devbox
羊村懒王
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

使用CNN卷积神经网络进行情感分析_情感分析模型cnn

作者：羊村懒王 | 2024-04-02 18:34:03

赞

踩

情感分析模型cnn

说先看一下这个图，它大体介绍了CNN的自然语言处理流程：

1.首先每个单词对应一行，d=5表示分了5个维度，一般是分128维，300维之类的，这里为了方便，用d=5。

这样的话矩阵就是7*5

2.然后第一步进行卷积的操作，分别使用了四行的卷积核两个，三行的卷积核两个，两行的卷积核两个。然后分别对7*5的矩阵进行卷积，对于7*5的话，4*5放上去可以向下移动4次，所以产生了4*1矩阵(feature map)，3*5的则可以移动5次，所以得到5*1的矩阵，同理，2*5的得到6*1的矩阵。

3.然后第二步进行池化操作，图中使用的是max pooling，是最大值池化，所以前面产生的两个4*1的feature map分别取最大的元素，组成一个2*1的矩阵。同理前面产生的5*1、6*1的矩阵也要执行该操作。最终6个feature map产生了3个池化之后的矩阵

4.然后再把3个池化后的矩阵拼接起来形成6*1的feature vector。

5.然后这是一个全连接层，假如我们需要分两个类，则对这6个神经元进行分类，产生两个神经元作为输出。

下面是代码实现，

第一步，各种超参数设定

  1. import tensorflow as tf
  2. import numpy as np
  3. import os
  4. import time
  5. import datetime
  6. import data_helpers
  7. from text_cnn import TextCNN
  8. from tensorflow.contrib import learn
  9. import pickle
  10.  
  11. # Parameters
  12. # ==================================================
  13.  
  14. # Data loading params
  15. #validation数据集占比  0.1 百分之十
  16. tf.flags.DEFINE_float("dev_sample_percentage", .1, "Percentage of the training data to use for validation")
  17. #正样本  电影正面评论
  18. tf.flags.DEFINE_string("positive_data_file", "./data/rt-polaritydata/rt-polarity.pos", "Data source for the positive data.")
  19. #负样本  电影负面评论
  20. tf.flags.DEFINE_string("negative_data_file", "./data/rt-polaritydata/rt-polarity.neg", "Data source for the negative data.")
  21.  
  22. # Model Hyperparameters
  23. #词向量长度
  24. tf.flags.DEFINE_integer("embedding_dim", 128, "Dimensionality of character embedding (default: 128)")
  25. #卷积核大小  使用3 4 5行的卷积核，列肯定是128列
  26. tf.flags.DEFINE_string("filter_sizes", "3,4,5", "Comma-separated filter sizes (default: '3,4,5')")
  27. #每一种卷积核的个数
  28. tf.flags.DEFINE_integer("num_filters", 64, "Number of filters per filter size (default: 128)")
  29. #dropout参数
  30. tf.flags.DEFINE_float("dropout_keep_prob", 0.5, "Dropout keep probability (default: 0.5)")
  31. #l2正则化参数
  32. tf.flags.DEFINE_float("l2_reg_lambda", 0.0005, "L2 regularization lambda (default: 0.0)")
  33.  
  34. # Training parameters
  35. #批次大小，就是每个批次有多少行的数据
  36. tf.flags.DEFINE_integer("batch_size", 64, "Batch Size (default: 64)")
  37. #迭代周期
  38. tf.flags.DEFINE_integer("num_epochs", 6, "Number of training epochs (default: 200)")
  39. #多少step测试一次 每运算多少次做一个测试
  40. tf.flags.DEFINE_integer("evaluate_every", 100, "Evaluate model on dev set after this many steps (default: 100)")
  41. #每多少次保存一次模型
  42. tf.flags.DEFINE_integer("checkpoint_every", 100, "Save model after this many steps (default: 100)")
  43. #最多保存5个模型，如果满了，每新增一个就删除一个，只保留最新的5个模型
  44. tf.flags.DEFINE_integer("num_checkpoints", 5, "Number of checkpoints to store (default: 5)")
  45. # Misc Parameters
  46. #tensorflow会自动选择一个存在并且支持的设备上来运行operation
  47. tf.flags.DEFINE_boolean("allow_soft_placement", True, "Allow device soft device placement")
  48. #获取你的operations核Tensor被指派到哪个设备上运行
  49. tf.flags.DEFINE_boolean("log_device_placement", False, "Log placement of ops on devices")
  50. #flags解析
  51. FLAGS = tf.flags.FLAGS
  52. FLAGS._parse_flags()
  53. #打印所有参数
  54. print("\nParameters:")
  55. for attr, value in sorted(FLAGS.__flags.items()):
  56.     print("{}={}".format(attr.upper(), value))
  57. print("")

