หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

การจำแนกข้อความพื้นฐาน

ดูบน TensorFlow.org ทำงานใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดสมุดบันทึก

บทช่วยสอนนี้สาธิตการจำแนกข้อความที่เริ่มต้นจากไฟล์ข้อความธรรมดาที่เก็บไว้ในดิสก์ คุณจะฝึกอบรมตัวจําแนกไบนารี่เพื่อดําเนินการวิเคราะห์ความเชื่อมั่นในชุดข้อมูล IMDB ในตอนท้ายของสมุดบันทึกมีแบบฝึกหัดให้คุณทดลองซึ่งคุณจะฝึกตัวแยกประเภทหลายคลาสเพื่อทำนายแท็กสำหรับคำถามการเขียนโปรแกรมใน Stack Overflow

 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

การวิเคราะห์ความเชื่อมั่น

สมุดบันทึกนี้ฝึกรูปแบบการวิเคราะห์ความเชื่อมั่นเพื่อจัดประเภทบทวิจารณ์ภาพยนตร์เป็น เชิงบวก หรือ เชิงลบ โดยยึดตามเนื้อหาของบทวิจารณ์ นี่เป็นตัวอย่างของ ไบนารี่ หรือการจัดหมวดหมู่สองชั้นซึ่งเป็นปัญหาการเรียนรู้ของเครื่องที่สำคัญและใช้กันอย่างแพร่หลาย

คุณจะใช้ ชุดข้อมูลบทวิจารณ์ภาพยนตร์ขนาดใหญ่ ที่มีเนื้อหาบทวิจารณ์ภาพยนตร์ 50,000 เรื่องจาก ฐานข้อมูลภาพยนตร์อินเทอร์เน็ต สิ่งเหล่านี้แบ่งเป็น 25,000 บทวิจารณ์สำหรับการฝึกอบรมและ 25,000 บทวิจารณ์สำหรับการทดสอบ ชุดการฝึกอบรมและการทดสอบนั้นมี ความสมดุล ซึ่งหมายความว่าพวกเขามีจำนวนรีวิวบวกและลบเท่ากัน

ดาวน์โหลดและสำรวจชุดข้อมูล IMDB

มาดาวน์โหลดและแยกชุดข้อมูลจากนั้นสำรวจโครงสร้างไดเรกทอรี

 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 และ aclImdb/train/neg มีไฟล์ข้อความจำนวนมากซึ่งแต่ละไฟล์เป็นบทวิจารณ์ภาพยนตร์เรื่องเดียว ลองดูที่หนึ่งในนั้น

 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.

โหลดชุดข้อมูล

ถัดไปคุณจะโหลดข้อมูลออกจากดิสก์และเตรียมเป็นรูปแบบที่เหมาะสมสำหรับการฝึกอบรม หากต้องการทำเช่นนั้นคุณจะใช้ยูทิลิตี text_dataset_from_directory ที่ เป็นประโยชน์ซึ่งคาดว่าโครงสร้างไดเรกทอรีดังต่อไปนี้

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

ในการเตรียมชุดข้อมูลสำหรับการจำแนกไบนารีคุณจะต้องมีสองโฟลเดอร์บนดิสก์ที่สอดคล้องกับ class_a และ class_b เหล่านี้จะเป็นบทวิจารณ์ภาพยนตร์เชิงบวกและเชิงลบซึ่งสามารถพบได้ใน aclImdb/train/pos และ aclImdb/train/neg เนื่องจากชุดข้อมูล IMDB มีโฟลเดอร์เพิ่มเติมคุณจะลบออกก่อนที่จะใช้ยูทิลิตี้นี้

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

ถัดไปคุณจะใช้ยูทิลิตี text_dataset_from_directory เพื่อสร้าง tf.data.Dataset มีข้อความกำกับ tf.data เป็นชุดเครื่องมือที่มีประสิทธิภาพสำหรับการทำงานกับข้อมูล

เมื่อทำการทดสอบการเรียนรู้ด้วยเครื่องเป็นวิธีปฏิบัติที่ดีที่สุดในการแบ่งชุดข้อมูลของคุณออกเป็นสามส่วนคือ รถไฟ การตรวจสอบ และ การทดสอบ

ชุดข้อมูล IMDB ได้ถูกแบ่งออกเป็นการฝึกอบรมและการทดสอบ แต่ขาดชุดการตรวจสอบ มาสร้างชุดการตรวจสอบความถูกต้องโดยใช้การแบ่ง 80:20 ของข้อมูลการฝึกอบรมโดยใช้อาร์กิวเมนต์ validation_split ด้านล่าง

 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.

