如何利用PyTorch编写一个循环神经网络进行字符串的分类

数据集下载地址：

https://download.pytorch.org/tutorial/data.zip​download.pytorch.org

数据集中包含18个文件，分别为18个国家中常用的名字，每一行是一个当前国家常用名字字符串。

我们要搭建一个循环神经网络（RNN），将一个名字字符串输入到RNN中，让RNN告诉我们这个名字是属于那个国家的（分类问题）。

运行以下代码，请确保：

PyTorch=1.9.0

torchtext=0.10.0

from __future__ import unicode_literals, print_function, division
from io import open
import glob
import os


# 输入一串名字字符串
# 然后判断这个名字属于哪个国家

# 寻找指定的文件
def findFiles(path):
    # 遍历指定路径下的所有文件
    # 以列表的形式返回
    return glob.glob(path)


# 读取数据集
print('所有的数据集文件', findFiles('./data/names/*.txt'))
import unicodedata
import string

# 获取所有ASCII码字符，再加上'.,;'
all_letters = string.ascii_letters + " .,;'"
n_letters = len(all_letters)


# 将一个Unicode字符串（数据集中的）转换为一个ASCII字符串（输入模型中的）
# 数据标准化
# 一个Unicode字符可以用多种不同的ASCII字符表示
# 转换为统一的形式方便模型处理
def unicodeToAscii(s):
    return ''.join(
        # normalize() 第一个参数指定字符串标准化的方式。
        # NFC表示字符使用单一编码优先，
        # 而NFD表示字符应该分解为多个组合字符表示
        # 先将输入的字符转换
        # 然后再过滤
        c for c in unicodedata.normalize('NFD', s)
        # Mn表示Mark
        # 如果不是特殊标记（我们要分类人名）
        # 并且在ASCII中（利用ASCII表示Unicode）
        if unicodedata.category(c) != 'Mn'
        and c in all_letters
    )


print('Ślusàrski的ASCII编码为:', unicodeToAscii('Ślusàrski'))
# 类别->包含的所有字符串的字典
category_lines = {}
# 所有的字符串类别（国家，数据集中共有18个国家）
all_categories = []


def readLines(filename):
    # 首先open以utf-8编码打开文件
    # 然后read()读取
    # strip()去除空格
    # split('\n')分割出每一行
    lines = open(filename, encoding='utf-8').read().strip().split('\n')
    # 将每一行（也就是每一个字符串）转换为ASCII表示
    return [unicodeToAscii(line) for line in lines]


# 处理数据集
for filename in findFiles('data/names/*.txt'):
    # filename是一个文件的路径，类似于data/names/English.txt这样
    # os.paht.basename()获取文件名，也就是English.txt
    # os.path.splitext()将English.txt分解为English txt
    # os.path.splitext()[0]获取到English
    # 因为我们要完成输入一个字符串，然后判断它是哪国的名字
    # 所以English就是类别标签
    category = os.path.splitext(os.path.basename(filename))[0]
    # 建立所有类别的列表
    all_categories.append(category)
    lines = readLines(filename)
    # 建立字典
    category_lines[category] = lines
n_categories = len(all_categories)
import torch


def letterToIndex(letter):
    # 寻找输入的字符在我们建立的 ASCII 表中为索引
    # 类似于 'a'=0
    return all_letters.find(letter)


def letterToTensor(letter):
    # 建立输入的one_hot向量
    tensor = torch.zeros(1, n_letters)
    tensor[0][letterToIndex(letter)] = 1
    return tensor


def lineToTensor(line):
    # 将一个字符串都转换为one_hot的形式
    # 1可以看做批大小
    tensor = torch.zeros(len(line), 1, n_letters)
    for li, letter in enumerate(line):
        tensor[li][0][letterToIndex(letter)] = 1
    return tensor


print('J的one_hot张量:', letterToTensor('J'))
print('Jones的one_hot张量维度为:', lineToTensor('Jones').size())
import torch.nn as nn


# 搭建循环神经网络进行字符串的分类
class RNN(nn.Module):
    # 层的初始化
    def __init__(self, input_size, hidden_size, output_size):
        '''
        :param input_size: 一个名字中包含的字符的个数,比如 len(tom)
        :param hidden_size: 循环神经网络中隐藏层输出的维度
        :param output_size: 类别数
        '''
        super(RNN, self).__init__()
        self.hidden_size = hidden_size
        # 输入+h0
        self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
        # 输入+h(t-1)
        self.i2o = nn.Linear(input_size + hidden_size, output_size)
        # 求概率
        self.softmax = nn.LogSoftmax(dim=1)

    def forward(self, input, hidden):
        # 沿第一维度拼接张量
        combined = torch.cat((input, hidden), 1)
        hidden = self.i2h(combined)
        output = self.i2o(combined)
        output = self.softmax(output)
        return output, hidden

    def initHidden(self):
        return torch.zeros(1, self.hidden_size)


