text cnn tensorflow

Teks-CNN

Kode ini mengimplementasikan jaringan saraf konvolusional untuk model klasifikasi kalimat.

• Gambar 1: Ilustrasi arsitektur CNN untuk klasifikasi kalimat

Persyaratan

• Python 3.6
• TensorFlow 1.4
• HB-Config (singleton config)
• TQDM
• permintaan
• URL Webhook Masuk yang Slack

Struktur proyek

Proyek Init oleh 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       

Referensi: HB-Config, Dataset, Experiments_FN, EstimatorSpec

• Dataset: RT-polaritas, analisis sentimen pada ulasan film

Todo

• Terapkan embed_type
  • CNN-Rand
  • CNN-statis
  • CNN-nonstatic
  • CNN-Multichannel

Konfigurasi

Contoh: 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 

Penggunaan

Pasang persyaratan.

pip install -r requirements.txt

Kemudian, siapkan dataset dan latih.

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

Setelah pelatihan, Anda dapat mencoba mengetik kalimat apa yang ingin Anda gunakan predict.py .

python python predict.py --config rt-polarity

Prediksi contoh

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

> good
1
> bad
0

Mode Eksperimen

✅: Bekerja
◽: Belum diuji.

• ✅ evaluate : Evaluasi data evaluasi.
• ◽ extend_train_hooks : Memperluas kait untuk pelatihan.
• ◽ reset_export_strategies : Reset strategi ekspor dengan new_export_strategies.
• ◽ run_std_server : Mulai server TensorFlow dan bergabung dengan utas penyajian.
• ◽ test : Tes Pelatihan, Mengevaluasi dan Mengekspor Estimator Untuk Satu Langkah.
• ✅ train : Pasang estimator menggunakan data pelatihan.
• ✅ train_and_evaluate : Interleaves Training and Evaluation.

Tensorboard

tensorboard --logdir logs

• Warna kategori

• RT-polaritas (klasifikasi biner)

• kaggle_movie_review (klasifikasi multiclass)

Referensi

• Menerapkan CNN untuk Klasifikasi Teks di TensorFlow oleh Denny Britz
• Kertas - Jaringan Saraf Konvolusional untuk Klasifikasi Kalimat (2014) Oleh Y Kim
• Makalah - Analisis sensitivitas (dan panduan praktisi untuk) jaringan saraf konvolusional untuk klasifikasi kalimat (2015) y zhang