chinese_text_cnn

TextCnn Pytorch implémente la classification du texte chinois

papier

Réseaux de neurones convolutionnels pour la classification des phrases

se référer à

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

Dépendances

• python3.5
• pytorch == 1.0.0
• torchtext == 0.3.1
• jieba == 0,39

Vecteur de mots

https://github.com/embdding/chinese-word- vecteurs
(Le mot word2vec formé par zhihu_qa dans zhihu Q&A)

usage

python3 main.py -h

former

python3 main.py

Précision

• CNN-RAND Initialisation aléatoire intégration

    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-statique utilisant des vecteurs de mots statiques pré-formés

    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-static Fining Pré-formation de vecteurs de mots formés

    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 Fineding plus statique

    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%