text cnn tensorflow

Text-cnn

Este código implementa redes neurais convolucionais para modelos de classificação de sentenças.

• Figura 1: Ilustração de uma arquitetura da CNN para classificação de frases

Requisitos

• Python 3.6
• Tensorflow 1.4
• HB-Config (Singleton Config)
• TQDM
• solicitações
• URL de webhook de entrada frouxo

Estrutura do projeto

projeto init by 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       

Referência: HB-Config, DataSet, Experiments_FN, Estimatorspec

• DataSet: RT-polaridade, análise de sentimentos em resenhas de filmes

Pendência

• Aplique incorp_type
  • CNN-Rand
  • CNN-estático
  • CNN-NONSTATIC
  • CNN-MULTICHANNEL

Config

Exemplo: 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 

Uso

Instale requisitos.

pip install -r requirements.txt

Em seguida, prepare o conjunto de dados e treine -o.

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

Após o treinamento, você pode tentar digitar as frases o que deseja usar predict.py .

python python predict.py --config rt-polarity

Prever exemplo

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

> good
1
> bad
0

Modos de experimentos

✅: Trabalhando
◽: ainda não testado.

• ✅ evaluate : Avalie os dados de avaliação.
• ◽ extend_train_hooks : estende os ganchos para treinamento.
• ◽ reset_export_strategies : Redefine as estratégias de exportação com as new_export_strategies.
• ◽ run_std_server : inicia um servidor Tensorflow e entra no thread de servir.
• ◽ test : testes de treinamento, avaliação e exportação do estimador para uma única etapa.
• ✅ train : ajuste o estimador usando os dados de treinamento.
• ✅ train_and_evaluate : Treinamento e avaliação entrelaves.

Tensorboard

tensorboard --logdir logs

• Cor da categoria

• RT-polaridade (classificação binária)

• kaggle_movie_review (classificação multiclasse)

Referência

• Implementando uma CNN para classificação de texto em Tensorflow por Denny Britz
• Artigo - Redes Neurais Convolucionais para Classificação de Sentença (2014) por Y Kim
• Artigo - Uma análise de sensibilidade do (e do guia dos profissionais para) redes neurais convolucionais para classificação de sentenças (2015) Y Zhang