机器学习的大局观:使用神经网络和TensorFlow来对文本分类

Posted caimouse

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习的大局观:使用神经网络和TensorFlow来对文本分类相关的知识,希望对你有一定的参考价值。

机器学习的大局观:使用神经网络和TensorFlow来对文本分类

 

https://medium.freecodecamp.com/big-picture-machine-learning-classifying-text-with-neural-networks-and-tensorflow-d94036ac2274

 

机器学习的开发人员常常说,如果你想学习机器学习,必须先学习算法是怎么样工作的原理,但是我的经验告诉我,不是这样的。

 

我说,你应该首先能够看到大局:机器学习的应用程序是怎么样工作的。一旦你理解它,你就可以轻松地深入学习和体会到机器学习算法的工作原理。

 

所以怎么样才形成一种直觉的知识和通过大局观来理解机器学习呢?我认为一个好的方法是通过创建机器学习的模型。

 

如果你仍然不知道如何从头开始创建所有的这些算法,也没有关系,你可以使用一些现成的机器学习算法库来学习,比如使用TensorFlow

 

在这篇文章里,我们主要学习文本分类的机器学习的模型,所以有由下面的几步学习:

1. TensorFlow是怎么样工作的

2. 机器学习的模型是什么

3. 神经网络是什么

4. 神经网络是怎么样学习

5. 怎么样操作数据,并且让数据通过神经网络计算

6. 怎么样运行这个模型和获取预测结果

在这个过程里,你发现有很多不懂的知识需要学习,让我们立即开始吧!

 

TensorFlow

TensorFlow是一个GOOGLE开源的机器学习库,它的名称就提示了我们学习和理解它的工作原理了:张量是多维的数组,它流过所有节点图。

 

tf.Graph

TensorFlow里所有的计算都表示为数据流图的计算。数据流图主要有两大部分组成:

l tf.Operation集合,它表示所有计算单元。

l tf.Tensor集合,它表示数据单元。

通过查看下面这张数据流图,就明白它的工作过程:


假如你定义x = [1, 3, 6] y = [1, 1, 1],可以使用张量tf.Tensor来表示数据单元,所以定义常量张量如下:

import tensorflow as tf

x = tf.constant([1,3,6])
y = tf.constant([1,1,1])

 

现在可以定义操作运算:

import tensorflow as tf

x = tf.constant([1,3,6])
y = tf.constant([1,1,1])

op = tf.add(x,y)

 

已经有数据流图所需要两部分了,就可以建立这个数据流图:

import tensorflow as tf

my_graph = tf.Graph()

with my_graph.as_default():
    x = tf.constant([1,3,6])
    y = tf.constant([1,1,1])

    op = tf.add(x,y)

 

TensorFlow的工作流程图是这样的:首先创建一个数据流图,接着通过图来计算(运行这个图里的节点计算操作)。为了运行图,必须创建一个会话tf.Session

 

tf.Session

tf.Session对象封装了运行操作operation对象和张量Tensor对象的计算,因此我们需要为图定义一个会话:

import tensorflow as tf
my_graph = tf.Graph()
with tf.Session(graph=my_graph) as sess:
    x = tf.constant([1,3,6]) 
    y = tf.constant([1,1,1])
    op = tf.add(x,y)

为了执行这些操作,需要使用方法tf.Session.run()来运行,这个方法执行了图计算的一步运算,在这些计算里只会运行需要计算的操作,然后把需要求解的值计算出来并取回来(fetches)。在上面这个例子里,就是对两个张量进行相加的操作:

import tensorflow as tf
my_graph = tf.Graph()
with tf.Session(graph=my_graph) as sess:
    x = tf.constant([1,3,6]) 
    y = tf.constant([1,1,1])
    op = tf.add(x,y)
    result = sess.run(fetches=op)
    print(result)
>>> [2 4 7]

一个预测模型

通过上面学习,已经理解了TensorFlow的工作过程了,接着下来学习怎么样创建一个预测模型,简单地说:

Machine learning algorithm + data = predictive model

机器学习算法 + 数据 = 预测模型

 

因而构造这个模型如下:


从上面可以看到,模型主要由机器学习算法通过数据训练来组成的,当你把这个模型训练之后,就可以使用它如下面这样进行预测了:


由于我们定义的模型是用来对文本进行分类,所以定义如下:

 

输入 文本, 输出 分类

 

接着,我们需要一个做了标记的文本训练集(每个文本对应一个分类标志)。在机器学习里,这种情况叫做监督学习(Supervised learning)。

“We know the correct answers. The algorithm iteratively makes predictions on the training data and is corrected by the teacher.” — Jason Brownlee

