सहायता Kaggle पर TensorFlow साथ ग्रेट बैरियर रीफ की रक्षा चैलेंज में शामिल हों

मूल पाठ वर्गीकरण

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखें नोटबुक डाउनलोड करें

यह ट्यूटोरियल डिस्क पर संग्रहीत प्लेन टेक्स्ट फाइलों से शुरू होने वाले टेक्स्ट वर्गीकरण को प्रदर्शित करता है। आप IMDB डेटासेट पर भावना विश्लेषण करने के लिए एक बाइनरी क्लासिफायरियर को प्रशिक्षित करेंगे। नोटबुक के अंत में, आपके लिए प्रयास करने के लिए एक अभ्यास है, जिसमें आप स्टैक ओवरफ़्लो पर प्रोग्रामिंग प्रश्न के लिए टैग की भविष्यवाणी करने के लिए एक बहु-वर्ग क्लासिफायरियर को प्रशिक्षित करेंगे।

import matplotlib.pyplot as plt
import os
import re
import shutil
import string
import tensorflow as tf

from tensorflow.keras import layers
from tensorflow.keras import losses
print(tf.__version__)
2.7.0

भावनाओं का विश्लेषण

इस नोटबुक सकारात्मक या नकारात्मक रूप में वर्गीकृत फिल्म समीक्षा, समीक्षा के पाठ पर आधारित करने के लिए एक भावना विश्लेषण मॉडल प्रशिक्षण देता है। यह द्विआधारी -या दो स्तरीय वर्गीकरण, मशीन समस्या सीखने का एक महत्वपूर्ण और व्यापक रूप से लागू तरह का एक उदाहरण है।

आप इस्तेमाल करेंगे बड़े फिल्म समीक्षा डेटासेट कि से 50,000 फिल्म समीक्षा की पाठ होता है इंटरनेट मूवी डाटाबेस । इन्हें प्रशिक्षण के लिए 25,000 समीक्षाओं और परीक्षण के लिए 25,000 समीक्षाओं में विभाजित किया गया है। प्रशिक्षण और परीक्षण सेट संतुलित जाता है, वे सकारात्मक और नकारात्मक समीक्षा की संख्या बराबर होते हैं।

IMDB डेटासेट डाउनलोड करें और एक्सप्लोर करें

आइए डेटासेट डाउनलोड करें और निकालें, फिर निर्देशिका संरचना का अन्वेषण करें।

url = "https://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz"

dataset = tf.keras.utils.get_file("aclImdb_v1", url,
                                    untar=True, cache_dir='.',
                                    cache_subdir='')

dataset_dir = os.path.join(os.path.dirname(dataset), 'aclImdb')
Downloading data from https://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz
84131840/84125825 [==============================] - 1s 0us/step
84140032/84125825 [==============================] - 1s 0us/step
os.listdir(dataset_dir)
['imdbEr.txt', 'README', 'train', 'test', 'imdb.vocab']
train_dir = os.path.join(dataset_dir, 'train')
os.listdir(train_dir)
['labeledBow.feat',
 'urls_pos.txt',
 'urls_unsup.txt',
 'unsup',
 'pos',
 'unsupBow.feat',
 'urls_neg.txt',
 'neg']

aclImdb/train/pos और aclImdb/train/neg निर्देशिका कई पाठ फ़ाइलें, एक भी फिल्म समीक्षा है, जिनमें से प्रत्येक में होते हैं। आइए उनमें से एक को देखें।

sample_file = os.path.join(train_dir, 'pos/1181_9.txt')
with open(sample_file) as f:
  print(f.read())
Rachel Griffiths writes and directs this award winning short film. A heartwarming story about coping with grief and cherishing the memory of those we've loved and lost. Although, only 15 minutes long, Griffiths manages to capture so much emotion and truth onto film in the short space of time. Bud Tingwell gives a touching performance as Will, a widower struggling to cope with his wife's death. Will is confronted by the harsh reality of loneliness and helplessness as he proceeds to take care of Ruth's pet cow, Tulip. The film displays the grief and responsibility one feels for those they have loved and lost. Good cinematography, great direction, and superbly acted. It will bring tears to all those who have lost a loved one, and survived.

