1 TextCNN

1.1 TextCNN模型结构

TexCNN模型是利用卷积神经网络对文本进行分类的模型，该模型的结构可以分为以下4个层次：

1.1.1 词嵌入层

将每个词对应的向量转化成多维度的词嵌入向量，将每个句子当作一幅图来进行处理（词的个数词×嵌入向量维度)。

1.1.2 多分支卷积层

使用3、4、5等不同大小的卷积核对词嵌入转化后的句子做卷积操作，生成大小不同的特征数据。

1.1.3 多分支全局最大池化层

对多分支卷积层中输出的每个分支的特征数据做全局最大池化操作。

1.1.4 全连接分类输出层

将池化后的结果输入全连接网络中，输出分类个数，得到最终结果。

1.2 TextCNN模型图解

因为卷积神经网络具有提取局部特征的功能，所以可用卷积神经网络提取句子中类似N-Gram算法的关键信息。

1.3 数据集IMDB

MDB数据集相当于图片处理领域的MNIST数据集，在NLP任务中经常被使用。

1.3.1 IMDB结构组成

IMDB数据集包含50000条评论，平均分成训练数据集（25000条评论）和测试数据集(25000条评论)。标签的总体分布是平衡的(25000条正面评论和25000条负面评论)。

另外，还包括额外的50000份无标签文件，用于无监督学习。

1.3.2 IMDB文件夹组成

IMDB数据集主要包括两个文件夹train与test，分别存放训练数据集与测试数据集。每个文件夹中都包含正样本和负样本，分别放在pos与neg子文件中。rain文件夹下还额外包含一个unsup子文件夹，用于非监督训练。

1.3.3 IMDB文件命名规则

每个样本文件的命名规则为“序号_评级”。其中“评级”可以分为0～9级。

IMDB是torchtext库的内置数据集，可以直接通过运行torchtext库的接口进行获取。

2 代码实现：TextCNN模型分析IMDB数据集评论的积极与消极

2.1 案例描述

同一个记录评论语句的数据集，分为正面和负面两种情绪。通过训练，让模型能够理解正面与负面两种情绪的语义，并对评论文本进行分类。

2.1.1 案例理解分析

本例的任务可以理解为通过句子中的关键信息进行语义分类，这与TextCNN模型的功能是相匹配的。TextCNN模型中使用了池化操作，在这个过程中丢失了一些信息，所以导致该模型所表征的句子特征有限。如果要使用处理相近语义的分类任务，则还需要对其进一步进行调整。

2.2 代码实现：引入基础库: 固定PyTorch中的随机种子和GPU运算方式---TextCNN.py（第1部分）

# 1.1 引入基础库: 固定PyTorch中的随机种子和GPU运算方式。
import random #引入基础库
import time
import torch#引入PyTorch库
import torch.nn as nn
import torch.nn.functional as F
from torchtext.legacy import data ,datasets,vocab #引入文本处理库
import spacytorch.manual_seed(1234) # 固定随机种子,使其每次运行时对权重参数的初始化值一致。
# 固定GPU运算方式:提高GPU的运算效率，通常PyTorch会调用自动寻找最适合当前配置的高效算法进行计算，这一过程会导致每次运算的结果可能出现不一致的情况。
torch.backends.cudnn.deterministic = True # 表明不使用寻找高效算法的功能，使得每次的运算结果一致。[仅GPU有效]

2.3 代码实现：用torchtext加载IMDB并拆分为数据集---TextCNN.py（第2部分）

# 1.2 用torchtext加载IMDB并拆分为数据集
# IMDB是torchtext库的内置数据集，可以直接通过torchtext库中的datasets.MDB进行处理。
# 在处理之前将数据集的字段类型和分词方法指定正确即可。# 定义字段，并按照指定标记化函数进行分词
TEXT =  data.Field(tokenize = 'spacy',lower=True) # data.Field函数指定数据集中的文本字段用spaCy库进行分词处理，并将其统一改为小写字母。tokenize参数,不设置则默认使用str。
LABEL = data.LabelField(dtype=torch.float)# 加载数据集，并根据IMDB两个文件夹，返回两个数据集。
# datasets.MDB.splits（）进行数据集的加载。该代码执行时会在本地目录的.data文件夹下查找是否有MDB数据集，如果没有，则下载；如果有，则将其加载到内存。
# 被载入内存的数据集会放到数据集对象train_data与test_data中。
train_data , test_data = datasets.IMDB.splits(text_field=TEXT,label_field=LABEL)
print("-----------输出一条数据-----------")
# print(vars(train_data.example[0]),len(train_data.example))
print(vars(train_data.examples[0]),len(train_data.examples))
print("---------------------------")# 将训练数据集再次拆分
# 从训练数据中拆分出一部分作为验证数据集。数据集对象train_data的split方法默认按照70%、30%的比例进行拆分。
train_data,valid_data = train_data.split(random_state = random.seed(1234))
print("训练数据集: ", len(train_data),"条")
print("验证数据集: ", len(valid_data),"条")
print("测试数据集: ", len(test_data),"条")

