Google I / O คืนวันที่ 18-20 พ.ค. จองพื้นที่และสร้างตารางเวลาของคุณ ลงทะเบียนตอนนี้

การจำแนกข้อความพื้นฐาน

ดูใน TensorFlow.org เรียกใช้ใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดสมุดบันทึก

บทช่วยสอนนี้สาธิตการจัดประเภทข้อความโดยเริ่มจากไฟล์ข้อความธรรมดาที่เก็บไว้ในดิสก์ คุณจะฝึกตัวจำแนกไบนารีเพื่อทำการวิเคราะห์ความรู้สึกบนชุดข้อมูล IMDB ในตอนท้ายของสมุดบันทึกมีแบบฝึกหัดให้คุณได้ลองฝึกซึ่งคุณจะต้องฝึกตัวจำแนกประเภทหลายคลาสเพื่อคาดคะเนแท็กสำหรับคำถามการเขียนโปรแกรมบน 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__)
2.4.1

การวิเคราะห์ความเชื่อมั่น

สมุดบันทึกนี้ฝึกโมเดลการวิเคราะห์ความรู้สึกเพื่อจัดประเภทบทวิจารณ์ภาพยนตร์เป็น เชิงบวก หรือ เชิงลบ โดยพิจารณาจากข้อความของบทวิจารณ์ นี่คือตัวอย่างของ ไบนารี - หรือสองชั้น - การจัดประเภทซึ่งเป็นปัญหาการเรียนรู้ของเครื่องที่สำคัญและใช้ได้อย่างกว้างขวาง

คุณจะใช้ ชุดข้อมูลบทวิจารณ์ภาพยนตร์ขนาดใหญ่ ที่มีข้อความบทวิจารณ์ภาพยนตร์ 50,000 บทจาก ฐานข้อมูลภาพยนตร์ทางอินเทอร์เน็ต โดยแบ่งออกเป็นบทวิจารณ์ 25,000 บทสำหรับการฝึกอบรมและ 25,000 บทวิจารณ์สำหรับการทดสอบ ชุดการฝึกอบรมและการทดสอบมี ความสมดุล ซึ่งหมายความว่ามีบทวิจารณ์เชิงบวกและเชิงลบจำนวนเท่า ๆ กัน

ดาวน์โหลดและสำรวจชุดข้อมูล IMDB

มาดาวน์โหลดและแยกชุดข้อมูลจากนั้นสำรวจโครงสร้างไดเร็กทอรี

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 [==============================] - 6s 0us/step
os.listdir(dataset_dir)
['test', 'imdb.vocab', 'README', 'train', 'imdbEr.txt']
train_dir = os.path.join(dataset_dir, 'train')
os.listdir(train_dir)
['labeledBow.feat',
 'unsupBow.feat',
 'unsup',
 'urls_neg.txt',
 'neg',
 'urls_pos.txt',
 'urls_unsup.txt',
 'pos']

aclImdb/train/pos และ aclImdb/train/neg มีไฟล์ข้อความจำนวนมากซึ่งแต่ละไฟล์เป็นบทวิจารณ์ภาพยนตร์เรื่องเดียว ลองมาดูหนึ่งในนั้น

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

จากนั้นคุณจะโหลดข้อมูลออกจากดิสก์และเตรียมไว้ในรูปแบบที่เหมาะสมสำหรับการฝึกอบรม ในการทำเช่นนั้นคุณจะใช้ยูทิลิตี้ text_dataset_from_directory ที่ เป็นประโยชน์ซึ่งคาดว่าจะมีโครงสร้างไดเร็กทอรีดังนี้

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

ในการเตรียมชุดข้อมูลสำหรับการจัดประเภทไบนารีคุณจะต้องมีสองโฟลเดอร์บนดิสก์ซึ่งสอดคล้องกับ class_a และ class_b สิ่งเหล่านี้จะเป็นบทวิจารณ์ภาพยนตร์ในเชิงบวกและเชิงลบซึ่งสามารถพบได้ใน aclImdb/train/pos และ aclImdb/train/neg เนื่องจากชุดข้อมูล IMDB มีโฟลเดอร์เพิ่มเติมคุณจะต้องลบออกก่อนที่จะใช้ยูทิลิตี้นี้