ดังที่คุณเห็นด้านบนมีตัวอย่าง 25,000 รายการในโฟลเดอร์การฝึกอบรมซึ่งคุณจะใช้ 80% (หรือ 20,000) สำหรับการฝึกอบรม ดังที่คุณจะเห็นในช่วงเวลาหนึ่งคุณสามารถฝึกฝนโมเดลโดยส่งชุดข้อมูลไปยัง model.fit โดยตรง หากคุณยังใหม่กับ tf.data คุณยังสามารถวนซ้ำชุดข้อมูลและพิมพ์ตัวอย่างต่อไปนี้ได้

 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

สังเกตว่าบทวิจารณ์นั้นมีข้อความแบบดิบ (พร้อมเครื่องหมายวรรคตอนและแท็ก HTML เป็นครั้งคราวเช่น <br/> ) คุณจะแสดงวิธีจัดการสิ่งเหล่านี้ในส่วนต่อไปนี้

ป้ายกำกับคือ 0 หรือ 1 ในการดูว่าสิ่งใดสอดคล้องกับบทวิจารณ์ภาพยนตร์แง่บวกและแง่ลบคุณสามารถตรวจสอบคุณสมบัติ class_names บนชุดข้อมูล

 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

ถัดไปคุณจะสร้างชุดข้อมูลการตรวจสอบความถูกต้องและทดสอบ คุณจะใช้ความเห็น 5,000 รายการที่เหลือจากชุดฝึกอบรมเพื่อตรวจสอบความถูกต้อง

 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.

เตรียมชุดข้อมูลสำหรับการฝึกอบรม

จากนั้นคุณจะสร้างมาตรฐานให้โทเค็นและทำให้ข้อมูลเป็นแบบเวกเตอร์โดยใช้เลเยอร์การ preprocessing.TextVectorization เป็นประโยชน์

การกำหนดมาตรฐานหมายถึงการประมวลผลข้อความล่วงหน้าโดยทั่วไปคือการลบเครื่องหมายวรรคตอนหรือองค์ประกอบ HTML เพื่อทำให้ชุดข้อมูลง่ายขึ้น โทเค็นไลเซชั่นหมายถึงการแยกสตริงออกเป็นโทเค็น (ตัวอย่างเช่นการแบ่งประโยคออกเป็นแต่ละคำโดยแยกในช่องว่าง) Vectorization หมายถึงการแปลงโทเค็นเป็นตัวเลขเพื่อให้สามารถป้อนเข้าสู่เครือข่ายประสาทเทียม ภารกิจทั้งหมดนี้สามารถทำได้ด้วยเลเยอร์นี้

ดังที่คุณเห็นด้านบนความเห็นมีแท็ก HTML ต่างๆเช่น <br /> แท็กเหล่านี้จะไม่ถูกลบโดยเครื่องมือมาตรฐานเริ่มต้นในเลเยอร์ TextVectorization (ซึ่งแปลงข้อความเป็น lowecase และตัดเครื่องหมายวรรคตอนโดยค่าเริ่มต้น แต่ไม่ได้ตัด HTML) คุณจะเขียนฟังก์ชันมาตรฐานที่กำหนดเองเพื่อลบ HTML

 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),
                                  '')
 

ถัดไปคุณจะสร้างเลเยอร์ TextVectorization คุณจะใช้เลเยอร์นี้เพื่อสร้างมาตรฐานโทเค็นและทำให้ข้อมูลของเราเป็นแบบเวกเตอร์ คุณตั้งค่า output_mode เป็น int เพื่อสร้างดัชนีจำนวนเต็มเฉพาะสำหรับแต่ละโทเค็น

โปรดทราบว่าคุณกำลังใช้ฟังก์ชันแยกเริ่มต้นและฟังก์ชั่นกำหนดมาตรฐานแบบกำหนดเองที่คุณกำหนดไว้ด้านบน นอกจากนี้คุณยังจะกำหนดค่าคงที่บางอย่างสำหรับแบบจำลองเช่น sequence_length สูงสุดอย่างชัดเจนซึ่งจะทำให้ชั้นเลเยอร์แพดหรือตัดลำดับไปยังค่า sequence_length

 max_features = 10000
sequence_length = 250

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

ถัดไปคุณจะโทร adapt ให้เหมาะสมกับสถานะของเลเยอร์การประมวลผลล่วงหน้ากับชุดข้อมูล สิ่งนี้จะทำให้โมเดลสร้างดัชนีของสตริงเป็นจำนวนเต็ม