2.4 代码实现：加载预训练词向量并进行样本数据化---TextCNN.py（第3部分）

# 1.3 加载预训练词向量并进行样本数据化
# 将数据集中的样本数据转化为词向量，并将其按照指定的批次大小进行组合。
# buld_vocab方法实现文本到词向量数据的转化：从数据集对象train_data中取出前25000个高频词，并用指定的预训练词向量glove.6B.100d进行映射。
TEXT.build_vocab(train_data,max_size=25000,vectors="glove.6B.100d",unk_init = torch.Tensor.normal_) # 将样本数据转化为词向量
# glove.6B.100d为torchtext库中内置的英文词向量，主要将每个词映射成维度为100的浮点型数据，该文件会被下载到本地.vector_cache文件夹下。
LABEL.build_vocab(train_data)
#  ---start---创建批次数据：将数据集按照指定批次进行组合。
BATCH_SIZE = 64
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
train_iterator, valid_iterator, test_iterator = data.BucketIterator.splits((train_data, valid_data, test_data), batch_size = BATCH_SIZE, device = device)
#  ---end---创建批次数据：将数据集按照指定批次进行组合。

2.5 代码实现：定义带有Mish激活函数的TextCNN模型---TextCNN.py（第4部分）

class Mish(nn.Module):def __init__(self):super(Mish, self).__init__()def forward(self,x):x = x * (torch.tanh(F.softplus(x)))return x# 在TextCNN类中，一共有两个方法：
# ①初始化方法．按照指定个数定义多分支卷积层，并将它们统一放在nn.ModuleList数组中。
# ②前向传播方法：先将输入数据依次输入每个分支的卷积层中进行处理，再对处理结果进行最大池化，最后对池化结果进行连接并回归处理
class TextCNN(nn.Module): #定义TextCNN模型# TextCNN类继承了nn.Module类，在该类中定义的网络层列表必须要使用nn.ModuleList进行转化，才可以被TextCNN类识别。# 如果直接使用列表的话，在训练模型时无法通过TextCNN类对象的parameters方法获得权重。# 定义初始化方法def __init__(self, vocab_size, embedding_dim, n_filters, filter_sizes, output_dim,dropout, pad_idx):super().__init__()self.embedding = nn.Embedding(vocab_size, embedding_dim, padding_idx = pad_idx) # 定义词向量权重# 定义多分支卷积层# 将定义好的多分支卷积层以列表形式存放，以便在前向传播方法中使用。# 每个分支中卷积核的第一个维度由参数filter_sizes设置，第二个维度都是embedding_dim，即只在纵轴的方向上实现了真正的卷积操作，在横轴的方向上是全尺度卷积，可以起到一维卷积的效果。self.convs = nn.ModuleList([nn.Conv2d(in_channels = 1,out_channels = n_filters,kernel_size = (fs, embedding_dim))for fs in filter_sizes])  #########注意不能用list# 定义输出层self.fc = nn.Linear(len(filter_sizes) * n_filters, output_dim)self.dropout = nn.Dropout(dropout)self.mish = Mish()  # 实例化激活函数对象# 定义前向传播方法def forward(self,text): # 输入形状为[sent len,batch size]text = text.permute(1, 0)  # 将形状变为[batch size, sent len]embedded = self.embedding(text)  # 对于输入数据进行词向量映射，形状为[batch size, sent len, emb dim]embedded = embedded.unsqueeze(1)  # 进行维度变化，形状为[batch size, 1, sent len, emb dim]# len(filter_sizes)个元素，每个元素形状为[batch size, n_filters, sent len - filter_sizes[n] + 1]# 多分支卷积处理conved = [self.mish(conv(embedded)).squeeze(3) for conv in self.convs] # 将输入数据进行多分支卷积处理。该代码执行后，会得到一个含有len（fiter_sizes)个元素的列表，其中每个元素形状为[batchsize，n_filters，sentlen-fltersizes[n]+1]，该元素最后一个维度的公式是由卷积公式计算而来的。# 对于每个卷积结果进行最大池化操作pooled = [F.max_pool1d(conv, conv.shape[2]).squeeze(2) for conv in conved]# 将池化结果进行连接cat = self.dropout(torch.cat(pooled, dim=1))  # 形状为[batch size, n_filters * len(filter_sizes)]return self.fc(cat) # 输入全连接，进行回归输出