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

จากนั้นคุณจะใช้ยูทิลิตี้ text_dataset_from_directory เพื่อสร้างtf.data.Dataset มีป้ายกำกับ tf.data เป็นชุดเครื่องมือที่มีประสิทธิภาพสำหรับการทำงานกับข้อมูล

เมื่อทำการทดสอบแมชชีนเลิร์นนิงแนวทางปฏิบัติที่ดีที่สุดคือการแบ่งชุดข้อมูลของคุณออกเป็น 3 ส่วน ได้แก่ ฝึกอบรม การตรวจสอบความถูกต้อง และ การทดสอบ

ชุดข้อมูล IMDB ถูกแบ่งออกเป็นส่วนฝึกอบรมและการทดสอบแล้ว แต่ไม่มีชุดตรวจสอบความถูกต้อง มาสร้างชุดการตรวจสอบความถูกต้องโดยใช้การแบ่งข้อมูลการฝึกอบรมแบบ 80:20 โดยใช้อาร์กิวเมนต์ 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 ตัวอย่างในโฟลเดอร์การฝึกอบรมซึ่งคุณจะใช้ 80% (หรือ 20,000) ในการฝึกอบรม ดังที่คุณจะเห็นในอีกสักครู่คุณสามารถฝึกโมเดลได้โดยส่งชุดข้อมูลไปยัง model.fit โดยตรง หากคุณเพิ่งเริ่มใช้ tf.data คุณยังสามารถทำซ้ำชุดข้อมูลและพิมพ์ตัวอย่างได้ดังนี้

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

สังเกตว่าบทวิจารณ์มีข้อความดิบ (พร้อมเครื่องหมายวรรคตอนและแท็ก HTML เป็นครั้งคราวเช่น <br/> ) คุณจะแสดงวิธีจัดการสิ่งเหล่านี้ในส่วนต่อไปนี้

ป้ายกำกับคือ 0 หรือ 1 หากต้องการดูว่าข้อใดสอดคล้องกับบทวิจารณ์ภาพยนตร์เชิงบวกและเชิงลบคุณสามารถตรวจสอบคุณสมบัติ class_names ในชุดข้อมูลได้

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

จากนั้นคุณจะสร้างชุดข้อมูลการตรวจสอบและทดสอบ คุณจะใช้บทวิจารณ์ที่เหลือ 5,000 บทจากชุดฝึกอบรมเพื่อการตรวจสอบความถูกต้อง

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

จากนั้นคุณจะสร้างมาตรฐานสร้างโทเค็นและกำหนดเวกเตอร์ข้อมูลโดยใช้ชั้นการ preprocessing.TextVectorization เป็นประโยชน์

Standardization หมายถึงการประมวลผลข้อความล่วงหน้าโดยทั่วไปจะลบเครื่องหมายวรรคตอนหรือองค์ประกอบ HTML เพื่อลดความซับซ้อนของชุดข้อมูล Tokenization หมายถึงการแยกสตริงออกเป็นโทเค็น (ตัวอย่างเช่นการแยกประโยคออกเป็นคำแต่ละคำโดยการแบ่งช่องว่าง) Vectorization หมายถึงการแปลงโทเค็นเป็นตัวเลขเพื่อให้สามารถป้อนเข้าในโครงข่ายประสาทเทียมได้ งานทั้งหมดนี้สามารถทำได้ด้วยเลเยอร์นี้

ดังที่คุณเห็นด้านบนบทวิจารณ์ประกอบด้วยแท็ก HTML ต่างๆเช่น <br /> แท็กเหล่านี้จะไม่ถูกลบออกโดยเครื่องมือมาตรฐานเริ่มต้นในเลเยอร์ TextVectorization (ซึ่งจะแปลงข้อความเป็นตัวพิมพ์เล็กและ TextVectorization เครื่องหมายวรรคตอนตามค่าเริ่มต้น แต่จะไม่ตัด HTML ออก) 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),
                                  '')

จากนั้นคุณจะสร้างเลเยอร์ TextVectorization คุณจะใช้เลเยอร์นี้เพื่อสร้างมาตรฐานสร้างโทเค็นและกำหนดเวกเตอร์ข้อมูลของเรา คุณตั้งค่า output_mode เป็น int เพื่อสร้างดัชนีจำนวนเต็มเฉพาะสำหรับแต่ละโทเค็น