注释讲的很清楚了，这里不过多描述

第二步

  1. # Data Preparation
  2. # ==================================================
  3.  
  4. # Load data
  5. print("Loading data...")
  6. #把正样本和负样本传入
  7. x_text, y = data_helpers.load_data_and_labels(FLAGS.positive_data_file, FLAGS.negative_data_file)
  8.  
  9. # Build vocabulary
  10. #一行数据最多的词汇数 因为我们要保证句子的尺寸是一样的，即长度是一样的。
  11. max_document_length = max([len(x.split(" ")) for x in x_text])
  12. #词典
  13. vocab_processor = learn.preprocessing.VocabularyProcessor(max_document_length)
  14. # 其中VocabularyProcessor（max_document_length,min_frequency=0,vocabulary=None, tokenizer_fn=None)的构造函数中有4个参数
  15. # max_document_length是文档的最大长度。如果文本的长度大于最大长度，那么它会被剪切，反之则用0填充
  16. # min_frequency词频的最小值，出现次数>最小词频 的词才会被收录到词表中
  17. # vocabulary CategoricalVocabulary 对象，不太清楚使用方法
  18. # tokenizer_fn tokenizer function，讲句子或给定文本格式 token化得函数，可以理解为分词函数
  19. #把原来的句子进行特殊处理，单词赋予编号
  20. x = np.array(list(vocab_processor.fit_transform(x_text)))
  21. # 如果长度低于56自动补0
  22. # x:[
  23. # [4719 59 182 34 190 804 0 0 0 0
  24. # 0 0 0 0 0……]
  25. # [129 ……]
  26. # ]
  27.  
  28. print("x_shape:", x.shape)
  29. print("y_shape:", y.shape)
  30. # Randomly shuffle data
  31. #对数据进行打乱的操作
  32. np.random.seed(10)
  33. shuffle_indices = np.random.permutation(np.arange(len(y)))
  34. x_shuffled = x[shuffle_indices]
  35. y_shuffled = y[shuffle_indices]
  36.  
  37. # Split train/test set
  38. # TODO: This is very crude, should use cross-validation
  39. #切分 数据集分为两部分 90%训练  10验证
  40. dev_sample_index = -1 * int(FLAGS.dev_sample_percentage * float(len(y)))
  41. x_train, x_dev = x_shuffled[:dev_sample_index], x_shuffled[dev_sample_index:]
  42. y_train, y_dev = y_shuffled[:dev_sample_index], y_shuffled[dev_sample_index:]
  43.  
  44.  
  45. print("Vocabulary Size: {:d}".format(len(vocab_processor.vocabulary_)))
  46. print("Train/Dev split: {:d}/{:d}".format(len(y_train), len(y_dev)))
  47. print("x:",x_train[0:5])
  48. print("y:",y_train[0:5])

这里调用了data_helpers.py里的写好的一个函数来引入正样本和负样本，我们看一下这个函数是怎么写的

  1. def load_data_and_labels(positive_data_file, negative_data_file):
  2.     """
  3.     Loads MR polarity data from files, splits the data into words and generates labels.
  4.     Returns split sentences and labels.
  5.     """
  6.     # Load data from files
  7.     positive_examples = list(open(positive_data_file, "r", encoding='utf-8').readlines())
  8.     #去掉头尾的空格  形状['I like english','how are you',……]
  9.     positive_examples = [s.strip() for s in positive_examples]
  10.     negative_examples = list(open(negative_data_file, "r", encoding='utf-8').readlines())
  11.     negative_examples = [s.strip() for s in negative_examples]
  12.     # Split by words
  13.     #合并
  14.     x_text = positive_examples + negative_examples
  15.     #句子预处理
  16.     #['句子','句子','']
  17.     x_text = [clean_str(sent) for sent in x_text]
  18.     # Generate labels
  19.     #生成labels，因为就分两个类，正面评论，负面评论
  20.     positive_labels = [[0, 1] for _ in positive_examples]#形状[[0,1],[0,1],……]
  21.     negative_labels = [[1, 0] for _ in negative_examples]#形状[[1,0],[1,0],……]
  22.     y = np.concatenate([positive_labels, negative_labels], 0)#[[0,1],[0,1],……,[1,0],[1,0]]
  23.     return [x_text, y]

