इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

मूल पाठ वर्गीकरण

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

यह ट्यूटोरियल डिस्क पर संग्रहीत सादे पाठ फ़ाइलों से शुरू होने वाले पाठ वर्गीकरण को प्रदर्शित करता है। आप एक IMDB डेटासेट पर भावना विश्लेषण करने के लिए एक द्विआधारी क्लासिफायरियर ट्रेन करेंगे। नोटबुक के अंत में, आपके द्वारा प्रयास करने के लिए एक अभ्यास है, जिसमें आप स्टैक ओवरफ्लो पर एक प्रोग्रामिंग प्रश्न के लिए टैग की भविष्यवाणी करने के लिए एक मल्टीस्कूल 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
from tensorflow.keras import preprocessing
from tensorflow.keras.layers.experimental.preprocessing import TextVectorization
 
 print(tf.__version__)
 
2.3.0

भावनाओं का विश्लेषण

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

आप लार्ज मूवी रिव्यू डेटासेट का उपयोग करेंगे जिसमें इंटरनेट मूवी डेटाबेस से 50,000 मूवी रिव्यू का पाठ शामिल है। ये प्रशिक्षण के लिए 25,000 समीक्षाओं और परीक्षण के लिए 25,000 समीक्षाओं में विभाजित हैं। प्रशिक्षण और परीक्षण सेट संतुलित हैं , जिसका अर्थ है कि उनमें समान संख्या में सकारात्मक और नकारात्मक समीक्षाएं हैं।

IMDB डेटासेट डाउनलोड और एक्सप्लोर करें

चलो 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.tar.gz", 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 [==============================] - 7s 0us/step

 os.listdir(dataset_dir)
 
['imdb.vocab', 'train', 'test', 'README', 'imdbEr.txt']
 train_dir = os.path.join(dataset_dir, 'train')
os.listdir(train_dir)
 
['urls_pos.txt',
 'neg',
 'labeledBow.feat',
 'pos',
 'urls_neg.txt',
 'unsup',
 'unsupBow.feat',
 'urls_unsup.txt']

aclImdb/train/pos और aclImdb/train/neg निर्देशिकाओं में कई पाठ फाइलें होती हैं, जिनमें से प्रत्येक एक एकल फिल्म समीक्षा है। आइए उनमें से एक पर एक नज़र डालें।

 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 सहायक text_dataset_from_directory उपयोगिता का उपयोग करेंगे, जो एक निर्देशिका संरचना की अपेक्षा करता है।

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

बाइनरी वर्गीकरण के लिए एक डेटासेट तैयार करने के लिए, आपको class_a और class_b अनुरूप डिस्क पर दो फ़ोल्डर्स की आवश्यकता होगी। ये पॉजिटिव और निगेटिव मूवी aclImdb/train/pos होंगे, जो aclImdb/train/pos और aclImdb/train/neg में मिल सकते हैं। 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)
 

अगला, आप एक लेबल tf.data.Dataset बनाने के लिए text_dataset_from_directory उपयोगिता का उपयोग करेंगे। tf.data डेटा के साथ काम करने के लिए उपकरणों का एक शक्तिशाली संग्रह है।

मशीन लर्निंग प्रयोग चलाते समय, अपने डेटासेट को तीन विभाजन में विभाजित करना सबसे अच्छा अभ्यास है: ट्रेन , सत्यापन और परीक्षण

IMDB डेटासेट पहले ही ट्रेन और टेस्ट में विभाजित हो चुका है, लेकिन इसमें सत्यापन सेट का अभाव है। आइए नीचे दिए गए validation_split तर्क का उपयोग करके प्रशिक्षण डेटा के 80:20 विभाजन का उपयोग करके एक सत्यापन सेट बनाएं।

 batch_size = 32
seed = 42

raw_train_ds = tf.keras.preprocessing.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 tf.data लिए नए हैं, तो आप डेटासेट पर पुनरावृत्ति भी कर सकते हैं और कुछ उदाहरणों को निम्नानुसार प्रिंट कर सकते हैं।

 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 में कच्चे पाठ (विराम चिह्न और <br/> जैसे HTML टैग्स) होते हैं। आप नीचे दिए गए अनुभाग में इनको संभालेंगे।