โปรดทราบว่าคุณกำลังใช้ฟังก์ชันการแยกเริ่มต้นและฟังก์ชันมาตรฐานแบบกำหนดเองที่คุณกำหนดไว้ข้างต้น นอกจากนี้คุณยังจะได้กำหนดค่าคงที่บางรุ่นเช่นสูงสุดอย่างชัดเจน sequence_length ซึ่งจะทำให้ชั้นรองหรือตัดลำดับให้ตรง sequence_length ค่า

max_features = 10000
sequence_length = 250

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

ถัดไปคุณจะเรียกว่า adapt เพื่อให้พอดีกับสถานะของเลเยอร์ก่อนการประมวลผลกับชุดข้อมูล 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)

มาสร้างฟังก์ชันเพื่อดูผลลัพธ์ของการใช้เลเยอร์นี้เพื่อประมวลผลข้อมูลล่วงหน้า

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>)

ดังที่คุณเห็นด้านบนโทเค็นแต่ละรายการถูกแทนที่ด้วยจำนวนเต็ม คุณสามารถค้นหาโทเค็น (สตริง) ที่แต่ละจำนวนเต็มสอดคล้องกันโดยเรียก. .get_vocabulary() บนเลเยอร์

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

คุณเกือบพร้อมที่จะฝึกโมเดลของคุณแล้ว ในขั้นตอนสุดท้ายก่อนการประมวลผลคุณจะใช้เลเยอร์ TextVectorization ที่คุณสร้างไว้ก่อนหน้านี้กับชุดข้อมูลการตรวจสอบความถูกต้องและการทดสอบ

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

กำหนดค่าชุดข้อมูลเพื่อประสิทธิภาพ

ต่อไปนี้เป็นวิธีการสำคัญสองวิธีที่คุณควรใช้เมื่อโหลดข้อมูลเพื่อให้แน่ใจว่า I / O จะไม่ถูกบล็อก

.cache() เก็บข้อมูลไว้ในหน่วยความจำหลังจากโหลดออกจากดิสก์ วิธีนี้จะช่วยให้มั่นใจได้ว่าชุดข้อมูลจะไม่กลายเป็นคอขวดขณะฝึกโมเดลของคุณ หากชุดข้อมูลของคุณมีขนาดใหญ่เกินไปที่จะใส่ลงในหน่วยความจำคุณยังสามารถใช้วิธีนี้เพื่อสร้างแคชบนดิสก์ที่มีประสิทธิภาพซึ่งจะมีประสิทธิภาพในการอ่านมากกว่าไฟล์ขนาดเล็กจำนวนมาก

.prefetch() ซ้อนทับการประมวลผลข้อมูลล่วงหน้าและการเรียกใช้โมเดลขณะฝึกอบรม

คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับทั้งสองวิธีตลอดจนวิธีแคชข้อมูลลงดิสก์ได้ใน คู่มือประสิทธิภาพข้อมูล

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)

สร้างแบบจำลอง

ถึงเวลาสร้างเครือข่ายประสาทของเรา:

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
_________________________________________________________________

เลเยอร์จะซ้อนกันตามลำดับเพื่อสร้างลักษณนาม:

  1. เลเยอร์แรกคือเลเยอร์การ Embedding เลเยอร์นี้ใช้บทวิจารณ์ที่เข้ารหัสจำนวนเต็มและค้นหาเวกเตอร์ฝังสำหรับดัชนีคำแต่ละคำ เวกเตอร์เหล่านี้เรียนรู้เป็นรถไฟจำลอง เวกเตอร์เพิ่มมิติให้กับอาร์เรย์เอาต์พุต มิติที่ได้คือ: (batch, sequence, embedding) หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการฝังโปรดดู คำแนะนำการฝัง
  2. ถัดไปเลเยอร์ GlobalAveragePooling1D จะส่งคืนเวกเตอร์เอาต์พุตที่มีความยาวคงที่สำหรับแต่ละตัวอย่างโดยการหาค่าเฉลี่ยในมิติข้อมูลลำดับ สิ่งนี้ช่วยให้โมเดลสามารถจัดการอินพุตของความยาวตัวแปรได้ด้วยวิธีที่ง่ายที่สุดเท่าที่จะเป็นไปได้
  3. เวกเตอร์เอาต์พุตที่มีความยาวคงที่นี้ถูกส่งผ่านเลเยอร์ที่เชื่อมต่อเต็ม ( Dense ) โดยมียูนิตซ่อนอยู่ 16 ยูนิต
  4. ชั้นสุดท้ายเชื่อมต่อกันอย่างหนาแน่นด้วยโหนดเอาต์พุตเดี่ยว