डेटासेट लोड करें

इसके बाद, आप डेटा को डिस्क से लोड करेंगे और इसे प्रशिक्षण के लिए उपयुक्त प्रारूप में तैयार करेंगे। ऐसा करने के लिए, आप उपयोगी का उपयोग करेगा text_dataset_from_directory उपयोगिता है, जो एक निर्देशिका संरचना की उम्मीद है इस प्रकार है।

main_directory/
...class_a/
......a_text_1.txt
......a_text_2.txt
...class_b/
......b_text_1.txt
......b_text_2.txt

द्विआधारी वर्गीकरण के लिए एक डाटासेट तैयारी के लिए डिस्क पर दो फ़ोल्डर्स की जरूरत है, करने के लिए इसी जाएगा class_a और class_b । इन सकारात्मक और नकारात्मक फिल्म समीक्षा, में पाया जा सकता है किया जाएगा aclImdb/train/pos और aclImdb/train/neg । चूंकि IMDB डेटासेट में अतिरिक्त फ़ोल्डर होते हैं, आप इस उपयोगिता का उपयोग करने से पहले उन्हें हटा देंगे।

remove_dir = os.path.join(train_dir, 'unsup')
shutil.rmtree(remove_dir)

इसके बाद, आप का उपयोग करेगा text_dataset_from_directory एक लेबल बनाने के लिए उपयोगिता tf.data.Datasettf.data डेटा के साथ काम करने के लिए उपकरणों का एक शक्तिशाली संग्रह है।

: जब एक मशीन सीखने प्रयोग चल रहा है, यह तीन विभाजन में अपने डाटासेट विभाजित करने के लिए सबसे अच्छा अभ्यास है ट्रेन , सत्यापन , और परीक्षण

IMDB डेटासेट को पहले ही ट्रेन और परीक्षण में विभाजित किया जा चुका है, लेकिन इसमें सत्यापन सेट का अभाव है। के का उपयोग करके प्रशिक्षण डेटा की एक 80:20 विभाजन का उपयोग कर एक सत्यापन सेट बनाएँ validation_split नीचे तर्क।

batch_size = 32
seed = 42

raw_train_ds = tf.keras.utils.text_dataset_from_directory(
    'aclImdb/train', 
    batch_size=batch_size, 
    validation_split=0.2, 
    subset='training', 
    seed=seed)
Found 25000 files belonging to 2 classes.
Using 20000 files for training.

जैसा कि आप ऊपर देख सकते हैं, प्रशिक्षण फ़ोल्डर में 25,000 उदाहरण हैं, जिनमें से आप प्रशिक्षण के लिए 80% (या 20,000) का उपयोग करेंगे। आप एक पल में देखेंगे के रूप में, आप करने के लिए सीधे एक डाटासेट पास करके एक मॉडल को प्रशिक्षित कर सकते model.fit । यदि आप के लिए नए हैं tf.data , आप भी पुनरावृति डाटासेट से अधिक कर सकते हैं और कुछ उदाहरण प्रिंट आउट इस प्रकार है।

for text_batch, label_batch in raw_train_ds.take(1):
  for i in range(3):
    print("Review", text_batch.numpy()[i])
    print("Label", label_batch.numpy()[i])
Review b'"Pandemonium" is a horror movie spoof that comes off more stupid than funny. Believe me when I tell you, I love comedies. Especially comedy spoofs. "Airplane", "The Naked Gun" trilogy, "Blazing Saddles", "High Anxiety", and "Spaceballs" are some of my favorite comedies that spoof a particular genre. "Pandemonium" is not up there with those films. Most of the scenes in this movie had me sitting there in stunned silence because the movie wasn\'t all that funny. There are a few laughs in the film, but when you watch a comedy, you expect to laugh a lot more than a few times and that\'s all this film has going for it. Geez, "Scream" had more laughs than this film and that was more of a horror film. How bizarre is that?<br /><br />*1/2 (out of four)'
Label 0
Review b"David Mamet is a very interesting and a very un-equal director. His first movie 'House of Games' was the one I liked best, and it set a series of films with characters whose perspective of life changes as they get into complicated situations, and so does the perspective of the viewer.<br /><br />So is 'Homicide' which from the title tries to set the mind of the viewer to the usual crime drama. The principal characters are two cops, one Jewish and one Irish who deal with a racially charged area. The murder of an old Jewish shop owner who proves to be an ancient veteran of the Israeli Independence war triggers the Jewish identity in the mind and heart of the Jewish detective.<br /><br />This is were the flaws of the film are the more obvious. The process of awakening is theatrical and hard to believe, the group of Jewish militants is operatic, and the way the detective eventually walks to the final violent confrontation is pathetic. The end of the film itself is Mamet-like smart, but disappoints from a human emotional perspective.<br /><br />Joe Mantegna and William Macy give strong performances, but the flaws of the story are too evident to be easily compensated."
Label 0
Review b'Great documentary about the lives of NY firefighters during the worst terrorist attack of all time.. That reason alone is why this should be a must see collectors item.. What shocked me was not only the attacks, but the"High Fat Diet" and physical appearance of some of these firefighters. I think a lot of Doctors would agree with me that,in the physical shape they were in, some of these firefighters would NOT of made it to the 79th floor carrying over 60 lbs of gear. Having said that i now have a greater respect for firefighters and i realize becoming a firefighter is a life altering job. The French have a history of making great documentary\'s and that is what this is, a Great Documentary.....'
Label 1