额，都是简单的基本操作，这些东西我觉着自己看看就行，注释里也写的很清楚了，我们的目标就是得到句子以及对应的标签

这个函数返回的就是我们处理好的数据，格式：[['句子',……],[[0,1],[0,1],……,[1,0],[1,0],……]

然后计算所有句子中，单词数最多是几，方便padding操作。然后就是定义词典以及进行padding补零操作，这里用到了learn.preprocessing.VocabularyProcessor函数，很强。

然后将数据集进行切分，9比1。

最后就是训练喽~

  1. # Training
  2. # ==================================================
  3.  
  4. with tf.Graph().as_default():
  5.     session_conf = tf.ConfigProto(
  6.         allow_soft_placement=FLAGS.allow_soft_placement,
  7.         log_device_placement=FLAGS.log_device_placement)
  8.     sess = tf.Session(config=session_conf)
  9.     with sess.as_default():
  10.         cnn = TextCNN(
  11.             sequence_length=x_train.shape[1],#sequence_length:最长词汇数
  12.             num_classes=y_train.shape[1],#num_classes:分类数
  13.             vocab_size=len(vocab_processor.vocabulary_),#vocab_size:总词汇数
  14.             embedding_size=FLAGS.embedding_dim,#embedding_size:词向量长度
  15.             filter_sizes=list(map(int, FLAGS.filter_sizes.split(","))),#filter_sizes:卷积核的尺寸3 4 5
  16.             num_filters=FLAGS.num_filters,#num_filters：卷积核的数量
  17.             l2_reg_lambda=FLAGS.l2_reg_lambda)#l2_reg_lambda_l2正则化系数
  18.  
  19.         # Define Training procedure
  20.         #其实就是统计当前训练的步数
  21.         global_step = tf.Variable(0, name="global_step", trainable=False)
  22.         #优化器
  23.         optimizer = tf.train.AdamOptimizer(1e-3)
  24.         #计算梯度 ——minimize()的第一部分
  25.         grads_and_vars = optimizer.compute_gradients(cnn.loss)
  26.         #将计算出来的梯度应用到变量上，是函数minimize()的第二部分
  27.         #返回一个应用指定的梯度的操作operation,对global_step做自增操作
  28.         ##综上所述，上面三行代码，就相当于global_step = tf.Variable(0, name="global_step", trainable=False).minimize(cnn.loss)
  29.         train_op = optimizer.apply_gradients(grads_and_vars, global_step=global_step)
  30.  
  31.         # Keep track of gradient values and sparsity (optional)
  32.         #保存变量的梯度值
  33.         grad_summaries = []
  34.         for g, v in grads_and_vars:#g是梯度，v是变量
  35.             if g is not None:
  36.                 grad_hist_summary = tf.summary.histogram("{}/grad/hist".format(v.name), g)
  37.                 sparsity_summary = tf.summary.scalar("{}/grad/sparsity".format(v.name), tf.nn.zero_fraction(g))
  38.                 grad_summaries.append(grad_hist_summary)
  39.                 grad_summaries.append(sparsity_summary)
  40.         grad_summaries_merged = tf.summary.merge(grad_summaries)
  41.  
  42.         # Output directory for models and summaries
  43.         #定义输出路径
  44.         timestamp = str(int(time.time()))
  45.         out_dir = os.path.abspath(os.path.join(os.path.curdir, "runs", timestamp))
  46.         print("Writing to {}\n".format(out_dir))
  47.  
  48.         # Summaries for loss and accuracy
  49.         #记录一下loss值和准确率的值
  50.         loss_summary = tf.summary.scalar("loss", cnn.loss)
  51.         acc_summary = tf.summary.scalar("accuracy", cnn.accuracy)
  52.  
  53.         # Train Summaries
  54.         #训练部分
  55.         #merge一下
  56.         train_summary_op = tf.summary.merge([loss_summary, acc_summary, grad_summaries_merged])
  57.         #路径定义
  58.         train_summary_dir = os.path.join(out_dir, "summaries", "train")
  59.         #写入
  60.         train_summary_writer = tf.summary.FileWriter(train_summary_dir, sess.graph)
  61.  
  62.         # Dev summaries
  63.         #测试部分
