某神经网络的输入是新闻文本数据集,那么其维度应该是几维的?每个维

Posted 2023-03-18

参考技术A

神经网络的输入维度取决于所使用的文本数据集。如果新闻文本数据集是由一些词语组成的，那么每个词语将被表示为一维特征。因此，如果新闻文本数据集包含 N 个不同的词语，那么该神经网络的输入维度将是 N 维。

需要注意的是，在实际使用时，新闻文本数据集可能需要经过预处理，例如分词，去除停用词等，才能作为神经网络的输入。

PyTorch LSTM 输入维度

【中文标题】PyTorch LSTM 输入维度

【英文标题】：PyTorch LSTM input dimension

【发布时间】：2019-10-23 16:11:49

【问题描述】：

我正在尝试使用 PyTorch LSTM 训练一个简单的 2 层神经网络，但无法解释 PyTorch 文档。具体来说，我不太确定如何处理我的训练数据的形状。

我想要做的是通过小批量在一个非常大的数据集上训练我的网络，其中每个批次的长度为 100 个元素。每个数据元素将有 5 个特征。文档指出层的输入应该是形状（seq_len、batch_size、input_size）。我应该如何塑造输入？

我一直在关注这个帖子：https://discuss.pytorch.org/t/understanding-lstm-input/31110/3 如果我解释正确，每个小批量应该是形状（100、100、5）。但是在这种情况下，seq_len 和batch_size 有什么区别呢？另外，这是否意味着输入 LSTM 层的第一层应该有 5 个单元？

谢谢！

【参考方案1】：

这是一个老问题，但由于它已经被查看了 80 多次没有回应，让我来破解它。

LSTM 网络用于预测序列。在 NLP 中，这将是一个单词序列；在经济学中，一系列经济指标；等等

第一个参数是这些序列的长度。如果你的序列数据是由句子组成的，那么“汤姆有一只又黑又丑的猫”是一个长度为 7 (seq_len) 的序列，每个单词一个，可能还有一个 8 表示句子的结尾。

当然，您可能会反对“如果我的序列长度不同怎么办？”这是一种常见的情况。

两种最常见的解决方案是：

用空元素填充序列。例如，如果你最长的句子有 15 个单词，那么将上面的句子编码为“[Tom] [has] [a] [black] [and] [ugly] [cat] [EOS] [] [] [] [] [] [] []"，其中 EOS 代表句子的结尾。突然，你所有的序列长度都变成了 15，这就解决了你的问题。一旦找到 [EOS] 代币，模型就会很快了解到它后面跟着无限序列的空代币 []，这种方法几乎不会对您的网络造成负担。

发送相同长度的小批量。例如，在所有句子上用 2 个词训练网络，然后用 3 个词，然后用 4 个词。当然，seq_len 会在每个小批量增加，每个小批量的大小会根据长度为 N 的序列的数量而变化你有你的数据。

两全其美的方法是将您的数据分成大小大致相等的小批量，按近似长度分组，并仅添加必要的填充。例如，如果您对长度为 6、7 和 8 的句子进行小批量处理，则长度为 8 的序列将不需要填充，而长度为 6 的序列将只需要 2。如果您有一个包含长度变化很大的序列的大型数据集，这是最好的方法。

不过，选项 1 是最简单（也是最懒惰）的方法，并且适用于小型数据集。

最后一件事...始终在末尾而不是开头填充数据。

希望对你有帮助。

【讨论】：

我认为问题是关于数据的形状，即如何解释维度要求并将其应用于 OP 的数据。我有完全相同的问题（似乎每个人都有），但那里没有好的答案。大多数尝试在他们的示例中使用随机生成的数据，使得示例对理解几乎毫无用处。确实存在的那些示例通常是文本序列，并且没有尝试推广到不同类型/形状的数据。如果你能认真回答，我会很高兴的！