सूचना समीक्षा कच्चे पाठ (विराम चिह्न और की तरह कभी-कभी HTML टैग के साथ शामिल <br/> )। आप उन्हें निम्नलिखित अनुभाग में दिखाएंगे कि इन्हें कैसे संभालना है।

लेबल 0 या 1. देखने के लिए सकारात्मक और नकारात्मक फिल्म समीक्षा करने के लिए इन अनुरूप की है, तो आप देख सकते हैं कि कर रहे हैं class_names डेटासेट पर संपत्ति।

print("Label 0 corresponds to", raw_train_ds.class_names[0])
print("Label 1 corresponds to", raw_train_ds.class_names[1])
Label 0 corresponds to neg
Label 1 corresponds to pos

इसके बाद, आप एक सत्यापन और परीक्षण डेटासेट तैयार करेंगे। आप सत्यापन के लिए प्रशिक्षण सेट से शेष 5,000 समीक्षाओं का उपयोग करेंगे।

raw_val_ds = tf.keras.utils.text_dataset_from_directory(
    'aclImdb/train', 
    batch_size=batch_size, 
    validation_split=0.2, 
    subset='validation', 
    seed=seed)
Found 25000 files belonging to 2 classes.
Using 5000 files for validation.
raw_test_ds = tf.keras.utils.text_dataset_from_directory(
    'aclImdb/test', 
    batch_size=batch_size)
Found 25000 files belonging to 2 classes.

प्रशिक्षण के लिए डेटासेट तैयार करें

इसके बाद, आप मानकीकृत जाएगा, tokenize, और सहायक का उपयोग कर डेटा vectorize tf.keras.layers.TextVectorization परत।

मानकीकरण टेक्स्ट को प्रीप्रोसेसिंग करने के लिए संदर्भित करता है, आमतौर पर डेटासेट को सरल बनाने के लिए विराम चिह्न या HTML तत्वों को हटाने के लिए। टोकननाइज़ेशन स्ट्रिंग्स को टोकन में विभाजित करने के लिए संदर्भित करता है (उदाहरण के लिए, एक वाक्य को अलग-अलग शब्दों में विभाजित करके, व्हॉट्सएप पर विभाजित करके)। वेक्टराइजेशन टोकन को संख्याओं में परिवर्तित करने को संदर्भित करता है ताकि उन्हें एक तंत्रिका नेटवर्क में फीड किया जा सके। इन सभी कार्यों को इस परत से पूरा किया जा सकता है।

आप ऊपर देखा, रूप समीक्षाएँ जैसे विभिन्न HTML टैग शामिल <br /> । ये टैग में डिफ़ॉल्ट standardizer से नहीं निकाला जाएगा TextVectorization परत (जो छोटे अक्षरों पर पाठ धर्मान्तरित और डिफ़ॉल्ट रूप से विराम चिह्न स्ट्रिप्स, लेकिन एचटीएमएल पट्टी नहीं है)। आप HTML को निकालने के लिए एक कस्टम मानकीकरण फ़ंक्शन लिखेंगे।

def custom_standardization(input_data):
  lowercase = tf.strings.lower(input_data)
  stripped_html = tf.strings.regex_replace(lowercase, '<br />', ' ')
  return tf.strings.regex_replace(stripped_html,
                                  '[%s]' % re.escape(string.punctuation),
                                  '')