लेबल 0 या 1. हैं। इनमें से कौन से सकारात्मक और नकारात्मक मूवी समीक्षाओं के अनुरूप हैं, यह देखने के लिए, आप डेटासेट पर class_names प्रॉपर्टी की जांच कर सकते हैं।

 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 बनाएंगे। आप सत्यापन के लिए प्रशिक्षण सेट से शेष 5,000 समीक्षाओं का उपयोग करेंगे।

 raw_val_ds = tf.keras.preprocessing.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.preprocessing.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 उपयोगी preprocessing.TextVectorizationpreprocessing.TextVectorization लेयर का उपयोग करके डेटा को मानकीकृत, टोकन, और वेक्टराइज़ करेंगे।

मानकीकरण पाठ को प्रीप्रोसेस करने के लिए संदर्भित करता है, आमतौर पर डेटासेट को सरल बनाने के लिए विराम चिह्न या HTML तत्वों को हटाने के लिए। टोकनाइजेशन का अर्थ है बंटवारे को टोकन में बदलना (उदाहरण के लिए, व्हाट्सएप पर अलग-अलग शब्दों में एक वाक्य को विभाजित करके)। वेक्टराइजेशन से तात्पर्य टोकन को संख्याओं में परिवर्तित करना है ताकि उन्हें एक तंत्रिका नेटवर्क में खिलाया जा सके। इन सभी कार्यों को इस परत के साथ पूरा किया जा सकता है।

जैसा कि आपने ऊपर देखा, समीक्षाओं में <br /> जैसे विभिन्न HTML टैग शामिल हैं। ये टैग TextVectorization लेयर में डिफ़ॉल्ट स्टैंडर्डाइज़र द्वारा नहीं निकाले TextVectorization (जो टेक्स्ट को डिफ़ॉल्ट रूप से नीचेज़ और स्ट्रिप्स विराम चिह्न में कनवर्ट करता है, लेकिन HTML को स्ट्रिप नहीं करता है)। HTML निकालने के लिए आप 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),
                                  '')
 

अगला, आप एक TextVectorization परत TextVectorization । आप इस परत का उपयोग हमारे डेटा को मानकीकृत करने, टोकन करने और वेक्टर करने के लिए करेंगे। आप प्रत्येक टोकन के लिए अद्वितीय पूर्णांक सूचक बनाने के लिए output_mode को int पर सेट करते हैं।

ध्यान दें कि आप डिफ़ॉल्ट विभाजन फ़ंक्शन का उपयोग कर रहे हैं, और आपके द्वारा ऊपर निर्दिष्ट कस्टम मानकीकरण फ़ंक्शन। 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 = TextVectorization(
    standardize=custom_standardization,
    max_tokens=max_features,
    output_mode='int',
    output_sequence_length=sequence_length)
 