 

由于是把数据分类,所以这个又是分类任务。

为了创建这个模型,我们将使用神经网络。

 

神经网络

神经网络是一个计算模型(用数学语言和数学概念描述系统的一种方法)。这些系统是自己学习和训练,而不是显式地编程。

 

神经网络的灵感来自我们的中枢神经系统,相互连接的节点就像我们的神经单元一样:

 


第一个神经网络的算法是感知机,这篇文章介绍了感知机的工作原理(https://appliedgo.net/perceptron/)。

 

为了理解神经网络是怎么样使用TensorFlow建立和工作,可以查看这个例子(https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/multilayer_perceptron.ipynb)。

 

神经网络架构

本神经网络由两个隐藏层组成(至于选择多少层隐藏层,这是属于神经网络的架构设计)。每个隐藏层的工作是将输入转换成输出层可以使用的东西。

 

第一层隐藏层

 

 

你需要定义第一层隐藏层有多少个节点,这些节点也叫做特征值或者神经元,在上图里表示为圆圈。

 

在输入层里每个节点表示一个数据集的单词(后面会看到怎么样表示)。

 

如图所示,每个节点(神经元)都乘以一个权重值。每个节点有一个权重值,在训练期间,神经网络通过调整这些权重值,以便可以生产一个正确的输出。

 

除了每个输入节点乘以权重值之外,神经网络还需要加上一个偏差值 http://stackoverflow.com/questions/2480650/role-of-bias-in-neural-networks)。

 

在我们的构架里输入的值乘以权重值,加上偏差值,然后通过激活函数。激活函数是定义在每个输出节点的后面,可以这样来理解:假设每个节点都是灯,激活函数告诉灯是否亮。

 

激活函数有很多种类型,最常使用的非线性激活函数(ReLu),它定义如下:

f(x) = max(0,x) [the output is x or 0 (zero), whichever is larger]

例如:如果x = -1,那么f(x) = 0;如果x = 0.7, 那么f(x) = 0.7

 

第二层隐藏层

其实第二层隐藏层的工作方式与第一层是一样的,只不过,第二层是从第一层进行输入的:

 


输出层

最后我们来到最后一层:输出层。需要使用one-hot-encodinghttps://en.wikipedia.org/wiki/One-hot)来表示输出结果,仅有一个元素为1,其它元素为0.假如,我们使用三个分类(体育、太空和计算机图形学):

+-------------------+-----------+
|    category       |   value   |
+-------------------|-----------+
|      sports       |    001    |
|      space        |    010    |
| computer graphics |    100    |
|-------------------|-----------|

 

由上可知,输出节点的数目就是数据集分类的数目。

 

输出层的数值也是乘以权重值,并加上偏差值,但最后的激活函数是不一样的。

 

您希望将每个文本标记为一个类别,这些类别是相互排斥的(意味着每个文本不可能同时属于两种类别)。考虑到这些,显然使用非线性激活函数ReLu就不行了,因而采用Softmax函数(https://en.wikipedia.org/wiki/Softmax_function),这个函数转换输出结果为01之间,且所有元素相加起来等于1,通过这样的方式告诉我们每个分类的文本的概率:

| 1.2                    0.46|
| 0.9   -> [softmax] ->  0.34|
| 0.4                    0.20|

 

到这里已经把全部神经网络的数据流图说完了,可根据整个过程转换为代码,如下:

# Network Parameters
n_hidden_1 = 10        # 1st layer number of features
n_hidden_2 = 5         # 2nd layer number of features
n_input = total_words  # Words in vocab
n_classes = 3          # Categories: graphics, space and baseball
def multilayer_perceptron(input_tensor, weights, biases):
    layer_1_multiplication = tf.matmul(input_tensor, weights['h1'])
    layer_1_addition = tf.add(layer_1_multiplication, biases['b1'])
    layer_1_activation = tf.nn.relu(layer_1_addition)
# Hidden layer with RELU activation
    layer_2_multiplication = tf.matmul(layer_1_activation, weights['h2'])
    layer_2_addition = tf.add(layer_2_multiplication, biases['b2'])
    layer_2_activation = tf.nn.relu(layer_2_addition)
# Output layer with linear activation
    out_layer_multiplication = tf.matmul(layer_2_activation, weights['out'])
    out_layer_addition = out_layer_multiplication + biases['out']
return out_layer_addition

(后面我们讨论输出层的激活函数的代码。)

 