इसके बाद, आप एक पैदा करेगा TextVectorization परत। आप इस परत का उपयोग हमारे डेटा को मानकीकृत करने, टोकन करने और वेक्टराइज़ करने के लिए करेंगे। आप सेट output_mode को int प्रत्येक टोकन के लिए अद्वितीय पूर्णांक सूचकांक बनाने के लिए।

ध्यान दें कि आप डिफ़ॉल्ट स्प्लिट फ़ंक्शन और ऊपर परिभाषित कस्टम मानकीकरण फ़ंक्शन का उपयोग कर रहे हैं। तुम भी एक स्पष्ट अधिकतम की तरह, मॉडल के लिए कुछ स्थिरांक को परिभाषित करेंगे sequence_length है, जो वास्तव में करने के लिए पैड या truncate दृश्यों को परत कारण होगा sequence_length मूल्यों।

max_features = 10000
sequence_length = 250

vectorize_layer = layers.TextVectorization(
    standardize=custom_standardization,
    max_tokens=max_features,
    output_mode='int',
    output_sequence_length=sequence_length)

इसके बाद, आप कॉल करेंगे adapt डाटासेट preprocessing परत की स्थिति के अनुरूप हों। यह मॉडल को पूर्णांकों के लिए स्ट्रिंग्स की अनुक्रमणिका बनाने का कारण बनेगा।

# Make a text-only dataset (without labels), then call adapt
train_text = raw_train_ds.map(lambda x, y: x)
vectorize_layer.adapt(train_text)

आइए कुछ डेटा को प्रीप्रोसेस करने के लिए इस परत का उपयोग करने के परिणाम देखने के लिए एक फ़ंक्शन बनाएं।

def vectorize_text(text, label):
  text = tf.expand_dims(text, -1)
  return vectorize_layer(text), label
# retrieve a batch (of 32 reviews and labels) from the dataset
text_batch, label_batch = next(iter(raw_train_ds))
first_review, first_label = text_batch[0], label_batch[0]
print("Review", first_review)
print("Label", raw_train_ds.class_names[first_label])
print("Vectorized review", vectorize_text(first_review, first_label))
Review tf.Tensor(b'Great movie - especially the music - Etta James - "At Last". This speaks volumes when you have finally found that special someone.', shape=(), dtype=string)
Label neg
Vectorized review (<tf.Tensor: shape=(1, 250), dtype=int64, numpy=
array([[  86,   17,  260,    2,  222,    1,  571,   31,  229,   11, 2418,
           1,   51,   22,   25,  404,  251,   12,  306,  282,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
           0,    0,    0,    0,    0,    0,    0,    0]])>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

जैसा कि आप ऊपर देख सकते हैं, प्रत्येक टोकन को एक पूर्णांक से बदल दिया गया है। आप टोकन (स्ट्रिंग) देखने के कर सकते हैं कि फोन करके करने के लिए प्रत्येक पूर्णांक मेल खाती .get_vocabulary() परत पर।

print("1287 ---> ",vectorize_layer.get_vocabulary()[1287])
print(" 313 ---> ",vectorize_layer.get_vocabulary()[313])
print('Vocabulary size: {}'.format(len(vectorize_layer.get_vocabulary())))
1287 --->  silent
 313 --->  night
Vocabulary size: 10000

आप अपने मॉडल को प्रशिक्षित करने के लिए लगभग तैयार हैं। अंतिम प्रीप्रोसेसिंग चरण के रूप में, आप ट्रेन, सत्यापन और परीक्षण डेटासेट पर आपके द्वारा पहले बनाई गई TextVectorization परत को लागू करेंगे।

train_ds = raw_train_ds.map(vectorize_text)
val_ds = raw_val_ds.map(vectorize_text)
test_ds = raw_test_ds.map(vectorize_text)

प्रदर्शन के लिए डेटासेट कॉन्फ़िगर करें

ये दो महत्वपूर्ण तरीके हैं जिनका उपयोग आपको डेटा लोड करते समय यह सुनिश्चित करने के लिए करना चाहिए कि I/O अवरुद्ध न हो जाए।

.cache() के बाद यह डिस्क बंद लोड की स्मृति में डेटा रखता है। यह सुनिश्चित करेगा कि आपके मॉडल को प्रशिक्षित करते समय डेटासेट एक अड़चन न बने। यदि आपका डेटासेट मेमोरी में फ़िट होने के लिए बहुत बड़ा है, तो आप इस पद्धति का उपयोग एक प्रदर्शनकारी ऑन-डिस्क कैश बनाने के लिए भी कर सकते हैं, जो कई छोटी फ़ाइलों की तुलना में पढ़ने में अधिक कुशल है।