2.6 代码实现：用数据集参数实例化模型---TextCNN.py（第5部分）

# 1.5 用数据集参数实例化模型
if __name__ == '__main__':# 根据处理好的数据集参数对TextCNN模型进行实例化。INPUT_DIM = len(TEXT.vocab)  # 25002EMBEDDING_DIM = TEXT.vocab.vectors.size()[1]  # 100N_FILTERS = 100 # 定义每个分支的数据通道数量FILTER_SIZES = [3, 4, 5] # 定义多分支卷积中每个分支的卷积核尺寸OUTPUT_DIM = 1 # 定义输出维度DROPOUT = 0.5 # 定义Dropout丢弃率PAD_IDX = TEXT.vocab.stoi[TEXT.pad_token] # 定义填充值：获取数据集中填充字符对应的索引。在词向量映射过程中对齐数据时会使用该索引进行填充。# 实例化模型model = TextCNN(INPUT_DIM, EMBEDDING_DIM, N_FILTERS, FILTER_SIZES, OUTPUT_DIM, DROPOUT, PAD_IDX)

2.7 代码实现：用预训练词向量初始化模型---TextCNN.py（第6部分）

# 1.6 用预训练词向量初始化模型：将加载好的TEXT字段词向量复制到模型中，为其初始化。# 复制词向量model.embedding.weight.data.copy_(TEXT.vocab.vectors)# 将填充的词向量清0UNK_IDX = TEXT.vocab.stoi[TEXT.unk_token]model.embedding.weight.data[UNK_IDX] = torch.zeros(EMBEDDING_DIM) #对未识别词进行清零处理 ：使该词在词向量空间中失去意义，目的是防止后面填充字符对原有的词向量空间进行干扰。model.embedding.weight.data[PAD_IDX] = torch.zeros(EMBEDDING_DIM) #对填充词进行清零处理 ：使该词在词向量空间中失去意义，目的是防止后面填充字符对原有的词向量空间进行干扰。

2.8 代码实现：使用Ranger优化器训练模型---TextCNN.py（第7部分）

# 1.7 使用Ranger优化器训练模型import torch.optim as optim # 引入优化器库from functools import partial # 引入偏函数库from ranger import * # 载入Ranger优化器# 为Ranger优化器设置参数opt_func = partial(Ranger, betas=(.9, 0.99), eps=1e-6)  # betas=(Momentum,alpha)optimizer = opt_func(model.parameters(), lr=0.004)# 定义损失函数criterion = nn.BCEWithLogitsLoss()  # nn.BCEWithLogitsLoss函数是带有Sigmoid函数的二分类交叉熵，即先对模型的输出结果进行Sigmoid计算，再对其余标签一起做Cross_entropy计算。# 分配运算资源model = model.to(device)criterion = criterion.to(device)# 定义函数，计算精确率def binary_accuracy(preds, y):  # 计算准确率rounded_preds = torch.round(torch.sigmoid(preds))  # 把概率的结果 四舍五入correct = (rounded_preds == y).float()  # True False -> 转为 1， 0acc = correct.sum() / len(correct)return acc # 返回精确率#定义函数，训练模型def train(model, iterator, optimizer, criterion):epoch_loss = 0epoch_acc = 0model.train()  # 设置模型标志，保证Dropout在训练模式下for batch in iterator: # 遍历数据集进行训练optimizer.zero_grad()predictions = model(batch.text).squeeze(1)  # 在第1个维度上去除维度loss = criterion(predictions, batch.label)  # 计算损失acc = binary_accuracy(predictions, batch.label) # 计算精确率loss.backward() # 损失函数反向optimizer.step()    # 优化处理epoch_loss += loss.item()   # 统计损失epoch_acc += acc.item() # 统计精确率return epoch_loss / len(iterator), epoch_acc / len(iterator)# 定义函数，评估模型def evaluate(model, iterator, criterion):epoch_loss = 0epoch_acc = 0model.eval()    # 设置模型标志，保证Dropout在评估模型下with torch.no_grad():   # 禁止梯度计算for batch in iterator:predictions = model(batch.text).squeeze(1)  # 计算结果loss = criterion(predictions, batch.label)  # 计算损失acc = binary_accuracy(predictions, batch.label) # 计算精确率epoch_loss += loss.item()epoch_acc += acc.item()return epoch_loss / len(iterator), epoch_acc / len(iterator)# 定义函数，计算时间差def epoch_time(start_time, end_time):elapsed_time = end_time - start_timeelapsed_mins = int(elapsed_time / 60)elapsed_secs = int(elapsed_time - (elapsed_mins * 60))return elapsed_mins, elapsed_secsN_EPOCHS = 100    # 设置训练的迭代次数best_valid_loss = float('inf')  # 设置损失初始值，用于保存最优模型for epoch in range(N_EPOCHS):   # 按照迭代次数进行训练start_time = time.time()train_loss, train_acc = train(model, train_iterator, optimizer, criterion)valid_loss, valid_acc = evaluate(model, valid_iterator, criterion)end_time = time.time()# 计算迭代时间消耗epoch_mins, epoch_secs = epoch_time(start_time, end_time)if valid_loss < best_valid_loss:  # 保存最优模型best_valid_loss = valid_losstorch.save(model.state_dict(), 'textcnn-model.pt')# 输出训练结果print(f'Epoch: {epoch + 1:02} | Epoch Time: {epoch_mins}m {epoch_secs}s')print(f'\t训练损失: {train_loss:.3f} | 训练精确率: {train_acc * 100:.2f}%')print(f'\t Val. Loss: {valid_loss:.3f} |  Val. Acc: {valid_acc * 100:.2f}%')# 测试模型效果model.load_state_dict(torch.load('textcnn-model.pt'))test_loss, test_acc = evaluate(model, test_iterator, criterion)print(f'Test Loss: {test_loss:.3f} | Test Acc: {test_acc * 100:.2f}%')