 # 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)
 

ลองสร้างฟังก์ชั่นเพื่อดูผลลัพธ์ของการใช้เลเยอร์นี้เพื่อประมวลผลข้อมูลล่วงหน้า

 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>)

ตามที่คุณเห็นด้านบนโทเค็นแต่ละตัวจะถูกแทนที่ด้วยจำนวนเต็ม คุณสามารถค้นหาโทเค็น (สตริง) ที่แต่ละจำนวนเต็มตรงกับโดยการเรียก. .get_vocabulary() ในชั้น

 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

คุณเกือบพร้อมที่จะฝึกฝนโมเดลของคุณแล้ว เป็นขั้นตอนก่อนการประมวลผลขั้นสุดท้ายคุณจะใช้เลเยอร์ TextVectorization ที่คุณสร้างไว้ก่อนหน้านี้กับชุดการตรวจสอบความถูกต้องและชุดทดสอบ

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

กำหนดค่าชุดข้อมูลสำหรับประสิทธิภาพ

นี่เป็นวิธีการสำคัญสองวิธีที่คุณควรใช้เมื่อโหลดข้อมูลเพื่อให้แน่ใจว่า I / O จะไม่ถูกบล็อก

.cache() เก็บข้อมูลในหน่วยความจำหลังจากโหลดลงดิสก์ สิ่งนี้จะช่วยให้แน่ใจว่าชุดข้อมูลจะไม่กลายเป็นคอขวดในขณะที่ฝึกฝนแบบจำลองของคุณ หากชุดข้อมูลของคุณมีขนาดใหญ่เกินไปที่จะพอดีกับหน่วยความจำคุณสามารถใช้วิธีนี้เพื่อสร้างแคชบนดิสก์ของนักแสดงซึ่งมีประสิทธิภาพในการอ่านมากกว่าไฟล์ขนาดเล็กจำนวนมาก

.prefetch() ทับซ้อนประมวลผลข้อมูลล่วงหน้าและเรียกใช้โมเดลขณะฝึกอบรม

คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับทั้งสองวิธีรวมถึงวิธีแคชข้อมูลลงดิสก์ใน คู่มือประสิทธิภาพข้อมูล

 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)
 

สร้างแบบจำลอง

ได้เวลาสร้างเครือข่ายประสาทของเราแล้ว:

 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
_________________________________________________________________

เลเยอร์ถูกซ้อนกันตามลำดับเพื่อสร้างลักษณนาม:

  1. ชั้นแรกเป็นชั้น Embedding เลเยอร์นี้ใช้ความคิดเห็นที่เข้ารหัสเป็นจำนวนเต็มและค้นหาเวกเตอร์การฝังสำหรับแต่ละดัชนีคำ เวกเตอร์เหล่านี้เรียนรู้จากรถไฟจำลอง เวกเตอร์เพิ่มมิติให้กับอาร์เรย์เอาต์พุต ขนาดผลลัพธ์คือ: (batch, sequence, embedding) หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับงานแต่งงานดู คำแนะนำการฝัง
  2. ถัดไปเลเยอร์ GlobalAveragePooling1D จะส่งคืนเวกเตอร์เอาต์พุตที่มีความยาวคงที่สำหรับแต่ละตัวอย่างโดยเฉลี่ยค่าเฉลี่ยตามลำดับมิติ สิ่งนี้ทำให้โมเดลสามารถจัดการกับอินพุตของความยาวผันแปรได้อย่างง่ายดายที่สุด
  3. เวกเตอร์เอาท์พุทที่มีความยาวคงที่นี้ถูกส่งผ่านเลเยอร์ที่เชื่อมต่อเต็มรูปแบบ ( Dense ) พร้อมหน่วยที่ซ่อนอยู่ 16 หน่วย
  4. เลเยอร์สุดท้ายเชื่อมต่อหนาแน่นด้วยโหนดเอาต์พุตเดียว

ฟังก์ชั่นการสูญเสียและเพิ่มประสิทธิภาพ

แบบจำลองต้องการฟังก์ชันการสูญเสียและเครื่องมือเพิ่มประสิทธิภาพสำหรับการฝึกอบรม เนื่องจากนี่เป็นปัญหาการจำแนกเลขฐานสองและโมเดลส่งออกความน่าจะเป็น (ชั้นเดียวหน่วยที่มีการเปิดใช้งาน sigmoid) คุณจะใช้การสูญเสียฟังก์ชัน losses.BinaryCrossentropy การสูญเสีย losses.BinaryCrossentropy

ตอนนี้กำหนดค่ารูปแบบเพื่อใช้เครื่องมือเพิ่มประสิทธิภาพและฟังก์ชั่นการสูญเสีย:

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

ฝึกโมเดล

คุณจะฝึกโมเดลโดยส่งวัตถุ dataset ไปยังวิธีการพอดี

 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

ประเมินโมเดล

มาดูกันว่าแบบจำลองนั้นมีประสิทธิภาพอย่างไร สองค่าจะถูกส่งกลับ การสูญเสีย (ตัวเลขที่แสดงถึงข้อผิดพลาดของเราค่าที่ต่ำกว่าดีกว่า) และความแม่นยำ

 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

วิธีการที่ไร้เดียงสาอย่างเป็นธรรมบรรลุความแม่นยำประมาณ 86%

สร้างพล็อตของความแม่นยำและการสูญเสียในช่วงเวลา

model.fit() ส่งคืนวัตถุ History ที่มีพจนานุกรมพร้อมทุกสิ่งที่เกิดขึ้นระหว่างการฝึกอบรม:

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

มีสี่รายการ: หนึ่งรายการสำหรับแต่ละเมตริกที่ถูกตรวจสอบในระหว่างการฝึกอบรมและการตรวจสอบความถูกต้อง คุณสามารถใช้สิ่งเหล่านี้เพื่อพล็อตการสูญเสียการฝึกอบรมและการตรวจสอบความถูกต้องสำหรับการเปรียบเทียบรวมถึงความแม่นยำในการฝึกอบรมและการตรวจสอบ

 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

ในจุดนี้จุดแสดงถึงการสูญเสียและความถูกต้องของการฝึกอบรมและเส้นทึบคือการสูญเสียการตรวจสอบและความถูกต้อง

สังเกตว่าการสูญเสียการฝึก ลดลง เมื่อแต่ละยุคและความแม่นยำในการฝึกฝน เพิ่มขึ้น ในแต่ละช่วง สิ่งนี้คาดว่าจะเกิดขึ้นเมื่อใช้การเพิ่มประสิทธิภาพการไล่ระดับสีแบบไล่ลงซึ่งควรลดปริมาณที่ต้องการในการวนซ้ำทุกครั้ง

นี่ไม่ใช่กรณีของการสูญเสียการตรวจสอบและความถูกต้อง แต่ดูเหมือนว่าจะมีค่าสูงสุดก่อนความแม่นยำในการฝึกอบรม นี่คือตัวอย่างของการ overfitting: แบบจำลองมีประสิทธิภาพดีกว่าในข้อมูลการฝึกอบรมมากกว่าแบบข้อมูลที่ไม่เคยเห็นมาก่อน หลังจากจุดนี้โมเดลจะปรับให้เหมาะสมและเรียนรู้การเป็นตัวแทน เฉพาะ สำหรับข้อมูลการฝึกอบรมที่ไม่ได้ สรุป เพื่อทดสอบข้อมูล

สำหรับกรณีนี้คุณสามารถป้องกันไม่ให้เกิดการล้นได้โดยเพียงแค่หยุดการฝึกอบรมเมื่อความแม่นยำในการตรวจสอบไม่เพิ่มขึ้นอีกต่อไป วิธีหนึ่งในการทำเช่นนั้นคือใช้การ โทรกลับ EarlyStopping

ส่งออกรูปแบบ

ในโค้ดด้านบนคุณใช้เลเยอร์ TextVectorization กับชุดข้อมูลก่อนป้อนข้อความไปยังโมเดล หากคุณต้องการทำให้แบบจำลองของคุณสามารถประมวลผลสตริงดิบ (ตัวอย่างเช่นเพื่อทำให้การปรับใช้ง่ายขึ้น) คุณสามารถรวมเลเยอร์ TextVectorization ภายในโมเดลของคุณ คุณสามารถสร้างโมเดลใหม่โดยใช้ตุ้มน้ำหนักที่คุณเพิ่งฝึกฝนมา

 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

การรวมตรรกะการประมวลผลข้อความไว้ในแบบจำลองของคุณช่วยให้คุณสามารถส่งออกแบบจำลองสำหรับการผลิตที่ทำให้การปรับใช้ง่ายขึ้นและลดความเป็นไปได้ในการ ฝึก / ทดสอบการเอียง

มีความแตกต่างด้านประสิทธิภาพที่ควรคำนึงถึงเมื่อเลือกตำแหน่งที่จะใช้เลเยอร์ TextVectorization ของคุณ การใช้นอกโมเดลของคุณจะช่วยให้คุณทำการประมวลผล CPU แบบอะซิงโครนัสและการบัฟเฟอร์ข้อมูลของคุณเมื่อฝึกอบรมเกี่ยวกับ GPU ดังนั้นหากคุณกำลังฝึกฝนแบบจำลองของคุณบน GPU คุณอาจต้องการใช้ตัวเลือกนี้เพื่อให้ได้ประสิทธิภาพที่ดีที่สุดในขณะที่พัฒนาแบบจำลองของคุณจากนั้นสลับไปรวมเลเยอร์ TextVectorization ภายในโมเดลของคุณเมื่อคุณพร้อมที่จะเตรียมพร้อมสำหรับการปรับใช้ .

