TF-Hub で Kaggle の問題を解く方法

TensorFlow.orgで表示 Google Colab で実行 GitHub でソースを表示 ノートブックをダウンロード/a0} TF Hub モデルを見る

TF-Hub は、機械学習の知識を再利用可能なリソース、特にトレーニング済みのモジュールとしてパッケージ化した知識を共有するためのプラットフォームです。このチュートリアルでは、TF-Hub テキスト埋め込みモジュールを使用して、合理的なベースラインの精度による単純なセンチメント分類器のトレーニングを行います。その後で、予測を Kaggle に送信します。

TF-Hub によるテキスト分類と精度を改善するための追加手順に関する詳細なチュートリアルについては、TF-Hub によるテキスト分類をご覧ください。

セットアップ

pip install -q kaggle
import tensorflow as tf
import tensorflow_hub as hub
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
import zipfile

from sklearn import model_selection

このチュートリアルでは Kaggle のデータセットを使用するため、Kaggle アカウントの API トークンの作成と、Colab 環境へのトークンのアップロードが必要となります。

import os
import pathlib

# Upload the API token.
def get_kaggle():
  try:
    import kaggle
    return kaggle
  except OSError:
    pass

  token_file = pathlib.Path("~/.kaggle/kaggle.json").expanduser()
  token_file.parent.mkdir(exist_ok=True, parents=True)

  try:
    from google.colab import files
  except ImportError:
    raise ValueError("Could not find kaggle token.")

  uploaded = files.upload()
  token_content = uploaded.get('kaggle.json', None)
  if token_content:
    token_file.write_bytes(token_content)
    token_file.chmod(0o600)
  else:
    raise ValueError('Need a file named "kaggle.json"')

  import kaggle
  return kaggle


kaggle = get_kaggle()

はじめに

データ

Kaggle の Sentiment Analysis on Movie Reviews(映画レビューのセンチメント分析)タスクを解いてみましょう。データセットには、Rotten Tomatoes という映画のレビューの構文サブフレーズが含まれます。これは、フレーズを 1 から 5 の段階で negative(否定的)または positive(肯定的)にラベル付けするタスクです。

API を使用してデータをダウンロードする前に、コンペのルールに同意する必要があります。

SENTIMENT_LABELS = [
    "negative", "somewhat negative", "neutral", "somewhat positive", "positive"
]

# Add a column with readable values representing the sentiment.
def add_readable_labels_column(df, sentiment_value_column):
  df["SentimentLabel"] = df[sentiment_value_column].replace(
      range(5), SENTIMENT_LABELS)

# Download data from Kaggle and create a DataFrame.
def load_data_from_zip(path):
  with zipfile.ZipFile(path, "r") as zip_ref:
    name = zip_ref.namelist()[0]
    with zip_ref.open(name) as zf:
      return pd.read_csv(zf, sep="\t", index_col=0)


# The data does not come with a validation set so we'll create one from the
# training set.
def get_data(competition, train_file, test_file, validation_set_ratio=0.1):
  data_path = pathlib.Path("data")
  kaggle.api.competition_download_files(competition, data_path)
  competition_path = (data_path/competition)
  competition_path.mkdir(exist_ok=True, parents=True)
  competition_zip_path = competition_path.with_suffix(".zip")

  with zipfile.ZipFile(competition_zip_path, "r") as zip_ref:
    zip_ref.extractall(competition_path)

  train_df = load_data_from_zip(competition_path/train_file)
  test_df = load_data_from_zip(competition_path/test_file)

  # Add a human readable label.
  add_readable_labels_column(train_df, "Sentiment")

  # We split by sentence ids, because we don't want to have phrases belonging
  # to the same sentence in both training and validation set.
  train_indices, validation_indices = model_selection.train_test_split(
      np.unique(train_df["SentenceId"]),
      test_size=validation_set_ratio,
      random_state=0)

  validation_df = train_df[train_df["SentenceId"].isin(validation_indices)]
  train_df = train_df[train_df["SentenceId"].isin(train_indices)]
  print("Split the training data into %d training and %d validation examples." %
        (len(train_df), len(validation_df)))

  return train_df, validation_df, test_df


train_df, validation_df, test_df = get_data(
    "sentiment-analysis-on-movie-reviews",
    "train.tsv.zip", "test.tsv.zip")
Split the training data into 140315 training and 15745 validation examples.