神经网络怎么样学习

从上面我们看到,权重值是在神经网络训练的过程中更新的,下面通过TensorFlow的环境里来查看神经网络是怎么样学习的。

 

tf.Variable

权重值和偏差值都是保存在变量(tf.Variable)里,通过调用函数run()来维护和更新这些变量的状态。在机器学习的初始阶段,我们常常把这些权重值和偏差值初始化为正态分布的值(https://en.wikipedia.org/wiki/Normal_distribution)。

weights = {

    'hidden1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),

    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),

    'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))

}

biases = {

    'biases1': tf.Variable(tf.random_normal([n_hidden_1])),

    'b2': tf.Variable(tf.random_normal([n_hidden_2])),

    'out': tf.Variable(tf.random_normal([n_classes]))

}

 

当我们第一次运行神经网络时,这些权重值和偏差值都采用正态分布的值来初始化:

input values: x

weights: w

bias: b

output values: z

expected values: expected

 

神经网络为了知道怎么样学习,需要比较输出值(z)和期望值(expected)之间的差异,然后通过计算它们之间的差(损失)?计算这种之间的差别有很多方式,但我们这里的任务是分类任务,因此最好的损失函数是采用交叉熵的方式(https://en.wikipedia.org/wiki/Cross_entropy)。

 

James D. McCaffrey写了一篇文章来说明为什么采用这种方式是最好的分类方法(https://jamesmccaffrey.wordpress.com/2013/11/05/why-you-should-use-cross-entropy-error-instead-of-classification-error-or-mean-squared-error-for-neural-network-classifier-training/)。

 

TensorFlow里用来计算交叉熵的函数是tf.nn.softmax_cross_entroy_with_logits() ,接着使用平均误差(tf.reduced_mean())来计算:

# Construct model

prediction = multilayer_perceptron(input_tensor, weights, biases)

# Define loss

entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor)

loss = tf.reduce_mean(entropy_loss)

 

为了让输出的误差最小化(输出值与期望值之间的差最小),就需要找到合适的权重值和偏差值。要完成这个任务,因而就引入了梯度下降的算法,更加直接一点就是采用随机梯度下降算法(https://en.wikipedia.org/wiki/Stochastic_gradient_descent):


同样也有很多算法来计算梯度下降的,在这里采用Adaptive Moment Estimation (Adam)算法计算(http://sebastianruder.com/optimizing-gradient-descent/index.html#adam)。在TensorFlow里使用这个算法时,需要输入一个学习速率的参数,这个参数决定了每一次找到最好的权重值的步伐。

 

方法tf.train.AdamOptimizer(learning_rate).minimize(loss)是分成两步计算的,如下:

1. 计算梯度(损失值, <变量列表>

2. 更新梯度(<变量列表>

这个方法更新了所有变量tf.Variables为新值,所以不需传送变量列表。可以把训练的代码像下面这样编写:

learning_rate = 0.001
# Construct model
prediction = multilayer_perceptron(input_tensor, weights, biases)
# Define loss
entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor)
loss = tf.reduce_mean(entropy_loss)
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

数据操作

在这个数据集里使用英语文本来表示,需要把这些数据通过神经网络,下面需要做两件事情:

1. 每个单词创建一个索引

2. 每句话创建一个矩阵,如果单词出现标记为1,否则标记为0.

下面的代码就是处理这个过程:

import numpy as np    #numpy is a package for scientific computing
from collections import Counter
vocab = Counter()
text = "Hi from Brazil"
#Get all words
for word in text.split(' '):
    vocab[word]+=1
        
#Convert words to indexes
def get_word_2_index(vocab):
    word2index = {}
    for i,word in enumerate(vocab):
        word2index[word] = i
        
    return word2index
#Now we have an index
word2index = get_word_2_index(vocab)
total_words = len(vocab)
#This is how we create a numpy array (our matrix)
matrix = np.zeros((total_words),dtype=float)
#Now we fill the values
for word in text.split():
    matrix[word2index[word]] += 1
print(matrix)
>>> [ 1.  1.  1.]

在这个例子里,句子“Hi from Brazil”变成矩阵[1. 1. 1.]表示,如果句子只有单词“Hi”时怎么样表示?
matrix = np.zeros((total_words),dtype=float)
text = "Hi"
for word in text.split():
    matrix[word2index[word.lower()]] += 1
print(matrix)
>>> [ 1.  0.  0.]

对于标签也可采用同样方法,不过是采用one-hot向量的方式:

y = np.zeros((3),dtype=float)

if category == 0:

    y[0] = 1.        # [ 1.  0.  0.]

elif category == 1:

    y[1] = 1.        # [ 0.  1.  0.]

else:

     y[2] = 1.       # [ 0.  0.  1.]