ฟังก์ชันการสูญเสียและเครื่องมือเพิ่มประสิทธิภาพ

โมเดลต้องการฟังก์ชันการสูญเสียและเครื่องมือเพิ่มประสิทธิภาพสำหรับการฝึกอบรม เนื่องจากปัญหานี้เป็นปัญหาการจำแนกไบนารีและโมเดลจะแสดงความน่าจะเป็น (เลเยอร์หน่วยเดียวที่มีการเปิดใช้งานซิกมอยด์) คุณจะใช้การสูญเสียฟังก์ชันการสูญเสีย losses.BinaryCrossentropy

ตอนนี้กำหนดค่าโมเดลเพื่อใช้เครื่องมือเพิ่มประสิทธิภาพและฟังก์ชันการสูญเสีย:

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

ฝึกโมเดล

คุณจะฝึกโมเดลโดยส่งผ่านวัตถุ dataset ไปยังวิธีการที่พอดี

epochs = 10
history = model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=epochs)
Epoch 1/10
625/625 [==============================] - 5s 6ms/step - loss: 0.6824 - binary_accuracy: 0.6126 - val_loss: 0.6136 - val_binary_accuracy: 0.7708
Epoch 2/10
625/625 [==============================] - 3s 4ms/step - loss: 0.5785 - binary_accuracy: 0.7843 - val_loss: 0.4967 - val_binary_accuracy: 0.8240
Epoch 3/10
625/625 [==============================] - 3s 4ms/step - loss: 0.4644 - binary_accuracy: 0.8365 - val_loss: 0.4192 - val_binary_accuracy: 0.8480
Epoch 4/10
625/625 [==============================] - 3s 4ms/step - loss: 0.3906 - binary_accuracy: 0.8610 - val_loss: 0.3732 - val_binary_accuracy: 0.8596
Epoch 5/10
625/625 [==============================] - 3s 4ms/step - loss: 0.3439 - binary_accuracy: 0.8731 - val_loss: 0.3445 - val_binary_accuracy: 0.8662
Epoch 6/10
625/625 [==============================] - 3s 4ms/step - loss: 0.3109 - binary_accuracy: 0.8871 - val_loss: 0.3256 - val_binary_accuracy: 0.8718
Epoch 7/10
625/625 [==============================] - 3s 4ms/step - loss: 0.2852 - binary_accuracy: 0.8963 - val_loss: 0.3121 - val_binary_accuracy: 0.8730
Epoch 8/10
625/625 [==============================] - 3s 4ms/step - loss: 0.2660 - binary_accuracy: 0.9039 - val_loss: 0.3027 - val_binary_accuracy: 0.8754
Epoch 9/10
625/625 [==============================] - 3s 4ms/step - loss: 0.2481 - binary_accuracy: 0.9109 - val_loss: 0.2963 - val_binary_accuracy: 0.8774
Epoch 10/10
625/625 [==============================] - 3s 4ms/step - loss: 0.2338 - binary_accuracy: 0.9162 - val_loss: 0.2916 - val_binary_accuracy: 0.8796

ประเมินแบบจำลอง

มาดูกันว่าแบบจำลองมีประสิทธิภาพอย่างไร ค่าสองค่าจะถูกส่งกลับ การสูญเสีย (ตัวเลขที่แสดงถึงข้อผิดพลาดของเราค่าที่ต่ำกว่าจะดีกว่า) และความแม่นยำ

loss, accuracy = model.evaluate(test_ds)

print("Loss: ", loss)
print("Accuracy: ", accuracy)
782/782 [==============================] - 3s 4ms/step - loss: 0.3102 - binary_accuracy: 0.8735
Loss:  0.31024304032325745
Accuracy:  0.8734800219535828

วิธีการที่ค่อนข้างไร้เดียงสานี้มีความแม่นยำประมาณ 86%

สร้างพล็อตของความถูกต้องและการสูญเสียเมื่อเวลาผ่านไป

model.fit() ส่งคืนวัตถุ History ที่มีพจนานุกรมพร้อมทุกสิ่งที่เกิดขึ้นระหว่างการฝึก:

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

มีสี่รายการ: หนึ่งรายการสำหรับแต่ละเมตริกที่ถูกตรวจสอบระหว่างการฝึกอบรมและการตรวจสอบความถูกต้อง คุณสามารถใช้สิ่งเหล่านี้เพื่อวางแผนการฝึกอบรมและการสูญเสียการตรวจสอบเพื่อเปรียบเทียบรวมทั้งการฝึกอบรมและความถูกต้องในการตรวจสอบความถูกต้อง:

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

ในพล็อตนี้จุดแสดงถึงการสูญเสียและความแม่นยำในการฝึกและเส้นทึบคือการสูญเสียการตรวจสอบและความถูกต้อง

สังเกตว่าการสูญเสียการฝึกอบรม ลดลง ในแต่ละยุคและความแม่นยำในการฝึกจะ เพิ่มขึ้น ตามแต่ละยุค สิ่งนี้คาดว่าจะเกิดขึ้นเมื่อใช้การเพิ่มประสิทธิภาพการลดระดับการไล่ระดับสี - ควรลดปริมาณที่ต้องการในการทำซ้ำทุกครั้ง

นี่ไม่ใช่กรณีของการสูญเสียการตรวจสอบความถูกต้องและความแม่นยำดูเหมือนว่าจะสูงสุดก่อนความแม่นยำในการฝึกอบรม นี่คือตัวอย่างของการฟิตติ้งมากเกินไป: แบบจำลองทำงานได้ดีกับข้อมูลการฝึกอบรมมากกว่าข้อมูลที่ไม่เคยเห็นมาก่อน หลังจากจุดนี้โมเดลจะปรับให้เหมาะสมมากเกินไปและเรียนรู้การเป็นตัวแทน เฉพาะ ของข้อมูลการฝึกอบรมที่ไม่ได้เป็นข้อมูล ทั่วไป ในการทดสอบข้อมูล

สำหรับกรณีนี้คุณสามารถป้องกันการใส่อุปกรณ์มากเกินไปได้โดยเพียงแค่หยุดการฝึกอบรมเมื่อความแม่นยำในการตรวจสอบไม่เพิ่มขึ้นอีกต่อไป วิธีหนึ่งที่ทำได้คือใช้การโทรกลับ tf.keras.callbacks.EarlyStopping

ส่งออกโมเดล

ในโค้ดด้านบนคุณใช้เลเยอร์ TextVectorization กับชุดข้อมูลก่อนป้อนข้อความไปยังโมเดล หากคุณต้องการทำให้โมเดลของคุณสามารถประมวลผลสตริงดิบได้ (ตัวอย่างเช่นเพื่อลดความซับซ้อนในการปรับใช้) คุณสามารถรวมเลเยอร์ TextVectorization ไว้ในโมเดลของคุณ ในการทำเช่นนั้นคุณสามารถสร้างแบบจำลองใหม่โดยใช้น้ำหนักที่คุณเพิ่งฝึกมา

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 [==============================] - 5s 6ms/step - loss: 0.3115 - accuracy: 0.8738
0.8734800219535828

การอนุมานข้อมูลใหม่

หากต้องการรับคำทำนายสำหรับตัวอย่างใหม่คุณสามารถโทรหา model.predict()

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

export_model.predict(examples)
array([[0.6198051 ],
       [0.4428497 ],
       [0.35866177]], dtype=float32)

การรวมตรรกะก่อนการประมวลผลข้อความไว้ในโมเดลของคุณช่วยให้คุณสามารถส่งออกโมเดลสำหรับการผลิตที่ช่วยลดความยุ่งยากในการปรับใช้และลดโอกาสใน การเบ้รถไฟ / ทดสอบ

มีความแตกต่างด้านประสิทธิภาพที่ควรคำนึงถึงเมื่อเลือกตำแหน่งที่จะใช้เลเยอร์ TextVectorization ของคุณ การใช้งานภายนอกโมเดลของคุณช่วยให้คุณสามารถประมวลผล CPU แบบอะซิงโครนัสและการบัฟเฟอร์ข้อมูลของคุณเมื่อฝึกอบรมเกี่ยวกับ GPU ดังนั้นหากคุณกำลังฝึกโมเดลของคุณบน GPU คุณอาจต้องการใช้ตัวเลือกนี้เพื่อให้ได้ประสิทธิภาพที่ดีที่สุดในขณะที่พัฒนาโมเดลของคุณจากนั้นเปลี่ยนไปใช้การรวมเลเยอร์ TextVectorization ไว้ในโมเดลของคุณเมื่อคุณพร้อมที่จะเตรียมการปรับใช้ .