注意: このコンペのタスクは、すべてのレビューではなく、レビュー内の個別のフレーズを評価することで、難易度の非常に高いタスクと言えます。

train_df.head(20)

モデルをトレーニングする

注意: このタスクは回帰としてもモデル化することが可能です。TF-Hub によるテキスト分類をご覧ください。

class MyModel(tf.keras.Model):
  def __init__(self, hub_url):
    super().__init__()
    self.hub_url = hub_url
    self.embed = hub.load(self.hub_url).signatures['default']
    self.sequential = tf.keras.Sequential([
      tf.keras.layers.Dense(500),
      tf.keras.layers.Dense(100),
      tf.keras.layers.Dense(5),
    ])

  def call(self, inputs):
    phrases = inputs['Phrase'][:,0]
    embedding = 5*self.embed(phrases)['default']
    return self.sequential(embedding)

  def get_config(self):
    return {"hub_url":self.hub_url}
model = MyModel("https://tfhub.dev/google/nnlm-en-dim128/1")
model.compile(
    loss = tf.losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer=tf.optimizers.Adam(), 
    metrics = [tf.keras.metrics.SparseCategoricalAccuracy(name="accuracy")])
history = model.fit(x=dict(train_df), y=train_df['Sentiment'],
          validation_data=(dict(validation_df), validation_df['Sentiment']),
          epochs = 25)
Epoch 1/25
4385/4385 [==============================] - 17s 4ms/step - loss: 1.0675 - accuracy: 0.5706 - val_loss: 1.0057 - val_accuracy: 0.5848
Epoch 2/25
4385/4385 [==============================] - 16s 4ms/step - loss: 1.0022 - accuracy: 0.5937 - val_loss: 0.9822 - val_accuracy: 0.5984
Epoch 3/25
4385/4385 [==============================] - 16s 4ms/step - loss: 0.9971 - accuracy: 0.5949 - val_loss: 0.9810 - val_accuracy: 0.5940
Epoch 4/25
4385/4385 [==============================] - 16s 4ms/step - loss: 0.9940 - accuracy: 0.5984 - val_loss: 0.9900 - val_accuracy: 0.5900
Epoch 5/25
4385/4385 [==============================] - 16s 4ms/step - loss: 0.9939 - accuracy: 0.5942 - val_loss: 0.9829 - val_accuracy: 0.5964
Epoch 6/25
4385/4385 [==============================] - 16s 4ms/step - loss: 0.9951 - accuracy: 0.5963 - val_loss: 0.9833 - val_accuracy: 0.5943
Epoch 7/25
4385/4385 [==============================] - 16s 4ms/step - loss: 0.9911 - accuracy: 0.5978 - val_loss: 0.9876 - val_accuracy: 0.5907
Epoch 8/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9862 - accuracy: 0.5997 - val_loss: 0.9780 - val_accuracy: 0.6008
Epoch 9/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9914 - accuracy: 0.5981 - val_loss: 0.9834 - val_accuracy: 0.5919
Epoch 10/25
4385/4385 [==============================] - 16s 4ms/step - loss: 0.9876 - accuracy: 0.5991 - val_loss: 0.9785 - val_accuracy: 0.6008
Epoch 11/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9872 - accuracy: 0.5989 - val_loss: 0.9800 - val_accuracy: 0.5929
Epoch 12/25
4385/4385 [==============================] - 16s 4ms/step - loss: 0.9883 - accuracy: 0.5982 - val_loss: 0.9807 - val_accuracy: 0.5917
Epoch 13/25
4385/4385 [==============================] - 16s 4ms/step - loss: 0.9874 - accuracy: 0.5999 - val_loss: 0.9806 - val_accuracy: 0.5935
Epoch 14/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9862 - accuracy: 0.6000 - val_loss: 0.9773 - val_accuracy: 0.5977
Epoch 15/25
4385/4385 [==============================] - 16s 4ms/step - loss: 0.9872 - accuracy: 0.5980 - val_loss: 0.9888 - val_accuracy: 0.5929
Epoch 16/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9880 - accuracy: 0.5972 - val_loss: 0.9810 - val_accuracy: 0.5937
Epoch 17/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9885 - accuracy: 0.6009 - val_loss: 0.9867 - val_accuracy: 0.5912
Epoch 18/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9868 - accuracy: 0.5993 - val_loss: 0.9810 - val_accuracy: 0.5958
Epoch 19/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9836 - accuracy: 0.6013 - val_loss: 0.9782 - val_accuracy: 0.5947
Epoch 20/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9869 - accuracy: 0.6004 - val_loss: 0.9748 - val_accuracy: 0.5992
Epoch 21/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9838 - accuracy: 0.6009 - val_loss: 0.9791 - val_accuracy: 0.5989
Epoch 22/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9885 - accuracy: 0.5985 - val_loss: 0.9814 - val_accuracy: 0.5964
Epoch 23/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9827 - accuracy: 0.6019 - val_loss: 0.9820 - val_accuracy: 0.5952
Epoch 24/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9845 - accuracy: 0.6018 - val_loss: 0.9766 - val_accuracy: 0.5975
Epoch 25/25
4385/4385 [==============================] - 17s 4ms/step - loss: 0.9865 - accuracy: 0.5995 - val_loss: 0.9819 - val_accuracy: 0.5940