इसके बाद, आप डेटासेट में प्रीप्रोसेसिंग परत की स्थिति के लिए adapt कॉल करेंगे। यह मॉडल को पूर्णांकों के लिए 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 लेयर का उपयोग करने के परिणाम को देखने के लिए एक फंक्शन 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'Silent Night, Deadly Night 5 is the very last of the series, and like part 4, it\'s unrelated to the first three except by title and the fact that it\'s a Christmas-themed horror flick.<br /><br />Except to the oblivious, there\'s some obvious things going on here...Mickey Rooney plays a toymaker named Joe Petto and his creepy son\'s name is Pino. Ring a bell, anyone? Now, a little boy named Derek heard a knock at the door one evening, and opened it to find a present on the doorstep for him. Even though it said "don\'t open till Christmas", he begins to open it anyway but is stopped by his dad, who scolds him and sends him to bed, and opens the gift himself. Inside is a little red ball that sprouts Santa arms and a head, and proceeds to kill dad. Oops, maybe he should have left well-enough alone. Of course Derek is then traumatized by the incident since he watched it from the stairs, but he doesn\'t grow up to be some killer Santa, he just stops talking.<br /><br />There\'s a mysterious stranger lurking around, who seems very interested in the toys that Joe Petto makes. We even see him buying a bunch when Derek\'s mom takes him to the store to find a gift for him to bring him out of his trauma. And what exactly is this guy doing? Well, we\'re not sure but he does seem to be taking these toys apart to see what makes them tick. He does keep his landlord from evicting him by promising him to pay him in cash the next day and presents him with a "Larry the Larvae" toy for his kid, but of course "Larry" is not a good toy and gets out of the box in the car and of course, well, things aren\'t pretty.<br /><br />Anyway, eventually what\'s going on with Joe Petto and Pino is of course revealed, and as with the old story, Pino is not a "real boy". Pino is probably even more agitated and naughty because he suffers from "Kenitalia" (a smooth plastic crotch) so that could account for his evil ways. And the identity of the lurking stranger is revealed too, and there\'s even kind of a happy ending of sorts. Whee.<br /><br />A step up from part 4, but not much of one. Again, Brian Yuzna is involved, and Screaming Mad George, so some decent special effects, but not enough to make this great. A few leftovers from part 4 are hanging around too, like Clint Howard and Neith Hunter, but that doesn\'t really make any difference. Anyway, I now have seeing the whole series out of my system. Now if I could get some of it out of my brain. 4 out of 5.', shape=(), dtype=string)
Label neg
Vectorized review (<tf.Tensor: shape=(1, 250), dtype=int64, numpy=
array([[1287,  313, 2380,  313,  661,    7,    2,   52,  229,    5,    2,
         200,    3,   38,  170,  669,   29, 5492,    6,    2,   83,  297,
         549,   32,  410,    3,    2,  186,   12,   29,    4,    1,  191,
         510,  549,    6,    2, 8229,  212,   46,  576,  175,  168,   20,
           1, 5361,  290,    4,    1,  761,  969,    1,    3,   24,  935,
        2271,  393,    7,    1, 1675,    4, 3747,  250,  148,    4,  112,
         436,  761, 3529,  548,    4, 3633,   31,    2, 1331,   28, 2096,
           3, 2912,    9,    6,  163,    4, 1006,   20,    2,    1,   15,
          85,   53,  147,    9,  292,   89,  959, 2314,  984,   27,  762,
           6,  959,    9,  564,   18,    7, 2140,   32,   24, 1254,   36,
           1,   85,    3, 3298,   85,    6, 1410,    3, 1936,    2, 3408,
         301,  965,    7,    4,  112,  740, 1977,   12,    1, 2014, 2772,
           3,    4,  428,    3, 5177,    6,  512, 1254,    1,  278,   27,
         139,   25,  308,    1,  579,    5,  259, 3529,    7,   92, 8981,
          32,    2, 3842,  230,   27,  289,    9,   35,    2, 5712,   18,
          27,  144, 2166,   56,    6,   26,   46,  466, 2014,   27,   40,
        2745,  657,  212,    4, 1376, 3002, 7080,  183,   36,  180,   52,
         920,    8,    2, 4028,   12,  969,    1,  158,   71,   53,   67,
          85, 2754,    4,  734,   51,    1, 1611,  294,   85,    6,    2,
        1164,    6,  163,    4, 3408,   15,   85,    6,  717,   85,   44,
           5,   24, 7158,    3,   48,  604,    7,   11,  225,  384,   73,
          65,   21,  242,   18,   27,  120,  295,    6,   26,  667,  129,
        4028,  948,    6,   67,   48,  158,   93,    1]])>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

जैसा कि आप ऊपर देख सकते हैं, प्रत्येक टोकन को एक पूर्णांक द्वारा बदल दिया गया है। आप टोकन (स्ट्रिंग) को देख सकते हैं कि प्रत्येक पूर्णांक परत पर .get_vocabulary() कॉल करके मेल खाती है।

 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 पहले से बनाए गए TextVectorization परत को ट्रेन, सत्यापन और परीक्षण डेटासेट पर 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 विधियाँ हैं जिनका उपयोग आपको डेटा लोड करते समय करना चाहिए ताकि यह सुनिश्चित हो सके कि I / O ब्लॉक नहीं हो रहा है।

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

.prefetch() प्रशिक्षण के दौरान डेटा प्रीप्रोसेसिंग और मॉडल निष्पादन को ओवरलैप करता है।

आप दोनों तरीकों के बारे में और अधिक जानकारी प्राप्त कर सकते हैं, साथ ही डेटा प्रदर्शन मार्गदर्शिका में डिस्क पर डेटा कैश कैसे करें।

 AUTOTUNE = tf.data.experimental.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