.prefetch() preprocessing डेटा और मॉडल निष्पादन करते हुए प्रशिक्षण चढ़ जाता है।

आप और अधिक दोनों विधियों के बारे में डिस्क के लिए कैश डेटा सीख सकते हैं, साथ ही साथ कैसे डेटा प्रदर्शन गाइड

AUTOTUNE = tf.data.AUTOTUNE

train_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
test_ds = test_ds.cache().prefetch(buffer_size=AUTOTUNE)

मॉडल बनाएं

आपका तंत्रिका नेटवर्क बनाने का समय आ गया है:

embedding_dim = 16
model = tf.keras.Sequential([
  layers.Embedding(max_features + 1, embedding_dim),
  layers.Dropout(0.2),
  layers.GlobalAveragePooling1D(),
  layers.Dropout(0.2),
  layers.Dense(1)])

model.summary()
Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 embedding (Embedding)       (None, None, 16)          160016    
                                                                 
 dropout (Dropout)           (None, None, 16)          0         
                                                                 
 global_average_pooling1d (G  (None, 16)               0         
 lobalAveragePooling1D)                                          
                                                                 
 dropout_1 (Dropout)         (None, 16)                0         
                                                                 
 dense (Dense)               (None, 1)                 17        
                                                                 
=================================================================
Total params: 160,033
Trainable params: 160,033
Non-trainable params: 0
_________________________________________________________________

क्लासिफायरियर बनाने के लिए परतों को क्रमिक रूप से ढेर किया जाता है:

  1. पहली परत एक है Embedding परत। यह परत पूर्णांक-एन्कोडेड समीक्षाओं को लेती है और प्रत्येक शब्द-अनुक्रमणिका के लिए एक एम्बेडिंग वेक्टर की तलाश करती है। इन वैक्टर को मॉडल ट्रेन के रूप में सीखा जाता है। वेक्टर आउटपुट सरणी में एक आयाम जोड़ते हैं। जिसके परिणामस्वरूप आयाम हैं: (batch, sequence, embedding) । Embeddings के बारे में अधिक जानने के लिए, शब्द ट्यूटोरियल embedding
  2. इसके बाद, एक GlobalAveragePooling1D परत अनुक्रम आयाम के आधार पर औसत से प्रत्येक उदाहरण के लिए एक निश्चित लंबाई उत्पादन वेक्टर देता है। यह मॉडल को यथासंभव सरलतम तरीके से परिवर्तनीय लंबाई के इनपुट को संभालने की अनुमति देता है।
  3. यह निश्चित लंबाई उत्पादन वेक्टर एक पूरी तरह से जुड़ा हुआ (के माध्यम से पहुंचाया जाता है Dense 16 छिपा इकाइयों के साथ) परत।
  4. अंतिम परत एकल आउटपुट नोड के साथ घनी रूप से जुड़ी हुई है।

हानि समारोह और अनुकूलक

एक मॉडल को प्रशिक्षण के लिए एक हानि फ़ंक्शन और एक अनुकूलक की आवश्यकता होती है। चूंकि यह एक द्विआधारी वर्गीकरण समस्या है और एक संभावना आउटपुट मॉडल (एक अवग्रह सक्रियण के साथ एक एकल इकाई परत) है, तो आप इस्तेमाल करेंगे losses.BinaryCrossentropy नुकसान कार्य करते हैं।

अब, अनुकूलक और हानि फ़ंक्शन का उपयोग करने के लिए मॉडल को कॉन्फ़िगर करें:

model.compile(loss=losses.BinaryCrossentropy(from_logits=True),
              optimizer='adam',
              metrics=tf.metrics.BinaryAccuracy(threshold=0.0))

