den Schätzer mit den Trainingsdaten an.
• ✅ train_and_evaluate : schenkles Training und Bewertung.

Tensorboard

tensorboard --logdir logs

• Kategorie Farbe

• RT-Polarity (Binärklassifizierung)

• kaggle_movie_review (Multiclas -Klassifizierung)

Referenz

• Implementierung eines CNN für die Textklassifizierung in Tensorflow von Denny Britz
• Papier - Faltungsnetzwerke für die Satzklassifizierung (2014) von Y Kim
• Papier - Eine Sensitivitätsanalyse von Faltungsnetzwerken für die Satzklassifizierung (2015) y Zhang