 

运行数据流图和获取计算结果

现在到了最激动人心的部分:从模型获取计算结果。首先来查看输入的数据集。

 

数据集

可以使用20个新闻组(http://qwone.com/~jason/20Newsgroups/)的数据,20个主题组成,大概有18000个篇文章。要加载这些数据需要使用scikit-learn库,在这里仅使用三个分类:comp.graphics, sci.space rec.sport.baseballScikit-learn有两个集合组成:一个训练集和测试集。建议你不要看测试数据,因为在创建模型时会干扰你的选择。你不想创建一个模型来预测这个特定的测试数据,你想创建一个模型,具有良好的泛化。

 

下面就是加载数据的代码:

from sklearn.datasets import fetch_20newsgroups

categories = ["comp.graphics","sci.space","rec.sport.baseball"]

newsgroups_train = fetch_20newsgroups(subset='train', categories=categories)

newsgroups_test = fetch_20newsgroups(subset='test', categories=categories)

 

训练模型

在神经网络的术语里,一个周期等于一遍数据通过(获取输出值)和一遍反馈(更新权重值)。

还记得方法tf.Session.run()吗?让我们再来仔细看一下:

tf.Session.run(fetches, feed_dict=None, options=None, run_metadata=None)

 

在刚开始的神经网络的数据流图,我们使用相加的操作,但现在我们能传送一系列的操作了。在神经网络里,你主要做两件事情:损失值计算和每一步优化。

 

参数feed_dict是每一步运行时的传送数据的参数,为了传送数据,需要使用类(tf.placeholders)定义变量。

TensorFlow的文档里是这样描述的:

A placeholder exists solely to serve as the target of feeds. It is not initialized and contains no data.” — Source

 

所以定义如下:

n_input = total_words # Words in vocab

n_classes = 3         # Categories: graphics, sci.space and baseball

input_tensor = tf.placeholder(tf.float32,[None, n_input],name="input")

output_tensor = tf.placeholder(tf.float32,[None, n_classes],name="output")

 

训练时可以使用分批进行:

If you use placeholders for feeding input, you can specify a variable batch dimension by creating the placeholder with tf.placeholder(, shape=[None, ]). The None element of the shape corresponds to a variable-sized dimension.” — Source

 

我们将字典具有较大的批量测试时的模型,这就是为什么你需要定义一个变量的批处理尺寸。

因此定义函数get_batches()get_batches()来获取批量:

training_epochs = 10
# Launch the graph
with tf.Session() as sess:
    sess.run(init) #inits the variables (normal distribution, remember?)
    # Training cycle
    for epoch in range(training_epochs):
        avg_cost = 0.
        total_batch = int(len(newsgroups_train.data)/batch_size)
        # Loop over all batches
        for i in range(total_batch):
            batch_x,batch_y = get_batch(newsgroups_train,i,batch_size)
            # Run optimization op (backprop) and cost op (to get loss value)
            c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x, output_tensor:batch_y})

到这里已经有一个被训练的模型了,为了测试它,必须创建一个测试运行图。我们将测量模型的准确性,所以你需要得到预测值的指数和正确值的索引(因为我们使用的是一个热编码),检查它们是否相等,并计算所有测试数据集的平均值:

 

# Test model

    index_prediction = tf.argmax(prediction, 1)

    index_correct = tf.argmax(output_tensor, 1)

    correct_prediction = tf.equal(index_prediction, index_correct)

    # Calculate accuracy

    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

    total_test_data = len(newsgroups_test.target)

    batch_x_test,batch_y_test = get_batch(newsgroups_test,0,total_test_data)

    print("Accuracy:", accuracy.eval({input_tensor: batch_x_test, output_tensor: batch_y_test}))

>>> Epoch: 0001 loss= 1133.908114347

    Epoch: 0002 loss= 329.093700409

    Epoch: 0003 loss= 111.876660109

    Epoch: 0004 loss= 72.552971845

    Epoch: 0005 loss= 16.673050320

    Epoch: 0006 loss= 16.481995190

    Epoch: 0007 loss= 4.848220565

    Epoch: 0008 loss= 0.759822878

    Epoch: 0009 loss= 0.000000000

    Epoch: 0010 loss= 0.079848485

    Optimization Finished!

Accuracy: 0.75

 

到这里,我们已经使用神经网络来创建分类的任务。值得庆贺一下!

可以在这里看到完整的代码(可以修改我们定义的值来查看怎么样影响训练时间和模型的精度):

https://github.com/dmesquita/understanding_tensorflow_nn

 

有什么问题或建议吗?在评论后面写上。哦,谢谢阅读!

1. TensorFlow API攻略