मॉडल को प्रशिक्षित करें

आप पास करके मॉडल को प्रशिक्षित करेंगे dataset फिट विधि करने के लिए वस्तु।

epochs = 10
history = model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=epochs)
Epoch 1/10
625/625 [==============================] - 3s 4ms/step - loss: 0.6650 - binary_accuracy: 0.6944 - val_loss: 0.6150 - val_binary_accuracy: 0.7728
Epoch 2/10
625/625 [==============================] - 2s 3ms/step - loss: 0.5478 - binary_accuracy: 0.8003 - val_loss: 0.4973 - val_binary_accuracy: 0.8224
Epoch 3/10
625/625 [==============================] - 2s 3ms/step - loss: 0.4440 - binary_accuracy: 0.8451 - val_loss: 0.4195 - val_binary_accuracy: 0.8466
Epoch 4/10
625/625 [==============================] - 2s 3ms/step - loss: 0.3774 - binary_accuracy: 0.8662 - val_loss: 0.3733 - val_binary_accuracy: 0.8624
Epoch 5/10
625/625 [==============================] - 2s 3ms/step - loss: 0.3349 - binary_accuracy: 0.8785 - val_loss: 0.3446 - val_binary_accuracy: 0.8666
Epoch 6/10
625/625 [==============================] - 2s 3ms/step - loss: 0.3049 - binary_accuracy: 0.8892 - val_loss: 0.3260 - val_binary_accuracy: 0.8718
Epoch 7/10
625/625 [==============================] - 2s 3ms/step - loss: 0.2809 - binary_accuracy: 0.8979 - val_loss: 0.3130 - val_binary_accuracy: 0.8730
Epoch 8/10
625/625 [==============================] - 2s 3ms/step - loss: 0.2618 - binary_accuracy: 0.9042 - val_loss: 0.3033 - val_binary_accuracy: 0.8762
Epoch 9/10
625/625 [==============================] - 2s 3ms/step - loss: 0.2449 - binary_accuracy: 0.9105 - val_loss: 0.2965 - val_binary_accuracy: 0.8786
Epoch 10/10
625/625 [==============================] - 2s 3ms/step - loss: 0.2315 - binary_accuracy: 0.9167 - val_loss: 0.2921 - val_binary_accuracy: 0.8804

मॉडल का मूल्यांकन करें

आइए देखें कि मॉडल कैसा प्रदर्शन करता है। दो मान लौटाए जाएंगे। हानि (एक संख्या जो हमारी त्रुटि का प्रतिनिधित्व करती है, कम मान बेहतर होते हैं), और सटीकता।

loss, accuracy = model.evaluate(test_ds)

print("Loss: ", loss)
print("Accuracy: ", accuracy)
782/782 [==============================] - 2s 2ms/step - loss: 0.3102 - binary_accuracy: 0.8728
Loss:  0.31020036339759827
Accuracy:  0.8728399872779846

यह काफी भोला दृष्टिकोण लगभग 86% की सटीकता प्राप्त करता है।

समय के साथ सटीकता और हानि का प्लॉट बनाएं

model.fit() की ओर से एक History उद्देश्य यह है कि सब कुछ है कि प्रशिक्षण के दौरान हुआ के साथ एक शब्दकोश में शामिल है:

history_dict = history.history
history_dict.keys()
dict_keys(['loss', 'binary_accuracy', 'val_loss', 'val_binary_accuracy'])

चार प्रविष्टियां हैं: प्रशिक्षण और सत्यापन के दौरान प्रत्येक मॉनिटर किए गए मीट्रिक के लिए एक। आप तुलना के लिए प्रशिक्षण और सत्यापन हानि के साथ-साथ प्रशिक्षण और सत्यापन सटीकता की साजिश रचने के लिए इनका उपयोग कर सकते हैं:

acc = history_dict['binary_accuracy']
val_acc = history_dict['val_binary_accuracy']
loss = history_dict['loss']
val_loss = history_dict['val_loss']

epochs = range(1, len(acc) + 1)

# "bo" is for "blue dot"
plt.plot(epochs, loss, 'bo', label='Training loss')
# b is for "solid blue line"
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()

plt.show()

पीएनजी

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend(loc='lower right')

plt.show()

पीएनजी

इस साजिश में, बिंदु प्रशिक्षण हानि और सटीकता का प्रतिनिधित्व करते हैं, और ठोस रेखाएं सत्यापन हानि और सटीकता हैं।

सूचना प्रशिक्षण नुकसान प्रत्येक युग और प्रत्येक युग के साथ प्रशिक्षण सटीकता वृद्धि के साथ कम हो जाती है। ग्रेडिएंट डिसेंट ऑप्टिमाइज़ेशन का उपयोग करते समय यह अपेक्षित है - इसे हर पुनरावृत्ति पर वांछित मात्रा को कम करना चाहिए।