2.9 代码实现：使用模型进行训练---TextCNN.py（第8部分）

# 1.8 使用模型进行训练：编写模型预测接口函数，对指定句子进行预测。列举几个句子输入模型预测接口函数进行预测，查看预测结果。nlp = spacy.load("en_core_web_sm")# 用spacy加载英文语言包# 定义函数，实现预测接口# (1)将长度不足5的句子用′<pad>'字符补齐。(2)将句子中的单词转为索引。# (3)为张量增加维度，以与训练场景下的输入形状保持一致。(4）输入模型进行预测，并对结果进行Sigmoid计算。因为模型在训练时，使用的计算损失函数自带Sigmoid处理，但模型中没有Sigmoid处理，所以要对结果增加Sigmoid处理。def predict_sentiment(model, sentence, min_len=5): # 设置最小长度为5model.eval() # 设置模型标志，保证Dropout在评估模型下tokenized = nlp.tokenizer(sentence).text.split()  #拆分输入的句子if len(tokenized) < min_len:  # 长度不足，在后面填充tokenized += ['<pad>'] * (min_len - len(tokenized))indexed = [TEXT.vocab.stoi[t] for t in tokenized] # 将单词转化为索引tensor = torch.LongTensor(indexed).to(device)tensor = tensor.unsqueeze(1)    # 为张量增加维度，模拟批次prediction = torch.sigmoid(model(tensor))   # 输入模型进行预测return prediction.item()    # 返回预测结果# 使用句子进行预测:大于0.5为正面评论，小于0.5为负面评论sen = "This film is terrible"print('\n预测 sen = ', sen)print('预测 结果:', predict_sentiment(model, sen))sen = "This film is great"print('\n预测 sen = ', sen)print('预测 结果:', predict_sentiment(model, sen))sen = "I like this film very much！"print('\n预测 sen = ', sen)print('预测 结果:', predict_sentiment(model, sen))