यह हमारे तंत्रिका नेटवर्क बनाने का समय 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 (Gl (None, 16)                0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 16)                0         
_________________________________________________________________
dense (Dense)                (None, 1)                 17        
=================================================================
Total params: 160,033
Trainable params: 160,033
Non-trainable params: 0
_________________________________________________________________

क्लासिफ़ायर बनाने के लिए परतों को क्रमिक रूप से स्टैक्ड किया जाता है:

  1. पहली परत एक Embedding लेयर है। यह परत पूर्णांक-एन्कोडेड समीक्षाओं को लेती है और प्रत्येक शब्द-सूचकांक के लिए एक एम्बेडिंग वेक्टर को देखती है। इन वैक्टर को मॉडल ट्रेनों के रूप में सीखा जाता है। वैक्टर आउटपुट सरणी में एक आयाम जोड़ते हैं। परिणामी आयाम हैं: (batch, sequence, embedding) । एम्बेडिंग के बारे में अधिक जानने के लिए, शब्द एम्बेडिंग ट्यूटोरियल देखें
  2. इसके बाद, GlobalAveragePooling1D परत अनुक्रम आयाम पर औसतन प्रत्येक उदाहरण के लिए एक निश्चित-लंबाई आउटपुट वेक्टर लौटाती है। यह मॉडल को सबसे सरल तरीके से चर लंबाई के इनपुट को संभालने की अनुमति देता है।
  3. यह निश्चित-लंबाई वाला आउटपुट वेक्टर 16 छिपी इकाइयों के साथ पूरी तरह से जुड़ा हुआ ( Dense ) परत के माध्यम से पाइप किया जाता है।
  4. अंतिम परत एक एकल आउटपुट नोड के साथ घनी रूप से जुड़ा हुआ है।

हानि समारोह और अनुकूलक

एक मॉडल को एक हानि समारोह और प्रशिक्षण के लिए एक अनुकूलक की आवश्यकता होती है। चूंकि यह एक द्विआधारी वर्गीकरण समस्या है और मॉडल एक संभाव्यता (एक losses.BinaryCrossentropy सक्रियण के साथ एक एकल इकाई परत) को losses.BinaryCrossentropy करता है, आप नुकसान का उपयोग करेंगे। losses.BinaryCrossentropy loss function।

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

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

मॉडल को प्रशिक्षित करें

आप फिट विधि से dataset ऑब्जेक्ट पास करके मॉडल को प्रशिक्षित करेंगे।

 epochs = 10
history = model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=epochs)
 
Epoch 1/10
625/625 [==============================] - 3s 5ms/step - loss: 0.6632 - binary_accuracy: 0.6931 - val_loss: 0.6135 - val_binary_accuracy: 0.7752
Epoch 2/10
625/625 [==============================] - 3s 4ms/step - loss: 0.5472 - binary_accuracy: 0.8003 - val_loss: 0.4968 - val_binary_accuracy: 0.8220
Epoch 3/10
625/625 [==============================] - 3s 4ms/step - loss: 0.4434 - binary_accuracy: 0.8459 - val_loss: 0.4187 - val_binary_accuracy: 0.8486
Epoch 4/10
625/625 [==============================] - 3s 4ms/step - loss: 0.3770 - binary_accuracy: 0.8660 - val_loss: 0.3726 - val_binary_accuracy: 0.8622
Epoch 5/10
625/625 [==============================] - 2s 4ms/step - loss: 0.3349 - binary_accuracy: 0.8786 - val_loss: 0.3442 - val_binary_accuracy: 0.8678
Epoch 6/10
625/625 [==============================] - 2s 4ms/step - loss: 0.3046 - binary_accuracy: 0.8889 - val_loss: 0.3253 - val_binary_accuracy: 0.8722
Epoch 7/10
625/625 [==============================] - 2s 4ms/step - loss: 0.2807 - binary_accuracy: 0.8977 - val_loss: 0.3118 - val_binary_accuracy: 0.8726
Epoch 8/10
625/625 [==============================] - 2s 4ms/step - loss: 0.2609 - binary_accuracy: 0.9046 - val_loss: 0.3026 - val_binary_accuracy: 0.8762
Epoch 9/10
625/625 [==============================] - 2s 4ms/step - loss: 0.2443 - binary_accuracy: 0.9123 - val_loss: 0.2961 - val_binary_accuracy: 0.8774
Epoch 10/10
625/625 [==============================] - 2s 4ms/step - loss: 0.2309 - binary_accuracy: 0.9163 - val_loss: 0.2915 - val_binary_accuracy: 0.8804