सत्यापन हानि और सटीकता के लिए यह मामला नहीं है - वे प्रशिक्षण सटीकता से पहले चरम पर लगते हैं। यह ओवरफिटिंग का एक उदाहरण है: मॉडल प्रशिक्षण डेटा पर उस डेटा की तुलना में बेहतर प्रदर्शन करता है जो उसने पहले कभी नहीं देखा है। इस बिंदु के बाद, मॉडल पर-अनुकूलन और प्रशिक्षण डेटा है कि परीक्षण के आंकड़ों के सामान्यीकरण नहीं है करने के लिए सीखता अभ्यावेदन विशिष्ट।

इस विशेष मामले के लिए, जब सत्यापन सटीकता अब नहीं बढ़ रही है, तो आप केवल प्रशिक्षण को रोककर ओवरफिटिंग को रोक सकते हैं। एक तरह से ऐसा करने के लिए उपयोग करने के लिए है tf.keras.callbacks.EarlyStopping कॉलबैक।

मॉडल निर्यात करें

उपरोक्त कोड में, आप लागू किया TextVectorization मॉडल के लिए पाठ को खिलाने से पहले डाटासेट परत। आप अपने मॉडल कच्चे तार प्रसंस्करण (उदाहरण के लिए तो उसे लागू करने को आसान बनाने की) करने में सक्षम बनाना चाहते हैं, तो आप शामिल कर सकते हैं TextVectorization अपने मॉडल के अंदर परत। ऐसा करने के लिए, आप अभी-अभी प्रशिक्षित वज़न का उपयोग करके एक नया मॉडल बना सकते हैं।

export_model = tf.keras.Sequential([
  vectorize_layer,
  model,
  layers.Activation('sigmoid')
])

export_model.compile(
    loss=losses.BinaryCrossentropy(from_logits=False), optimizer="adam", metrics=['accuracy']
)

# Test it with `raw_test_ds`, which yields raw strings
loss, accuracy = export_model.evaluate(raw_test_ds)
print(accuracy)
782/782 [==============================] - 3s 3ms/step - loss: 0.3102 - accuracy: 0.8728
0.8728399872779846

नए डेटा पर अनुमान

नई उदाहरण के लिए पूर्वानुमान प्राप्त करने के लिए, आप बस फोन कर सकते हैं model.predict()

examples = [
  "The movie was great!",
  "The movie was okay.",
  "The movie was terrible..."
]

export_model.predict(examples)
array([[0.60190666],
       [0.4210796 ],
       [0.34067595]], dtype=float32)

अपने मॉडल के अंदर का पाठ preprocessing तर्क भी शामिल है आप उत्पादन है कि सरल तैनाती के लिए एक मॉडल के निर्यात करने के लिए सक्षम बनाता है, और के लिए क्षमता को कम कर देता ट्रेन / परीक्षण तिरछा

अपनी TextVectorization लेयर को कहां लागू करना है, यह चुनते समय ध्यान में रखने के लिए एक प्रदर्शन अंतर है। अपने मॉडल के बाहर इसका उपयोग करने से आप GPU पर प्रशिक्षण के दौरान एसिंक्रोनस सीपीयू प्रोसेसिंग और अपने डेटा की बफरिंग कर सकते हैं। इसलिए, यदि आप अपने मॉडल को GPU पर प्रशिक्षण दे रहे हैं, तो संभवतः आप अपने मॉडल को विकसित करते समय सर्वश्रेष्ठ प्रदर्शन प्राप्त करने के लिए इस विकल्प के साथ जाना चाहते हैं, फिर जब आप परिनियोजन की तैयारी के लिए तैयार हों तो अपने मॉडल के अंदर TextVectorization परत को शामिल करने के लिए स्विच करें। .

इस पर जाएँ ट्यूटोरियल मॉडल की बचत के बारे में अधिक जानने के लिए।

अभ्यास: स्टैक ओवरफ्लो प्रश्नों पर बहु-वर्गीय वर्गीकरण

इस ट्यूटोरियल में दिखाया गया है कि IMDB डेटासेट पर एक बाइनरी क्लासिफायरियर को स्क्रैच से कैसे प्रशिक्षित किया जाए। एक अभ्यास के रूप में, आप एक बहु स्तरीय वर्गीकारक को प्रशिक्षित करने पर एक प्रोग्रामिंग सवाल का टैग भविष्यवाणी करने के लिए इस नोटबुक को संशोधित कर सकते स्टैक ओवरफ़्लो

