前言
本文使用简单的 Transformer Block 实现对影评文本数据 IMDB 的情感分类任务。
数据
-
这里定义了两个关键的超参数:
vocab_size
:表示词汇表的大小,即允许在文本数据中使用的不同的单词数量。maxlen
:表示文本序列的最大长度,超过这个长度的序列将被截断,不足这个长度的序列将被填充。
-
使用内置函数从 IMDB 电影评论文本数据集加载训练集和测试集。这是一个情感分类任务,其中评论标签被标记为积极或消极。结果只保留在数据中出现频率最高的前
vocab_size
个单词,其他单词将被忽略。这有助于限制词汇表的大小以降低模型的复杂性。 -
使用
tf.keras.utils.pad_sequences
函数在训练集和测试集的文本序列末尾填充或截断到指定的maxlen
长度,以确保它们具有相同的长度,以满足神经网络要求的输入大小。
vocab_size = 20000
maxlen = 200
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.imdb.load_data(num_words=vocab_size)
x_train = tf.keras.utils.pad_sequences(x_train, maxlen=maxlen, padding='post', truncating='post')
x_test = tf.keras.utils.pad_sequences(x_test, maxlen=maxlen, padding='post', truncating='post')
print(len(x_train), "个训练样本")
print(len(x_test), "个测试样本")
结果打印:
25000 个训练样本
25000 个测试样本
嵌入
这段代码定义了一个名为 Embed
的自定义 Keras 层,用于实现 Transformer
模型中的嵌入层(Embedding Layer)
。嵌入层将输入序列中的每个 token
和它们的位置
嵌入到一个连续向量空间中,为 Transformer 模型提供适当的输入表示。这是 Transformer 模型中非常重要的一部分,用于捕捉序列数据中的语义信息和位置信息
,主要参数如下。
maxlen
:表示输入序列的最大长度,用于确定位置嵌入的维度。vocab_size
:表示词汇表的大小,即不同 token 的数量。embed_dim
:表示嵌入向量的维度,决定了最后得到的词向量维度。
class Embed(tf.keras.layers.Layer):
def __init__(self, maxlen, vocab_size, embed_dim):
super().__init__()
self.token_emb = Embedding(input_dim=vocab_size, output_dim=embed_dim)
self.pos_emb = Embedding(input_dim=maxlen, output_dim=embed_dim)
def call(self, x):
maxlen = tf.shape(x)[-1]
positions = tf.range(start=0, limit=maxlen, delta=1)
positions = self.pos_emb(positions)
x = self.token_emb(x)
return x + positions
Transformer Block
这段代码定义了一个名为 Block
的自定义 Keras 层,用来表示 Transformer
模型中的一个基本运算块(block)。每个基本块包含了两部分:多头自注意力层(Multi-Head Attention)
和前馈神经网络层(Feed-Forward Neural Network)
,以及一些为了防止过拟合的层标准化(LayerNormalization)
、 Dropout
和残差连接
等操作。
该 Block 部分通过多头自注意力和前馈神经网络实现了序列数据的特征提取
和表示学习
,经过多个这样的基本块可以层层堆叠形成编码器
和解码器
,这里只是简单当作一个提取序列数据的层。主要参数如下:
embed_dim
:表示向量的维度。num_heads
:表示多头自注意力中的注意力头数量。rate
:Dropout 丢弃比例,在训练期间应用以防止过拟合。
class BLock(tf.keras.layers.Layer):
def __init__(self, embed_dim, num_heads, rate=0.1):
super().__init__()
self.att = MultiHeadAttention(num_heads=num_heads, key_dim=embed_dim)
self.ffn = tf.keras.Sequential([tf.keras.layers.Dense(32, activation='relu'), tf.keras.layers.Dense(embed_dim)])
self.norm1 = LayerNormalization(epsilon=1e-6)
self.norm2 = LayerNormalization(epsilon=1e-6)
self.dropout1 = Dropout(rate)
self.dropout2 = Dropout(rate)
def call(self, inputs, training):
attn_output = self.att(inputs, inputs)
attn_output = self.dropout1(attn_output, training=training)
out1 = self.norm1(inputs + attn_output)
ffn_output = self.ffn(out1)
ffn_output = self.dropout2(ffn_output, training=training)
return self.norm2(ffn_output + out1)
训练
这里主要是对模型进行编译和训练,选择 Adam
作为模型的优化器,损失函数选择稀疏分类交叉熵(sparse_categorical_crossentropy)
,评估指标选择准确率(accuracy)
。这里为了防止过拟合我设置了回调函数 EarlyStopping
,这个回调函数在验证集上监视 val_accuracy
,并在连续两个 epoch 后指标没有提升时停止训练。
model = tf.keras.Sequential([
Input(shape=(maxlen,)),
Embed(maxlen, vocab_size, 32),
BLock(32, 4),
GlobalAveragePooling1D(),
Dropout(0.1),
Dense(20, activation='relu'),
Dropout(0.1),
Dense(2, activation='softmax')
])
callbacks = [tf.keras.callbacks.EarlyStopping(patience=2, monitor='val_accuracy')]
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=32, epochs=10, validation_data=(x_test, y_test), callbacks=callbacks)
结果打印,经过了 3
轮训练后提前停止了训练,最终的验证集准确率能达到 84%
:
Epoch 1/10
782/782 [==============================] - 9s 10ms/step - loss: 0.4148 - accuracy: 0.7963 - val_loss: 0.3230 - val_accuracy: 0.8642
Epoch 2/10
782/782 [==============================] - 11s 14ms/step - loss: 0.2207 - accuracy: 0.9165 - val_loss: 0.4794 - val_accuracy: 0.8006
Epoch 3/10
782/782 [==============================] - 12s 15ms/step - loss: 0.1476 - accuracy: 0.9477 - val_loss: 0.4001 - val_accuracy: 0.8434