3 代码总览

3.1 TextCNN.py

# 1.1 引入基础库: 固定PyTorch中的随机种子和GPU运算方式。
import random #引入基础库
import time
import torch#引入PyTorch库
import torch.nn as nn
import torch.nn.functional as F
from torchtext.legacy import data ,datasets,vocab #引入文本处理库
import spacytorch.manual_seed(1234) # 固定随机种子,使其每次运行时对权重参数的初始化值一致。
# 固定GPU运算方式:提高GPU的运算效率，通常PyTorch会调用自动寻找最适合当前配置的高效算法进行计算，这一过程会导致每次运算的结果可能出现不一致的情况。
torch.backends.cudnn.deterministic = True # 表明不使用寻找高效算法的功能，使得每次的运算结果一致。[仅GPU有效]# 1.2 用torchtext加载IMDB并拆分为数据集
# IMDB是torchtext库的内置数据集，可以直接通过torchtext库中的datasets.MDB进行处理。
# 在处理之前将数据集的字段类型和分词方法指定正确即可。# 定义字段，并按照指定标记化函数进行分词
TEXT =  data.Field(tokenize = 'spacy',lower=True) # data.Field函数指定数据集中的文本字段用spaCy库进行分词处理，并将其统一改为小写字母。tokenize参数,不设置则默认使用str。
LABEL = data.LabelField(dtype=torch.float)# 加载数据集，并根据IMDB两个文件夹，返回两个数据集。
# datasets.MDB.splits（）进行数据集的加载。该代码执行时会在本地目录的.data文件夹下查找是否有MDB数据集，如果没有，则下载；如果有，则将其加载到内存。
# 被载入内存的数据集会放到数据集对象train_data与test_data中。
train_data , test_data = datasets.IMDB.splits(text_field=TEXT,label_field=LABEL)
print("-----------输出一条数据-----------")
# print(vars(train_data.example[0]),len(train_data.example))
print(vars(train_data.examples[0]),len(train_data.examples))
print("---------------------------")# 将训练数据集再次拆分
# 从训练数据中拆分出一部分作为验证数据集。数据集对象train_data的split方法默认按照70%、30%的比例进行拆分。
train_data,valid_data = train_data.split(random_state = random.seed(1234))
print("训练数据集: ", len(train_data),"条")
print("验证数据集: ", len(valid_data),"条")
print("测试数据集: ", len(test_data),"条")# 1.3 加载预训练词向量并进行样本数据化
# 将数据集中的样本数据转化为词向量，并将其按照指定的批次大小进行组合。
# buld_vocab方法实现文本到词向量数据的转化：从数据集对象train_data中取出前25000个高频词，并用指定的预训练词向量glove.6B.100d进行映射。
TEXT.build_vocab(train_data,max_size=25000,vectors="glove.6B.100d",unk_init = torch.Tensor.normal_) # 将样本数据转化为词向量
# glove.6B.100d为torchtext库中内置的英文词向量，主要将每个词映射成维度为100的浮点型数据，该文件会被下载到本地.vector_cache文件夹下。
LABEL.build_vocab(train_data)
#  ---start---创建批次数据：将数据集按照指定批次进行组合。
BATCH_SIZE = 64
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
train_iterator, valid_iterator, test_iterator = data.BucketIterator.splits((train_data, valid_data, test_data), batch_size = BATCH_SIZE, device = device)
#  ---end---创建批次数据：将数据集按照指定批次进行组合。# 1.4 定义带有Mish激活函数的TextCNN模型class Mish(nn.Module):def __init__(self):super(Mish, self).__init__()def forward(self,x):x = x * (torch.tanh(F.softplus(x)))return x# 在TextCNN类中，一共有两个方法：
# ①初始化方法．按照指定个数定义多分支卷积层，并将它们统一放在nn.ModuleList数组中。
# ②前向传播方法：先将输入数据依次输入每个分支的卷积层中进行处理，再对处理结果进行最大池化，最后对池化结果进行连接并回归处理
class TextCNN(nn.Module): #定义TextCNN模型# TextCNN类继承了nn.Module类，在该类中定义的网络层列表必须要使用nn.ModuleList进行转化，才可以被TextCNN类识别。# 如果直接使用列表的话，在训练模型时无法通过TextCNN类对象的parameters方法获得权重。# 定义初始化方法def __init__(self, vocab_size, embedding_dim, n_filters, filter_sizes, output_dim,dropout, pad_idx):super().__init__()self.embedding = nn.Embedding(vocab_size, embedding_dim, padding_idx = pad_idx) # 定义词向量权重# 定义多分支卷积层# 将定义好的多分支卷积层以列表形式存放，以便在前向传播方法中使用。# 每个分支中卷积核的第一个维度由参数filter_sizes设置，第二个维度都是embedding_dim，即只在纵轴的方向上实现了真正的卷积操作，在横轴的方向上是全尺度卷积，可以起到一维卷积的效果。