  64.         dev_summary_op = tf.summary.merge([loss_summary, acc_summary])
  65.         dev_summary_dir = os.path.join(out_dir, "summaries", "dev")
  66.         dev_summary_writer = tf.summary.FileWriter(dev_summary_dir, sess.graph)
  67.  
  68.         # Checkpoint directory. Tensorflow assumes this directory already exists so we need to create it
  69.         #保存模型的路径
  70.         checkpoint_dir = os.path.abspath(os.path.join(out_dir, "checkpoints"))
  71.         checkpoint_prefix = os.path.join(checkpoint_dir, "model")
  72.         if not os.path.exists(checkpoint_dir):
  73.             os.makedirs(checkpoint_dir)
  74.         #保存模型，最多保存5个
  75.         saver = tf.train.Saver(tf.global_variables(), max_to_keep=FLAGS.num_checkpoints)
  76.  
  77.         # Write vocabulary
  78.         vocab_processor.save(os.path.join(out_dir, "vocab"))
  79.  
  80.         # Initialize all variables
  81.         sess.run(tf.global_variables_initializer())
  82.  
  83.         def train_step(x_batch, y_batch):
  84.             """
  85.             A single training step
  86.             """
  87.             feed_dict = {
  88.                 cnn.input_x: x_batch,
  89.                 cnn.input_y: y_batch,
  90.                 cnn.dropout_keep_prob: FLAGS.dropout_keep_prob
  91.             }
  92.             _, step, summaries, loss, accuracy = sess.run(
  93.                 [train_op, global_step, train_summary_op, cnn.loss, cnn.accuracy],
  94.                 feed_dict)
  95.             time_str = datetime.datetime.now().isoformat()
  96.             print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy))
  97.             train_summary_writer.add_summary(summaries, step)
  98.  
  99.         def dev_step(x_batch, y_batch, writer=None):
  100.             """
  101.             Evaluates model on a dev set
  102.             """
  103.             feed_dict = {
  104.                 cnn.input_x: x_batch,
  105.                 cnn.input_y: y_batch,
  106.                 cnn.dropout_keep_prob: 1.0
  107.             }
  108.             step, summaries, loss, accuracy = sess.run(
  109.                 [global_step, dev_summary_op, cnn.loss, cnn.accuracy],
  110.                 feed_dict)
  111.             time_str = datetime.datetime.now().isoformat()
  112.             print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy))
  113.             if writer:
  114.                 writer.add_summary(summaries, step)
  115.  
  116.         # Generate batches
  117.         batches = data_helpers.batch_iter(
  118.             list(zip(x_train, y_train)), FLAGS.batch_size, FLAGS.num_epochs)
  119.         # Training loop. For each batch...
  120.         for batch in batches:
  121.             x_batch, y_batch = zip(*batch)
  122.             train_step(x_batch, y_batch)
  123.             current_step = tf.train.global_step(sess, global_step)
  124.             #测试
  125.             if current_step % FLAGS.evaluate_every == 0:
  126.                 print("\nEvaluation:")
  127.                 dev_step(x_dev, y_dev, writer=dev_summary_writer)
  128.                 print("")
  129.             #保存模型
  130.             if current_step % FLAGS.checkpoint_every == 0:
  131.                 path = saver.save(sess, checkpoint_prefix, global_step=current_step)
  132.                 print("Saved model checkpoint to {}\n".format(path))

