A practice code is attached here, source: The thirteenth lecture of Mr. Liu Er of station b.
'''
处理自然语言：
字/词 --> one-hot向量（太过稀疏松散）--> 通过EmbeddingLayer嵌入层转为低维稠密的向量 --> RNN --> 通过LinearLayer线性层转化成想要的输出维度
'''
'''
e.g. 给出国家名称，判断使用哪个语言。
结构： Embedding Layer - GPU Layer - Linear Layer
'''
'''
1.处理国家名字name：
序列 --> 列表；
做词典；
列表 -(根据词典)-> 数值列表（这里面的数字代表一个 one-hot vector）;
因为数值列表长短不一、无法构成矩阵、不能构成张量，所以做一个padding(根据最长序列填充）。
2.处理语言名字country --> 索引标签（用作分类的label）
做词典。
'''
import torch
import time
import math
import csv
import gzip
from torch.utils.data import DataLoader
import datetime
import matplotlib.pyplot as plt
import numpy as np
HIDDEN_SIZE=100
BATCH_SIZE=256
N_LAYER=2
N_EPOCHS=200
N_CHARS=128
USE_GPU=False
class NameDataset():
def __init__(self,is_train_set=True):
filename = 'names_train.csv.gz' if is_train_set else 'names_test.csv.gz' # 因为数据集小，一次性全部读入。
with gzip.open(filename, 'rt') as f: # 打开压缩文件并将变量名设为为f
reader = csv.reader(f) # 读取表格文件
rows = list(reader)
self.names = [row[0] for row in rows]
self.len = len(self.names)
self.countries = [row[1] for row in rows]
self.country_list = list(sorted(set(self.countries))) # set：list --> 集合，可以去重复；sorted：排序。
self.country_dict = self.getCountryDict() # 转变成词典。
self.country_num = len(self.country_list)
def __getitem__(self,index):
return self.names[index],self.country_dict[self.countries[index]]
def __len__(self):
return self.len
def getCountryDict(self):
country_dict=dict()
for idx, country_name in enumerate(self.country_list,0):
country_dict[country_name] = idx
return country_dict
def idx2country(self,index): # 可以根据索引name获取country。
return self.country_list(index)
def getCountrysNum(self): # 返回有多少个国家。
return self.country_num
trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE,shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset, batch_size=BATCH_SIZE,shuffle=False) # N_COUNTRY：决定最终size of output。
N_COUNTRY=trainset.getCountrysNum()
def create_tensor(tensor): # 判断是否使用GPU。
if USE_GPU:
device = torch.device("cuda:0")
tensor = tensor.to(device)
return tensor
class RNNClassifier(torch.nn.Module):
def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):
super(RNNClassifier, self).__init__()
self.hidden_size = hidden_size
self.n_layers = n_layers
self.n_directions = 2 if bidirectional else 1 # bidirectional：单向or双向RNN。
self.embedding = torch.nn.Embedding(input_size, hidden_size) # input.shape=(seqlen,batch) output.shape=(seqlen,batch,hiddensize)
self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)
# 输入维度 输出维度 层数 说明单向还是双向
self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)
# 双向循环神经网络Bi-Direction RNN：分别从序列的正方向和反方向做运算，对正反向算出的隐层hidden做拼接。
# 所以，如果是双向，这里要“*2”。
def forward(self, input, seq_lengths):
input = input.t() # “.t”==transpose做转置：B*S --> S*B ，因为 embedding layer 需要的维度是 seq*batch 。
batch_size = input.size(1)
hidden =self._init_hidden(batch_size)
embedding = self.embedding(input)
seq_lengths = seq_lengths.cpu()
# 为了提高运行效率(让0值不参与运算)，GRU Layer支持pack_padded_sequence()，这样就可以处理长短不一的数据。但！要求seqLen必须是降序！所以在embedding中提前处理seqLen为降序。
gru_input = torch.nn.utils.rnn.pack_padded_sequence(embedding, seq_lengths)
output, hidden = self.gru(gru_input, hidden)
if self.n_directions ==2:
hidden_cat = torch.cat([hidden[-1], hidden[-2]], dim=1) # torch.cat(inputs, dim=?)：拼接函数，结果为Tensor。
else:
hidden_cat = hidden[-1]
fc_output = self.fc(hidden_cat)
return fc_output
def _init_hidden(self,batch_size): # 创建全0的初始隐层h0。
hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)
return create_tensor(hidden)
def name2list(name): # name2list：将每一个名字转换为一个列表；通过把每个字符的ASCII码值读出来，这样就把每个名字(字符串)变成了ASCII码列表。
arr = [ord(c) for c in name]
return arr, len(arr) # name2list返回一个元组，包括list和length。
def make_tensors(names, countries):
sequences_and_lengths= [name2list(name) for name in names]
name_sequences = [sl[0] for sl in sequences_and_lengths]
seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths])
countries = countries.long()
# 如何“补”0: 先做一个全0张量；再将seqLen“贴”到全0张量上。
seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths), 0):
seq_tensor[idx, :seq_len] = torch.LongTensor(seq)
# sort by length to use pack_padded_sequence
seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True) # 排序。 ".sort"返回: 排序后序列、对应的索引。
seq_tensor = seq_tensor[perm_idx]
countries = countries[perm_idx]
# 返回：排序后的 ASCII列表 名字长度降序列表 国家名列表
return create_tensor(seq_tensor),create_tensor(seq_lengths),create_tensor(countries)
def time_since(since): # 转换单位，seconds -- mins 。
s=time.time()-since
m=math.floor(s/60)
s-=m*60
return '%dm %ds' % (m,s)
'''
训练:
-forward_compute output of model
-forward_compute loss
-zero grad
-backward
-update
'''
def trainModel():
total_loss = 0
for i, (names, countries) in enumerate(trainloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = classifier(inputs, seq_lengths)
loss = criterion(output, target)
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_loss += loss.item()
if i % 10 == 0:
print(f'[{time_since(start)}]Epoch{epoch}',end='')
print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
print(f'loss={total_loss / (i * len(inputs))}')
return total_loss
def testModel():
correct = 0
total = len(testset)
with torch.no_grad():
for i, (names, countries) in enumerate(testloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = classifier(inputs, seq_lengths)
pred = output.max(dim=1, keepdim=True)[1] # 预测值。
correct += pred.eq(target.view_as(pred)).sum().item() # 根据预测值看看有多少模型算对了。
percent = '%.2f' % (100 * correct / total)
print(f'Test set: Accuracy {correct}/{total} {percent}%')
return correct / total
if __name__ == '__main__':
classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
if USE_GPU:
device = torch.device('cuda:0')
classifier.to(device)
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(classifier.parameters(), lr = 0.001)
start = time.time() # 为了打印训练时间有多长。
print("Train for %d epochs..." % N_EPOCHS)
acc_list= []
for epoch in range(1, N_EPOCHS+1):
trainModel() # 把训练和测试封装。
acc = testModel()
acc_list.append(acc)
end = time.time()
print(datetime.timedelta(seconds=(end - start) // 1))
epoch = np.arange(1, len(acc_list) + 1, 1)
acc_list = np.array(acc_list)
plt.plot(epoch, acc_list)
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.grid()
plt.show()