self.convs = nn.ModuleList([nn.Conv2d(in_channels = 1,out_channels = n_filters,kernel_size = (fs, embedding_dim))for fs in filter_sizes])  #########注意不能用list# 定义输出层self.fc = nn.Linear(len(filter_sizes) * n_filters, output_dim)self.dropout = nn.Dropout(dropout)self.mish = Mish()  # 实例化激活函数对象# 定义前向传播方法def forward(self,text): # 输入形状为[sent len,batch size]text = text.permute(1, 0)  # 将形状变为[batch size, sent len]embedded = self.embedding(text)  # 对于输入数据进行词向量映射，形状为[batch size, sent len, emb dim]embedded = embedded.unsqueeze(1)  # 进行维度变化，形状为[batch size, 1, sent len, emb dim]# len(filter_sizes)个元素，每个元素形状为[batch size, n_filters, sent len - filter_sizes[n] + 1]# 多分支卷积处理conved = [self.mish(conv(embedded)).squeeze(3) for conv in self.convs] # 将输入数据进行多分支卷积处理。该代码执行后，会得到一个含有len（fiter_sizes)个元素的列表，其中每个元素形状为[batchsize，n_filters，sentlen-fltersizes[n]+1]，该元素最后一个维度的公式是由卷积公式计算而来的。# 对于每个卷积结果进行最大池化操作pooled = [F.max_pool1d(conv, conv.shape[2]).squeeze(2) for conv in conved]# 将池化结果进行连接cat = self.dropout(torch.cat(pooled, dim=1))  # 形状为[batch size, n_filters * len(filter_sizes)]return self.fc(cat) # 输入全连接，进行回归输出# 1.5 用数据集参数实例化模型
if __name__ == '__main__':# 根据处理好的数据集参数对TextCNN模型进行实例化。INPUT_DIM = len(TEXT.vocab)  # 25002EMBEDDING_DIM = TEXT.vocab.vectors.size()[1]  # 100N_FILTERS = 100 # 定义每个分支的数据通道数量FILTER_SIZES = [3, 4, 5] # 定义多分支卷积中每个分支的卷积核尺寸OUTPUT_DIM = 1 # 定义输出维度DROPOUT = 0.5 # 定义Dropout丢弃率PAD_IDX = TEXT.vocab.stoi[TEXT.pad_token] # 定义填充值：获取数据集中填充字符对应的索引。在词向量映射过程中对齐数据时会使用该索引进行填充。# 实例化模型model = TextCNN(INPUT_DIM, EMBEDDING_DIM, N_FILTERS, FILTER_SIZES, OUTPUT_DIM, DROPOUT, PAD_IDX)# 1.6 用预训练词向量初始化模型：将加载好的TEXT字段词向量复制到模型中，为其初始化。# 复制词向量model.embedding.weight.data.copy_(TEXT.vocab.vectors)# 将填充的词向量清0UNK_IDX = TEXT.vocab.stoi[TEXT.unk_token]model.embedding.weight.data[UNK_IDX] = torch.zeros(EMBEDDING_DIM) #对未识别词进行清零处理 ：使该词在词向量空间中失去意义，目的是防止后面填充字符对原有的词向量空间进行干扰。model.embedding.weight.data[PAD_IDX] = torch.zeros(EMBEDDING_DIM) #对填充词进行清零处理 ：使该词在词向量空间中失去意义，目的是防止后面填充字符对原有的词向量空间进行干扰。# 1.7 使用Ranger优化器训练模型import torch.optim as optim # 引入优化器库from functools import partial # 引入偏函数库from ranger import * # 载入Ranger优化器# 为Ranger优化器设置参数opt_func = partial(Ranger, betas=(.9, 0.99), eps=1e-6)  # betas=(Momentum,alpha)optimizer = opt_func(model.parameters(), lr=0.004)# 定义损失函数criterion = nn.BCEWithLogitsLoss()  # nn.BCEWithLogitsLoss函数是带有Sigmoid函数的二分类交叉熵，即先对模型的输出结果进行Sigmoid计算，再对其余标签一起做Cross_entropy计算。# 分配运算资源model = model.to(device)criterion = criterion.to(device)# 定义函数，计算精确率def binary_accuracy(preds, y):  # 计算准确率rounded_preds = torch.round(torch.sigmoid(preds))  # 把概率的结果 四舍五入correct = (rounded_preds == y).float()  # True False -> 转为 1， 0acc = correct.sum() / len(correct)return acc # 返回精确率#定义函数，训练模型def train(model, iterator, optimizer, criterion):epoch_loss = 0epoch_acc = 0model.train()  # 设置模型标志，保证Dropout在训练模式下for batch in iterator: # 遍历数据集进行训练optimizer.zero_grad()predictions = model(batch.text).squeeze(1)  # 在第1个维度上去除维度loss = criterion(predictions, batch.label)  # 计算损失acc = binary_accuracy(predictions, batch.label) # 计算精确率loss.backward() # 损失函数反向optimizer.step()    # 优化处理epoch_loss += loss.item()   # 统计损失epoch_acc += acc.item() # 统计精确率return epoch_loss / len(iterator), epoch_acc / len(iterator)# 定义函数，评估模型def evaluate(model, iterator, criterion):epoch_loss = 0epoch_acc = 0model.eval()    # 设置模型标志，保证Dropout在评估模型下with torch.no_grad():   # 禁止梯度计算for batch in iterator:predictions = model(batch.text).squeeze(1)  # 计算结果loss = criterion(predictions, batch.label)  # 计算损失acc = binary_accuracy(predictions, batch.label) # 计算精确率epoch_loss += loss.item()epoch_acc += acc.item()return epoch_loss / len(iterator), epoch_acc / len(iterator)# 定义函数，计算时间差def epoch_time(start_time, end_time):elapsed_time = end_time - start_timeelapsed_mins = int(elapsed_time / 60)elapsed_secs = int(elapsed_time - (elapsed_mins * 60))return elapsed_mins, elapsed_secsN_EPOCHS = 100    # 设置训练的迭代次数best_valid_loss = float('inf')  # 设置损失初始值，用于保存最优模型for epoch in range(N_EPOCHS):   # 按照迭代次数进行训练start_time = time.time()train_loss, train_acc = train(model, train_iterator, optimizer, criterion)valid_loss, valid_acc = evaluate(model, valid_iterator, criterion)end_time = time.time()# 计算迭代时间消耗epoch_mins, epoch_secs = epoch_time(start_time, end_time)if valid_loss < best_valid_loss:  # 保存最优模型best_valid_loss = valid_losstorch.save(model.state_dict(), 'textcnn-model.pt')# 输出训练结果print(f'Epoch: {epoch + 1:02} | Epoch Time: {epoch_mins}m {epoch_secs}s')print(f'\t训练损失: {train_loss:.3f} | 训练精确率: {train_acc * 100:.2f}%')print(f'\t Val. Loss: {valid_loss:.3f} |  Val. Acc: {valid_acc * 100:.2f}%')# 测试模型效果model.load_state_dict(torch.load('textcnn-model.pt'))test_loss, test_acc = evaluate(model, test_iterator, criterion)print(f'Test Loss: {test_loss:.3f} | Test Acc: {test_acc * 100:.2f}%')# 1.8 使用模型进行训练：编写模型预测接口函数，对指定句子进行预测。列举几个句子输入模型预测接口函数进行预测，查看预测结果。nlp = spacy.load("en_core_web_sm")# 用spacy加载英文语言包# 定义函数，实现预测接口# (1)将长度不足5的句子用′<pad>'字符补齐。(2)将句子中的单词转为索引。# (3)为张量增加维度，以与训练场景下的输入形状保持一致。(4）输入模型进行预测，并对结果进行Sigmoid计算。因为模型在训练时，使用的计算损失函数自带Sigmoid处理，但模型中没有Sigmoid处理，所以要对结果增加Sigmoid处理。def predict_sentiment(model, sentence, min_len=5): # 设置最小长度为5model.eval() # 设置模型标志，保证Dropout在评估模型下tokenized = nlp.tokenizer(sentence).text.split()  #拆分输入的句子if len(tokenized) < min_len:  # 长度不足，在后面填充tokenized += ['<pad>'] * (min_len - len(tokenized))indexed = [TEXT.vocab.stoi[t] for t in tokenized] # 将单词转化为索引tensor = torch.LongTensor(indexed).to(device)tensor = tensor.unsqueeze(1)    # 为张量增加维度，模拟批次prediction = torch.sigmoid(model(tensor))   # 输入模型进行预测return prediction.item()    # 返回预测结果# 使用句子进行预测:大于0.5为正面评论，小于0.5为负面评论sen = "This film is terrible"print('\n预测 sen = ', sen)print('预测 结果:', predict_sentiment(model, sen))sen = "This film is great"print('\n预测 sen = ', sen)print('预测 结果:', predict_sentiment(model, sen))sen = "I like this film very much！"print('\n预测 sen = ', sen)print('预测 结果:', predict_sentiment(model, sen))