创建一个会话，然后我们看一下TextCNN干了嘛，

text_cnn.py

  1. import tensorflow as tf
  2. import numpy as np
  3.  
  4.  
  5. class TextCNN(object):
  6.     """
  7.     A CNN for text classification.
  8.     Uses an embedding layer, followed by a convolutional, max-pooling and softmax layer.
  9.     """
  10.     #sequence_length:最长词汇数
  11.     #num_classes:分类数
  12.     #vocab_size:总词汇数
  13.     #embedding_size:词向量长度
  14.     #filter_sizes:卷积核的尺寸3 4 5
  15.     #num_filters：卷积核的数量
  16.     #l2_reg_lambda_l2正则化系数
  17.     def __init__(
  18.       self, sequence_length, num_classes, vocab_size,
  19.       embedding_size, filter_sizes, num_filters, l2_reg_lambda=0.0):
  20.  
  21.         # Placeholders for input, output and dropout
  22.         self.input_x = tf.placeholder(tf.int32, [None, sequence_length], name="input_x")
  23.         self.input_y = tf.placeholder(tf.float32, [None, num_classes], name="input_y")
  24.         #dropout系数
  25.         self.dropout_keep_prob = tf.placeholder(tf.float32, name="dropout_keep_prob")
  26.  
  27.         # Keeping track of l2 regularization loss (optional)
  28.         l2_loss = tf.constant(0.0)
  29.  
  30.         # Embedding layer
  31.         with tf.device('/cpu:0'), tf.name_scope("embedding"):
  32.             #vocab_size词典大小
  33.             self.W = tf.Variable(
  34.                 tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
  35.                 name="W")
  36.             #[batch_size,sequeue_length,embedding_size]
  37.             self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
  38.             #添加一个维度，[batch_size,sequence_length,embedding_size,1]有点类似于图片哦~
  39.             self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)
  40.  
  41.         # Create a convolution + maxpool layer for each filter size
  42.         pooled_outputs = []
  43.         #三种不同尺寸的卷积，所以用了一个循环
  44.         for i, filter_size in enumerate(filter_sizes):
  45.             with tf.name_scope("conv-maxpool-%s" % filter_size):
  46.                 # Convolution Layer
  47.                 filter_shape = [filter_size, embedding_size, 1, num_filters]
  48.                 #下面是卷积的参数
  49.                 W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name="W")
  50.                 b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name="b")
  51.                 #卷积操作
  52.                 conv = tf.nn.conv2d(
  53.                     self.embedded_chars_expanded,#需要卷积的矩阵
  54.                     W,#权值
  55.                     strides=[1, 1, 1, 1],#步长
  56.                     padding="VALID",
  57.                     name="conv")
  58.                 # Apply nonlinearity
  59.                 #激活函数
  60.                 h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
  61.                 # Maxpooling over the outputs
  62.                 #池化
  63.                 pooled = tf.nn.max_pool(
  64.                     h,
  65.                     ksize=[1, sequence_length - filter_size + 1, 1, 1],
  66.                     strides=[1, 1, 1, 1],
  67.                     padding='VALID',
  68.                     name="pool")
  69.                 pooled_outputs.append(pooled)
  70.  
  71.         # Combine all the pooled features
  72.         #卷积核的数量*卷积核的尺寸种类
  73.         num_filters_total = num_filters * len(filter_sizes)
  74.         #三个池化层的输出拼接起来
  75.         self.h_pool = tf.concat(pooled_outputs, 3)
  76.         #转化为一维的向量
  77.         self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total])
  78.  
  79.         # Add dropout
  80.         with tf.name_scope("dropout"):
  81.             self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)
  82.  
  83.         # Final (unnormalized) scores and predictions
  84.         #全连接层
  85.         with tf.name_scope("output"):
  86.             W = tf.get_variable(
  87.                 "W",
  88.                 shape=[num_filters_total, num_classes],#[64*3,2]
  89.                 initializer=tf.contrib.layers.xavier_initializer())
  90.             b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
  91.             #l2正则化
  92.             l2_loss += tf.nn.l2_loss(W)
  93.             l2_loss += tf.nn.l2_loss(b)
  94.             self.scores = tf.nn.softmax(tf.nn.xw_plus_b(self.h_drop, W, b, name="scores"))
  95.             #最终预测值
  96.             self.predictions = tf.argmax(self.scores, 1, name="predictions")
  97.  
  98.         # Calculate mean cross-entropy loss
  99.         with tf.name_scope("loss"):
  100.             losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
  101.             self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss
  102.  
  103.         # Accuracy
  104.         with tf.name_scope("accuracy"):
  105.             correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
  106.             self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")

在这个类的对象初始化的过程中，我们传入了几个超参数，分别是最长词汇数，分类数，总词汇数，词向量长度，卷积核尺寸，卷积核数量，l2正则化系数。

然后设置了几个占位符，然后重点嵌入层来了

  1.         with tf.device('/cpu:0'), tf.name_scope("embedding"):
  2.             #vocab_size词典大小
  3.             self.W = tf.Variable(
  4.                 tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
  5.                 name="W")
  6.             #[batch_size,sequeue_length,embedding_size]
  7.             self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
  8.             #添加一个维度，[batch_size,sequence_length,embedding_size,1]有点类似于图片哦~
  9.             self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)