予測

検証セットとトレーニングセットの予測を実行します。

plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
[<matplotlib.lines.Line2D at 0x7f50dc483080>]

png

train_eval_result = model.evaluate(dict(train_df), train_df['Sentiment'])
validation_eval_result = model.evaluate(dict(validation_df), validation_df['Sentiment'])

print(f"Training set accuracy: {train_eval_result[1]}")
print(f"Validation set accuracy: {validation_eval_result[1]}")
4385/4385 [==============================] - 15s 4ms/step - loss: 0.9834 - accuracy: 0.6016
493/493 [==============================] - 1s 2ms/step - loss: 0.9819 - accuracy: 0.5940
Training set accuracy: 0.6016035079956055
Validation set accuracy: 0.5939663648605347

混同行列

特にマルチクラスの問題におけるもう 1 つの非常に興味深い統計に、混同行列というのがあります。混同行列では、正確および不正確にラベル付けされたサンプルの比率を視覚化することができます。そのため、分類器がどの程度偏っているのか、ラベルの分布に意味があるかどうかを簡単に確認することができます。予測の最大部分が対角線に沿って分散されているのが理想です。

predictions = model.predict(dict(validation_df))
predictions = tf.argmax(predictions, axis=-1)
predictions
<tf.Tensor: shape=(15745,), dtype=int64, numpy=array([1, 1, 2, ..., 2, 2, 2])>
cm = tf.math.confusion_matrix(validation_df['Sentiment'], predictions)
cm = cm/cm.numpy().sum(axis=1)[:, tf.newaxis]
sns.heatmap(
    cm, annot=True,
    xticklabels=SENTIMENT_LABELS,
    yticklabels=SENTIMENT_LABELS)
plt.xlabel("Predicted")
plt.ylabel("True")
Text(32.99999999999999, 0.5, 'True')

png

次のコードをコードセルに貼り付けて実行することで、簡単に予測を Kaggle に送信することができます。

test_predictions = model.predict(dict(test_df))
test_predictions = np.argmax(test_predictions, axis=-1)

result_df = test_df.copy()

result_df["Predictions"] = test_predictions

result_df.to_csv(
    "predictions.csv",
    columns=["Predictions"],
    header=["Sentiment"])
kaggle.api.competition_submit("predictions.csv", "Submitted from Colab",
                              "sentiment-analysis-on-movie-reviews")

送信後、リーダーボードでその結果を確認することができます。