3.2 ranger.py

#Ranger deep learning optimizer - RAdam + Lookahead combined.
#https://github.com/lessw2020/Ranger-Deep-Learning-Optimizer#Ranger has now been used to capture 12 records on the FastAI leaderboard.#This version = 9.3.19  #Credits:
#RAdam -->  https://github.com/LiyuanLucasLiu/RAdam
#Lookahead --> rewritten by lessw2020, but big thanks to Github @LonePatient and @RWightman for ideas from their code.
#Lookahead paper --> MZhang,G Hinton  https://arxiv.org/abs/1907.08610#summary of changes: 
#full code integration with all updates at param level instead of group, moves slow weights into state dict (from generic weights), 
#supports group learning rates (thanks @SHolderbach), fixes sporadic load from saved model issues.
#changes 8/31/19 - fix references to *self*.N_sma_threshold; #changed eps to 1e-5 as better default than 1e-8.import math
import torch
from torch.optim.optimizer import Optimizer, required
import itertools as itclass Ranger(Optimizer):def __init__(self, params, lr=1e-3, alpha=0.5, k=6, N_sma_threshhold=5, betas=(.95,0.999), eps=1e-5, weight_decay=0):#parameter checksif not 0.0 <= alpha <= 1.0:raise ValueError(f'Invalid slow update rate: {alpha}')if not 1 <= k:raise ValueError(f'Invalid lookahead steps: {k}')if not lr > 0:raise ValueError(f'Invalid Learning Rate: {lr}')if not eps > 0:raise ValueError(f'Invalid eps: {eps}')#parameter comments:# beta1 (momentum) of .95 seems to work better than .90...#N_sma_threshold of 5 seems better in testing than 4.#In both cases, worth testing on your dataset (.90 vs .95, 4 vs 5) to make sure which works best for you.#prep defaults and init torch.optim basedefaults = dict(lr=lr, alpha=alpha, k=k, step_counter=0, betas=betas, N_sma_threshhold=N_sma_threshhold, eps=eps, weight_decay=weight_decay)super().__init__(params,defaults)#adjustable thresholdself.N_sma_threshhold = N_sma_threshhold#now we can get to work...#removed as we now use step from RAdam...no need for duplicate step counting#for group in self.param_groups:#    group["step_counter"] = 0#print("group step counter init")#look ahead paramsself.alpha = alphaself.k = k #radam buffer for stateself.radam_buffer = [[None,None,None] for ind in range(10)]#self.first_run_check=0#lookahead weights#9/2/19 - lookahead param tensors have been moved to state storage.  #This should resolve issues with load/save where weights were left in GPU memory from first load, slowing down future runs.#self.slow_weights = [[p.clone().detach() for p in group['params']]#                     for group in self.param_groups]#don't use grad for lookahead weights#for w in it.chain(*self.slow_weights):#    w.requires_grad = Falsedef __setstate__(self, state):print("set state called")super(Ranger, self).__setstate__(state)def step(self, closure=None):loss = None#note - below is commented out b/c I have other work that passes back the loss as a float, and thus not a callable closure.  #Uncomment if you need to use the actual closure...#if closure is not None:#loss = closure()#Evaluate averages and grad, update param tensorsfor group in self.param_groups:for p in group['params']:if p.grad is None:continuegrad = p.grad.data.float()if grad.is_sparse:raise RuntimeError('Ranger optimizer does not support sparse gradients')p_data_fp32 = p.data.float()state = self.state[p]  #get state dict for this paramif len(state) == 0:   #if first time to run...init dictionary with our desired entries#if self.first_run_check==0:#self.first_run_check=1#print("Initializing slow buffer...should not see this at load from saved model!")state['step'] = 0state['exp_avg'] = torch.zeros_like(p_data_fp32)state['exp_avg_sq'] = torch.zeros_like(p_data_fp32)#look ahead weight storage now in state dict state['slow_buffer'] = torch.empty_like(p.data)state['slow_buffer'].copy_(p.data)else:state['exp_avg'] = state['exp_avg'].type_as(p_data_fp32)state['exp_avg_sq'] = state['exp_avg_sq'].type_as(p_data_fp32)#begin computations exp_avg, exp_avg_sq = state['exp_avg'], state['exp_avg_sq']beta1, beta2 = group['betas']#compute variance mov avgexp_avg_sq.mul_(beta2).addcmul_(1 - beta2, grad, grad)#compute mean moving avgexp_avg.mul_(beta1).add_(1 - beta1, grad)state['step'] += 1buffered = self.radam_buffer[int(state['step'] % 10)]if state['step'] == buffered[0]:N_sma, step_size = buffered[1], buffered[2]else:buffered[0] = state['step']beta2_t = beta2 ** state['step']N_sma_max = 2 / (1 - beta2) - 1N_sma = N_sma_max - 2 * state['step'] * beta2_t / (1 - beta2_t)buffered[1] = N_smaif N_sma > self.N_sma_threshhold:step_size = math.sqrt((1 - beta2_t) * (N_sma - 4) / (N_sma_max - 4) * (N_sma - 2) / N_sma * N_sma_max / (N_sma_max - 2)) / (1 - beta1 ** state['step'])else:step_size = 1.0 / (1 - beta1 ** state['step'])buffered[2] = step_sizeif group['weight_decay'] != 0:p_data_fp32.add_(-group['weight_decay'] * group['lr'], p_data_fp32)if N_sma > self.N_sma_threshhold:denom = exp_avg_sq.sqrt().add_(group['eps'])p_data_fp32.addcdiv_(-step_size * group['lr'], exp_avg, denom)else:p_data_fp32.add_(-step_size * group['lr'], exp_avg)p.data.copy_(p_data_fp32)#integrated look ahead...#we do it at the param level instead of group levelif state['step'] % group['k'] == 0:slow_p = state['slow_buffer'] #get access to slow param tensorslow_p.add_(self.alpha, p.data - slow_p)  #(fast weights - slow weights) * alphap.data.copy_(slow_p)  #copy interpolated weights to RAdam param tensorreturn loss