W就是所有词的词向量矩阵，然后embedded_chars是输入句子所对应的的词向量矩阵，返回的就是[batch_size，sequence_length,embedding_size]，然后手动为其添加了一个维度。

然后又是一个重点：卷积池化层。

我们先看一下tf.nn.conv2d函数

  1. def conv2d(x,W):
  2.     #2d是二维的意思
  3.     #x是一个tensor，形状是[batch,in_height,in_width,in_channels]NHWC关系，分别是批次大小(本例batch_size=100)，图片高度，图片宽度，通道数(黑白照片是1，彩色是3)
  4.     #w是一个滤波器，tensor，形状是[filter_height,filter_width,in_channels,out_channels]，滤波器长，宽，输入和输出通道数
  5.     #步长参数，strides[0]=strides[3]=1,strides[1]代表x方向的步长，strides[2]代表y方向的步长
  6.     #padding:一个字符串，要么是'SAME'要么是'VALID'，对应两种卷积方法，前者补零,后者不会超出平面外部
  7.  ———————————————— 
  8. 版权声明：本文为CSDN博主「CtrlZ1」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
  9. 原文链接：https://blog.csdn.net/qq_41076797/article/details/99212303

我们看tf.nn.conv2d执行卷积，输入需要卷积的矩阵self.embedded_chars_expanded，要求它的格式是[batch_size,in_height,in_width,in_channels],这就是为什么要加一个维度的原因，这里和照片有点相似，其实这个in_height和in_width很耐人寻味，前一个是传入的句子的最大长度，后面是对应的句子中每个词的词向量维度，从矩阵来看正好是高和宽。w是一个[卷积核尺寸,词向量长度，1，卷积核个数]的矩阵，步长是1,1，padding方案是valid，即不进行补零，那样的话矩阵大小会发生变化。根据w，我们知道卷积窗口大小是卷积核尺寸*词向量长度，由于输入矩阵宽度也是词向量长度，所以只能向下卷积，所以卷积之后的矩阵格式为[bath_size，in_height-卷积核尺寸+1，1，num_filter]即[64,最长句子单词数-2,1,64]。然后由于卷积核的个数，有多少个卷积核，返回多少个这种矩阵(feature map)。

然后进行激活函数。

不用过多解释了吧。 返回依然是[bath_size，in_height-卷积核尺寸+1，1，num_filter]=[bath_size，sequence_length -3or4or5+1，1，64]即[64,最长句子单词数-2or3or4,1,64]

然后进行池化操作，池化窗口尺寸是（sequence_length - filter_size + 1）*1，和我们返回的矩阵是一样的，这样的话池化之后返回的矩阵就是[batch_size,1,1,64]

然后把三次池化后的输出拼接起来，转化为一维向量[batch_size,64*3]，然后dropout，然后又是重要的一层，全连接层：

  1.  #全连接层
  2.         with tf.name_scope("output"):
  3.             W = tf.get_variable(
  4.                 "W",
  5.                 shape=[num_filters_total, num_classes],#[64*3,2]
  6.                 initializer=tf.contrib.layers.xavier_initializer())
  7.             b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
  8.             #l2正则化
  9.             l2_loss += tf.nn.l2_loss(W)
  10.             l2_loss += tf.nn.l2_loss(b)
  11.             self.scores = tf.nn.softmax(tf.nn.xw_plus_b(self.h_drop, W, b, name="scores"))
  12.             #最终预测值
  13.             self.predictions = tf.argmax(self.scores, 1, name="predictions")
  14.  
  15.         # Calculate mean cross-entropy loss
  16.         with tf.name_scope("loss"):
  17.             losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
  18.             self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss
  19.  
  20.         # Accuracy
  21.         with tf.name_scope("accuracy"):
  22.             correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
  23.             self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")

经过softmax之后返回的scores是一个[batch_size，2]的矩阵，和真实值input_y比较可以得到损失值losses，然后我们分别计算平均损失值和准确率。到此就结束了。

再回头看就很简单了，什么优化器啊，什么计算梯度啊，什么保存模型啊，等等就没啥可说的了，都是常规操作。

对了，附上代码链接~

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/羊村懒王/article/detail/353322
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号