मॉडल का मूल्यांकन करें

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

 loss, accuracy = model.evaluate(test_ds)

print("Loss: ", loss)
print("Accuracy: ", accuracy)
 
782/782 [==============================] - 2s 3ms/step - loss: 0.3097 - binary_accuracy: 0.8740
Loss:  0.30967268347740173
Accuracy:  0.8740400075912476

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

समय के साथ सटीकता और नुकसान की साजिश बनाएँ

model.fit() एक History वस्तु देता है जिसमें प्रशिक्षण के दौरान हुई हर चीज़ के साथ एक शब्दकोष होता है:

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

चार प्रविष्टियाँ हैं: प्रशिक्षण और सत्यापन के दौरान प्रत्येक मॉनिटर किए गए मीट्रिक के लिए एक। आप इनका उपयोग प्रशिक्षण और सत्यापन हानि की तुलना करने के लिए कर सकते हैं, साथ ही प्रशिक्षण और सत्यापन सटीकता:

 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()
 

png

 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()
 

png

इस भूखंड में, डॉट्स प्रशिक्षण हानि और सटीकता का प्रतिनिधित्व करते हैं, और ठोस लाइनें सत्यापन हानि और सटीकता हैं।

ध्यान दें कि प्रत्येक युग के साथ प्रशिक्षण की हानि कम हो जाती है और प्रत्येक युग के साथ प्रशिक्षण सटीकता बढ़ जाती है । ग्रेडिएंट डिसेंट ऑप्टिमाइज़ेशन का उपयोग करते समय यह उम्मीद की जाती है - इसे प्रत्येक पुनरावृत्ति पर वांछित मात्रा को कम करना चाहिए।

यह सत्यापन हानि और सटीकता के लिए मामला नहीं है - वे प्रशिक्षण सटीकता से पहले चरम पर पहुंचते हैं। यह ओवरफिटिंग का एक उदाहरण है: मॉडल प्रशिक्षण डेटा पर बेहतर प्रदर्शन करता है जितना वह डेटा पर करता है जितना उसने पहले कभी नहीं देखा था। इस बिंदु के बाद, मॉडल ओवर-ऑप्टिमाइज़ करता है और प्रशिक्षण डेटा के लिए विशिष्ट अभ्यावेदन सीखता है जो डेटा का परीक्षण करने के लिए सामान्यीकरण नहीं करता है।

इस विशेष मामले के लिए, आप केवल प्रशिक्षण को रोककर ओवरफिटिंग को रोक सकते हैं जब सत्यापन सटीकता अब नहीं बढ़ रही है। ऐसा करने का एक तरीका है, अर्लीस्टॉपिंग कॉलबैक का उपयोग करना।

मॉडल निर्यात करें

ऊपर दिए गए कोड में, आपने मॉडल को पाठ खिलाने से पहले डेटासेट पर TextVectorization परत को लागू किया। यदि आप अपने मॉडल को कच्चे तारों को संसाधित करने में सक्षम बनाना चाहते हैं (उदाहरण के लिए, इसे तैनात करने को सरल बनाने के लिए), तो आप अपने मॉडल के अंदर TextVectorization परत को शामिल कर सकते हैं। ऐसा करने के लिए, आप अपने द्वारा प्रशिक्षित वजनों 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 4ms/step - loss: 0.3097 - accuracy: 0.8740
0.8740400075912476

अपने मॉडल के अंदर टेक्स्ट प्रीप्रोसेसिंग लॉजिक को शामिल करना आपको उत्पादन के लिए एक मॉडल निर्यात करने में सक्षम बनाता है जो तैनाती को आसान बनाता है, और ट्रेन / परीक्षण तिरछा करने की क्षमता को कम करता है।