# 隐藏层神经元数
n_hidden = 128
# 实例化一个RNN网络
rnn = RNN(n_letters, n_hidden, n_categories)
# 测试
input = letterToTensor('A')
hidden = torch.zeros(1, n_hidden)
output, next_hidden = rnn(input, hidden)
input = lineToTensor('Albert')
hidden = torch.zeros(1, n_hidden)
output, next_hidden = rnn(input[0], hidden)
print('Albert的网络输出为:', output)


def categoryFromOutput(output):
    # 获取output中概率值最大的类别
    # top_n是值
    # top_i是索引
    top_n, top_i = output.topk(1)
    category_i = top_i[0].item()
    # 返回概率值最大的类别
    return all_categories[category_i], category_i


print('Albert的概率预测为:', categoryFromOutput(output))
import random


def randomChoice(l):
    # 从l中随机选择一个元素
    return l[random.randint(0, len(l) - 1)]


def randomTrainingExample():
    # 随机选择一个类别
    category = randomChoice(all_categories)
    # 随机选择当前类别下的名字字符串
    line = randomChoice(category_lines[category])
    # 分别将类别和字符串转换为张量
    # 这样才能输入到网络中进行处理
    category_tensor = torch.tensor([all_categories.index(category)], dtype=torch.long)
    line_tensor = lineToTensor(line)
    return category, line, category_tensor, line_tensor


# 测试
for i in range(10):
    category, line, category_tensor, line_tensor = randomTrainingExample()
    print('category =', category, '/ line =', line)
# 损失函数
# 负极大似然损失函数，用于处理分类问题
# 为什么这里处理分类问题没用常用的CrossEntropy()
# 而是用这个
# 因为在前面我们定义RNN的时候里面定义了一个SoftMax层
# NLLLoss()+LogSoftmax()=CrossEntropy()
criterion = nn.NLLLoss()
# 学习率
learning_rate = 0.005


# 训练网络
def train(category_tensor, line_tensor):
    '''

    :param category_tensor: 类别张量
    :param line_tensor: 字符串张量
    :return:
    '''
    # h0
    hidden = rnn.initHidden()
    # 网络梯度清零
    rnn.zero_grad()
    # 循环
    # 我们需要最后一个output做分类
    for i in range(line_tensor.size()[0]):
        output, hidden = rnn(line_tensor[i], hidden)
    # 计算损失
    loss = criterion(output, category_tensor)
    # 反向传播
    loss.backward()
    # 根据上一步计算的loss梯度
    # 更新网络中的参数
    for p in rnn.parameters():
        p.data.add_(p.grad.data, alpha=-learning_rate)
    return output, loss.item()


import time
import math

# 迭代次数
n_iters = 100000
# 信息打印间隔
print_every = 5000
# 绘制间隔
plot_every = 1000
# 记录信息
current_loss = 0
all_losses = []


# 计算花费的时间
def timeSince(since):
    now = time.time()
    s = now - since
    m = math.floor(s / 60)
    s -= m * 60
    return '%dm %ds' % (m, s)


start = time.time()
# 迭代训练
for iter in range(1, n_iters + 1):
    # 获取训练数据
    category, line, category_tensor, line_tensor = randomTrainingExample()
    # 进行一次训练
    output, loss = train(category_tensor, line_tensor)
    # 计算损失
    current_loss += loss
    # 显示信息
    if iter % print_every == 0:
        guess, guess_i = categoryFromOutput(output)
        correct = '✓' if guess == category else '✗ (%s)' % category
        print(
            '%d %d%% (%s) %.4f %s / %s %s' % (iter, iter / n_iters * 100, timeSince(start), loss, line, guess, correct))
    if iter % plot_every == 0:
        all_losses.append(current_loss / plot_every)
        current_loss = 0
# 绘制图像
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker

plt.figure()
plt.plot(all_losses)
confusion = torch.zeros(n_categories, n_categories)
n_confusion = 10000


# 利用 RNN 进行预测
def evaluate(line_tensor):
    hidden = rnn.initHidden()
    for i in range(line_tensor.size()[0]):
        output, hidden = rnn(line_tensor[i], hidden)
    return output


# 进行验证
for i in range(n_confusion):
    category, line, category_tensor, line_tensor = randomTrainingExample()
    output = evaluate(line_tensor)
    guess, guess_i = categoryFromOutput(output)
    category_i = all_categories.index(category)
    confusion[category_i][guess_i] += 1
# 进行正则化
for i in range(n_categories):
    confusion[i] = confusion[i] / confusion[i].sum()
# 进行绘图
fig = plt.figure()
ax = fig.add_subplot(111)
cax = ax.matshow(confusion.numpy())
fig.colorbar(cax)
ax.set_xticklabels([''] + all_categories, rotation=90)
ax.set_yticklabels([''] + all_categories)
ax.xaxis.set_major_locator(ticker.MultipleLocator(1))
ax.yaxis.set_major_locator(ticker.MultipleLocator(1))
plt.show()


# 利用网络进行预测
def predict(input_line, n_predictions=3):
    print('\n> %s' % input_line)
    with torch.no_grad():
        output = evaluate(lineToTensor(input_line))
        topv, topi = output.topk(n_predictions, 1, True)
        predictions = []
        for i in range(n_predictions):
            value = topv[0][i].item()
            category_index = topi[0][i].item()
            print('(%.2f) %s' % (value, all_categories[category_index]))
            predictions.append([value, all_categories[category_index]])


predict('Dovesky')
predict('Jackson')
predict('Satoshi')