เยี่ยมชม บทช่วยสอน นี้เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการบันทึกแบบจำลอง

แบบฝึกหัด: การจำแนกประเภทหลายคลาสตามคำถาม Stack Overflow

บทช่วยสอนนี้แสดงวิธีการฝึกอบรมตัวจําแนกไบนารี่ตั้งแต่เริ่มต้นบนชุดข้อมูล IMDB ในแบบฝึกหัดคุณสามารถแก้ไขสมุดบันทึกนี้เพื่อฝึกอบรมตัวจําแนกคลาสแบบมัลติคลาสเพื่อทำนายแท็กของคำถามการเขียนโปรแกรมใน Stack Overflow

เราได้เตรียม ชุดข้อมูล ให้คุณใช้ซึ่งประกอบด้วยเนื้อหาของคำถามการเขียนโปรแกรมหลายพันข้อ (ตัวอย่างเช่น "จะจัดเรียงพจนานุกรมตามค่าใน Python อย่างไร") โพสต์ลงใน Stack Overflow แต่ละแท็กเหล่านี้มีป้ายกำกับหนึ่งแท็ก (Python, CSharp, JavaScript หรือ Java) งานของคุณคือตั้งคำถามเป็นอินพุตและทำนายแท็กที่เหมาะสมในกรณีนี้คือ Python

ชุดข้อมูลที่คุณจะทำงานด้วยประกอบด้วยคำถามหลายพันข้อที่ดึงมาจากชุดข้อมูล Stack Overflow สาธารณะที่มีขนาดใหญ่กว่ามากใน BigQuery ซึ่งมีบทความมากกว่า 17 ล้านบทความ

หลังจากดาวน์โหลดชุดข้อมูลคุณจะพบว่ามีโครงสร้างไดเรกทอรีคล้ายกับชุดข้อมูล IMDB ที่คุณทำงานก่อนหน้านี้:

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

ในการทำแบบฝึกหัดนี้ให้สมบูรณ์คุณควรแก้ไขสมุดบันทึกนี้เพื่อทำงานกับชุดข้อมูล Stack Overflow โดยทำการแก้ไขต่อไปนี้:

  1. ที่ด้านบนของสมุดบันทึกของคุณอัปเดตรหัสที่ดาวน์โหลดชุดข้อมูล IMDB ด้วยรหัสเพื่อดาวน์โหลด ชุดข้อมูล Stack Overflow ที่ เราได้เตรียมการไว้ล่วงหน้า เนื่องจากชุดข้อมูล Stack Overflow มีโครงสร้างไดเรกทอรีคล้ายกันคุณจึงไม่จำเป็นต้องทำการปรับเปลี่ยนมากมาย

  2. ปรับเปลี่ยนเลเยอร์สุดท้ายของแบบจำลองของคุณเพื่ออ่าน Dense(4) เนื่องจากขณะนี้มีคลาสเอาต์พุตสี่คลาส

  3. เมื่อคุณรวบรวมแบบจำลองของคุณเปลี่ยนการสูญเสียเป็น SparseCategoricalCrossentropy นี่คือฟังก์ชั่นการสูญเสียที่ถูกต้องที่จะใช้สำหรับปัญหาการจำแนกประเภทหลายคลาสเมื่อเลเบลสำหรับแต่ละคลาสเป็นจำนวนเต็ม (ในกรณีของเราพวกเขาสามารถเป็น 0, 1 , 2 หรือ 3 )

  4. เมื่อการเปลี่ยนแปลงเหล่านี้เสร็จสมบูรณ์คุณจะสามารถฝึกตัวแยกประเภทมัลติคลาสได้

หากคุณติดขัดคุณสามารถหาวิธีแก้ไขได้ ที่นี่

เรียนรู้เพิ่มเติม

บทช่วยสอนนี้แนะนำการจำแนกข้อความตั้งแต่เริ่มต้น หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับขั้นตอนการจำแนกข้อความโดยทั่วไปเราขอแนะนำให้อ่าน คู่มือนี้ จากนักพัฒนาซอฟต์แวร์ของ Google

 
#
# 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.