आपके टेक्स्टवेक्टराइजेशन लेयर को लागू करने के लिए चुनने पर ध्यान में रखने के लिए एक प्रदर्शन अंतर है। अपने मॉडल के बाहर इसका उपयोग करने से आप GPU पर प्रशिक्षण के दौरान अतुल्यकालिक सीपीयू प्रसंस्करण और अपने डेटा का बफरिंग कर सकते हैं। इसलिए, यदि आप अपने मॉडल को GPU पर प्रशिक्षित कर रहे हैं, तो आप संभवतः अपने मॉडल को विकसित करते समय सर्वश्रेष्ठ प्रदर्शन प्राप्त करने के लिए इस विकल्प के साथ जाना चाहते हैं, तब तैनाती के लिए तैयार होने पर अपने मॉडल के अंदर TextVectorization परत को शामिल करने के लिए स्विच करें। ।

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

एक्सरसाइज: स्टैक ओवरफ्लो प्रश्नों पर मल्टीकलस वर्गीकरण

इस ट्यूटोरियल ने दिखाया कि IMDB डेटासेट पर बाइनरी क्लासिफायर को खरोंच से कैसे प्रशिक्षित किया जाए। एक अभ्यास के रूप में, आप स्टैक ओवरफ्लो पर एक प्रोग्रामिंग प्रश्न के टैग की भविष्यवाणी करने के लिए एक मल्टीस्कूल क्लासिफायरियर को प्रशिक्षित करने के लिए इस नोटबुक को संशोधित कर सकते हैं।

हमने आपके लिए कई हज़ार प्रोग्रामिंग प्रश्नों (उदाहरण के लिए, "पायथन में मूल्य द्वारा एक शब्दकोश को कैसे सॉर्ट कर सकते हैं") का उपयोग करने के लिए एक डेटासेट तैयार किया है जो स्टैक ओवरफ्लो में पोस्ट किया गया है। इनमें से प्रत्येक को ठीक एक टैग (या तो पायथन, CSharp, जावास्क्रिप्ट, या जावा) के साथ लेबल किया गया है। आपका कार्य इनपुट के रूप में एक प्रश्न लेना है, और इस मामले में उपयुक्त टैग की भविष्यवाणी करना है, पायथन।

जिस डेटासेट के साथ आप काम करेंगे, उसमें कई बड़े सार्वजनिक ढेर ओवरफ़्लो डेटासेट बिगबाइक से निकाले गए कई हज़ार सवाल हैं, जिसमें 17,000 से अधिक पोस्ट हैं।

डेटासेट डाउनलोड करने के बाद, आप पाएंगे कि आपके पास पहले के साथ काम करने वाले IMDB डेटासेट के समान निर्देशिका संरचना है:

 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 संशोधनों को बनाकर स्टैक ओवरफ्लो डेटासेट के साथ काम करने के लिए इस नोटबुक को संशोधित करना चाहिए:

  1. अपनी नोटबुक के शीर्ष पर, उस कोड को अपडेट करें जो IMDB डेटासेट को डाउनलोड करने के लिए कोड के साथ स्टैक ओवरफ्लो डेटासेट डाउनलोड करने के लिए है जिसे हमने पहले देखा है। जैसा कि स्टैक ओवरफ्लो डेटासेट में एक समान निर्देशिका संरचना होती है, आपको कई संशोधन करने की आवश्यकता नहीं होगी।

  2. Dense(4) को पढ़ने के लिए अपने मॉडल की अंतिम परत को संशोधित करें, क्योंकि अब चार आउटपुट क्लास हैं।

  3. जब आप अपना मॉडल संकलित करते हैं, तो नुकसान को SparseCategoricalCrossentropy में बदलें । यह एक बहुस्तरीय वर्गीकरण समस्या के लिए उपयोग करने के लिए सही नुकसान फ़ंक्शन है, जब प्रत्येक वर्ग के लेबल पूर्णांक होते हैं (हमारे मामले में, वे 0, 1 , 2 या 3 हो सकते हैं )।

  4. एक बार जब ये बदलाव पूरे हो जाएंगे, तो आप एक मल्टीस्कूलर क्लासिफायर ट्रेन कर पाएंगे।

यदि आप फंस जाते हैं, तो आप यहां एक समाधान पा सकते हैं।

और अधिक सीखना

इस ट्यूटोरियल ने स्क्रैच से टेक्स्ट वर्गीकरण की शुरुआत की। सामान्य रूप से पाठ वर्गीकरण वर्कफ़्लो के बारे में अधिक जानने के लिए, हम Google डेवलपर्स से इस गाइड को पढ़ने की सलाह देते हैं।

 
#
# 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.