ไปที่ บทช่วยสอน นี้เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับโมเดลการประหยัด

แบบฝึกหัด: การจัดประเภทหลายคลาสในคำถาม Stack Overflow

บทช่วยสอนนี้แสดงวิธีฝึกตัวจำแนกไบนารีตั้งแต่เริ่มต้นบนชุดข้อมูล IMDB ในแบบฝึกหัดคุณสามารถปรับเปลี่ยนสมุดบันทึกนี้เพื่อฝึกลักษณนามหลายคลาสเพื่อคาดคะเนแท็กของคำถามการเขียนโปรแกรมบน Stack Overflow

เราได้เตรียม ชุดข้อมูล เพื่อให้คุณใช้ซึ่งมีเนื้อหาของคำถามเกี่ยวกับการเขียนโปรแกรมหลายพันคำถาม (เช่น "จะจัดเรียงพจนานุกรมตามค่าใน Python ได้อย่างไร") ที่โพสต์ไว้ใน Stack Overflow แต่ละรายการมีป้ายกำกับด้วยแท็กเดียว (Python, CSharp, JavaScript หรือ Java) งานของคุณคือรับคำถามเป็นอินพุตและคาดการณ์แท็กที่เหมาะสมในกรณีนี้คือ Python

ชุดข้อมูลที่คุณจะใช้ประกอบด้วยคำถามหลายพันข้อที่ดึงมาจากชุดข้อมูล Stack Overflow สาธารณะที่ใหญ่กว่ามากบน BigQuery ซึ่งมีโพสต์มากกว่า 17 ล้านโพสต์

หลังจากดาวน์โหลดชุดข้อมูลแล้วคุณจะพบว่ามีโครงสร้างไดเร็กทอรีคล้ายกับชุดข้อมูล IMDB ที่คุณใช้งานก่อนหน้านี้:

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

ในการทำแบบฝึกหัดนี้ให้เสร็จสมบูรณ์คุณควรปรับเปลี่ยนสมุดบันทึกนี้ให้ทำงานกับชุดข้อมูล Stack Overflow โดยทำการแก้ไขต่อไปนี้:

  1. ที่ด้านบนของสมุดบันทึกของคุณให้อัปเดตรหัสที่ดาวน์โหลดชุดข้อมูล IMDB พร้อมรหัสเพื่อดาวน์โหลด ชุดข้อมูล Stack Overflow ที่ เราเตรียมไว้ล่วงหน้า เนื่องจากชุดข้อมูล Stack Overflow มีโครงสร้างไดเร็กทอรีที่คล้ายกันคุณจึงไม่จำเป็นต้องทำการแก้ไขมากมาย

  2. แก้ไขเลเยอร์สุดท้ายของโมเดลของคุณเพื่ออ่าน Dense(4) เนื่องจากตอนนี้มีคลาสเอาต์พุตสี่คลาส

  3. เมื่อคุณรวบรวมโมเดลของคุณให้เปลี่ยนการสูญเสียเป็น losses.SparseCategoricalCrossentropy นี่คือฟังก์ชันการสูญเสียที่ถูกต้องที่จะใช้สำหรับปัญหาการจำแนกประเภทหลายคลาสเมื่อป้ายชื่อสำหรับแต่ละคลาสเป็นจำนวนเต็ม (ในกรณีของเราอาจเป็น 0, 1 , 2 หรือ 3 )

  4. เมื่อการเปลี่ยนแปลงเหล่านี้เสร็จสมบูรณ์คุณจะสามารถฝึกตัวจำแนกประเภทหลายคลาสได้

เรียนรู้เพิ่มเติม

บทช่วยสอนนี้แนะนำการจัดประเภทข้อความตั้งแต่เริ่มต้น หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับขั้นตอนการจัดหมวดหมู่ข้อความโดยทั่วไปเราขอแนะนำให้อ่าน คู่มือนี้ จาก Google Developers

# 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.