एक डाटासेट आप कई हजार प्रोग्रामिंग सवालों के शरीर युक्त का उपयोग करने के लिए तैयार किया गया है (उदाहरण के लिए, "मैं तरह अजगर? में मूल्य से एक शब्दकोश कर सकते हैं") स्टैक ओवरफ़्लो पर पोस्ट किए गए। इनमें से प्रत्येक को ठीक एक टैग (या तो पायथन, सीशार्प, जावास्क्रिप्ट, या जावा) के साथ लेबल किया गया है। आपका काम एक प्रश्न को इनपुट के रूप में लेना है, और उपयुक्त टैग की भविष्यवाणी करना है, इस मामले में, पायथन।

डाटासेट आप के साथ काम करेंगे पर बहुत बड़ा सार्वजनिक स्टैक ओवरफ़्लो डाटासेट से निकाले गए कई हजार प्रश्न शामिल हैं BigQuery है, जो अधिक से अधिक 17 लाख पदों में शामिल है।

डेटासेट डाउनलोड करने के बाद, आप पाएंगे कि इसमें IMDB डेटासेट के समान निर्देशिका संरचना है, जिसके साथ आपने पहले काम किया था:

train/
...python/
......0.txt
......1.txt
...javascript/
......0.txt
......1.txt
...csharp/
......0.txt
......1.txt
...java/
......0.txt
......1.txt

इस अभ्यास को पूरा करने के लिए, आपको निम्नलिखित संशोधन करके इस नोटबुक को स्टैक ओवरफ्लो डेटासेट के साथ काम करने के लिए संशोधित करना चाहिए:

  1. अपनी नोटबुक के शीर्ष पर, कोड डाउनलोड कोड के साथ IMDB डाटासेट डाउनलोड करने के लिए कि अद्यतन स्टैक ओवरफ़्लो डाटासेट कि पहले से ही तैयार की गई है। चूंकि स्टैक ओवरफ्लो डेटासेट में एक समान निर्देशिका संरचना होती है, इसलिए आपको कई संशोधन करने की आवश्यकता नहीं होगी।

  2. अपने मॉडल के अंतिम परत को संशोधित Dense(4) , के रूप में वहाँ अब चार उत्पादन वर्ग हैं।

  3. जब मॉडल संकलन, करने के लिए नुकसान को बदलने tf.keras.losses.SparseCategoricalCrossentropy । यह एक बहु स्तरीय वर्गीकरण समस्या है, जब प्रत्येक वर्ग के लिए लेबल पूर्णांक हैं के लिए उपयोग करने के लिए सही नुकसान समारोह है (इस मामले में, वे 0, 1, 2 या 3 हो सकता है)। इसके अलावा, के लिए मीट्रिक बदलने metrics=['accuracy'] है, क्योंकि यह एक बहु स्तरीय वर्गीकरण समस्या है ( tf.metrics.BinaryAccuracy केवल बाइनरी classifiers के लिए प्रयोग किया जाता है)।

  4. जब समय के साथ सटीकता, परिवर्तन की साजिश रचने binary_accuracy और val_binary_accuracy को accuracy और val_accuracy , क्रमशः।

  5. एक बार ये परिवर्तन पूर्ण हो जाने के बाद, आप एक बहु-वर्ग क्लासिफायरियर को प्रशिक्षित करने में सक्षम होंगे।

और अधिक सीखना

इस ट्यूटोरियल ने स्क्रैच से टेक्स्ट वर्गीकरण की शुरुआत की। सामान्य रूप में पाठ वर्गीकरण कार्यप्रवाह के बारे में अधिक जानने के लिए, बाहर की जाँच पाठ वर्गीकरण गाइड Google Developers से।

# MIT License
#
# Copyright (c) 2017 François Chollet
#
# Permission is hereby granted, free of charge, to any person obtaining a
# copy of this software and associated documentation files (the "Software"),
# to deal in the Software without restriction, including without limitation
# the rights to use, copy, modify, merge, publish, distribute, sublicense,
# and/or sell copies of the Software, and to permit persons to whom the
# Software is furnished to do so, subject to the following conditions:
#
# The above copyright notice and this permission notice shall be included in
# all copies or substantial portions of the Software.
#
# THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
# IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
# FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL
# THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
# LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
# FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER
# DEALINGS IN THE SOFTWARE.