深度学习框架Keras介绍及实战

Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。

本文以Kaggle上的项目:IMDB影评情感分析为例,学习如何用Keras搭建一个神经网络,处理实际问题.阅读本文需要对神经网络有基础的了解.

文章分为两个部分:

Keras中的一些基本概念.Api用法.我会给出一些简单的使用样例,或是给出相关知识链接.
IMDB影评情感分析实战.用到的都是第一部分中讲到的知识点.

Model

Dense 全连接层

keras.layers.core.Dense(units, activation=None, use_bias=True, k

ernel_initializer='glorot_uniform', bias_initializer='zeros', ke

rnel_regularizer=None, bias_regularizer=None, activity_regulariz

er=None, kernel_constraint=None, bias_constraint=None)

# as first layer in a sequential model:

# as first layer in a sequential model:

model = Sequential()

model.add(Dense(32, input_shape=(16,)))

# now the model will take as input arrays of shape (*, 16)

# and output arrays of shape (*, 32)

# after the first layer, you don't need to specify

# the size of the input anymore:

model.add(Dense(32))

嵌入层 Embedding

keras.layers.embeddings.Embedding(input_dim, output_dim, embeddi

ngs_initializer='uniform', embeddings_regularizer=None, activity

_regularizer=None, embeddings_constraint=None, mask_zero=False,

input_length=None)

有兴趣的看这个链接https://machinelearningmastery.com/use-word-embedding-layers-deep-learning-keras/

其实就是word to vector。这一层的作用就是得到用词向量表示的文本.

input_dim: 词表的大小.即不同的词的总个数.
output_dim:想要把词转换成多少维的向量.
input_length: 每一句的词的个数

比如如下代表:我们输入一个M*50的矩阵,这个矩阵中不同的词的个数为200,我们想把每个词转换为32维向量. 返回的是一个(M,50,32)的张量.

一个句子50个词,每个词是32维向量,共M个句子. 所以是e.shape=(M,50,32)

e = Embedding(200, 32, input_length=50)

LSTM层.

LSTM是循环神经网络的一种特殊情况.http://deeplearning.net/tutorial/lstm.html

简单来说,我们此前说过的神经网络,包括CNN,都是单向的,没有考虑序列关系,但是某个词的意义与其上下文是有关的,比如"我用着小米手机,吃着小米粥",两个小米肯定不是一个意思.在做语义分析的时候,需要考虑上下文. 循环神经网络RNN就是干这个事情的.或者说"这部电影质量很高,但是我不喜欢".这个句子里既有正面评价,又有负面评价,参考上下文的LSTM会识别出"但是"后面的才是我们想要重点表达的.

keras.layers.recurrent.LSTM(units, activation='tanh', recurrent_

activation='hard_sigmoid', use_bias=True, kernel_initializer='gl

orot_uniform', recurrent_initializer='orthogonal', bias_initiali

zer='zeros', unit_forget_bias=True, kernel_regularizer=None, rec

urrent_regularizer=None, bias_regularizer=None, activity_regular

izer=None, kernel_constraint=None, recurrent_constraint=None, bi

as_constraint=None, dropout=0.0, recurrent_dropout=0.0)

池化层

keras.layers.pooling.GlobalMaxPooling1D() #对时间信号的全局最大池化 https://stackoverflow.com/questions/43728235/what-is-the-difference-between-keras-maxpooling1d-and-globalmaxpooling1d-functi
- input:形如（ samples， steps， features）的3D张量
- output:形如(samples, features)的2D张量
keras.layers.pooling.MaxPooling1D(pool_size=2, strides=None, pad

ding='valid')
keras.layers.pooling.MaxPooling2D(pool_size=(2, 2), strides=None

, padding='valid', data_format=None)
keras.layers.pooling.MaxPooling3D(pool_size=(2, 2, 2), strides=N

one, padding='valid', data_format=None)
....

数据预处理

文本预处理

keras.preprocessing.text.text_to_word_sequence(text,

filters=base_filter(), lower=True, split=" ")
keras.preprocessing.text.one_hot(text, n,

filters=base_filter(), lower=True, split=" ")
keras.preprocessing.text.Tokenizer(num_words=None, filters=base_

filter(),

lower=True, split=" ")

Tokenizer是一个用于向量化文本，或将文本转换为序列（即单词在字典中的下标构

成的列表，从1算起）的类。
- num_words： None或整数，处理的最大单词数量。若被设置为整数，则分词器
  
  将被限制为处理数据集中最常见的 num_words 个单词
- 不管num_words是几,fit_on_texts以后词典都是一样的,全部的词都有对应的index.只是在做texts_to_sequences时所得结果不同.
- 会取最常出现的(num_words - 1)个词对应的index来代表句子.
- 注意num_words不同时,准换后X_t的不同. 只取词典中出现最多的num_words - 1代表句子.如果一个句子中出现特别生僻的词,就会被过滤掉.比如一个句子="x y z".y,z不在词典中最常出现的top num_words-1的话,最后这个句子的向量形式则为[x_index_in_dic]

t1="i love that girl"

t2='i hate u'

texts=[t1,t2]

tokenizer = Tokenizer(num_words=None)

tokenizer.fit_on_texts(texts)  #得到词典 每个词对应一个index.

print( tokenizer.word_counts) #OrderedDict([('i', 2), ('love', 1), ('that', 1), ('girl', 1), ('hate', 1), ('u', 1)])

print( tokenizer.word_index) #{'i': 1, 'love': 2, 'that': 3, 'girl': 4, 'hate': 5, 'u': 6}

print( tokenizer.word_docs) #{'i': 2, 'love': 1, 'that': 1, 'girl': 1, 'u': 1, 'hate': 1})

print( tokenizer.index_docs) #{1: 2, 2: 1, 3: 1, 4: 1, 6: 1, 5: 1}

tokennized_texts = tokenizer.texts_to_sequences(texts)

print(tokennized_texts) #[[1, 2, 3, 4], [1, 5, 6]] 每个词由其index表示

X_t = pad_sequences(tokennized_texts, maxlen=None) #转换为2d array 即矩阵形式. 每个文本的词的个数均为maxlen. 不存在的词用0表示.

print(X_t)#[[1 2 3 4][0 1 5 6]]

序列预处理

keras.preprocessing.sequence.pad_sequences(sequences, maxlen=None

, dtype='int32',

padding='pre', truncating='pre', value=0.)

返回一个2阶张量
keras.preprocessing.sequence.skipgrams(sequence, vocabulary_size

,

window_size=4, negative_samples=1., shuffle=True,

categorical=False, sampling_table=None)
keras.preprocessing.sequence.make_sampling_table(size, sampling_

factor=1e-5)

keras实战:IMDB影评情感分析

数据集介绍

labeledTrainData.tsv/imdb_master.csv 影评数据集已经标注对电影是正面/负面评价
testData.tsv 测试集需要预测评论是正面/负面

主要步骤

数据读取
数据清洗主要包括去除停词,去除html tag,去除标点符号
模型构建
- 嵌入层:完成词到向量的转换
- LSTM
- 池化层:完成重要特征抽取
- 全连接层：分类

数据加载

import pandas as pd

import matplotlib.pyplot as plt

import numpy as np

df_train = pd.read_csv("./dataset/word2vec-nlp-tutorial/labeledTrainData.tsv", header=0, delimiter="\t", quoting=3)

df_train1=pd.read_csv("./dataset/imdb-review-dataset/imdb_master.csv",encoding="latin-1")

df_train1=df_train1.drop(["type",'file'],axis=1)

df_train1.rename(columns={'label':'sentiment',

                          'Unnamed: 0':'id',

                          'review':'review'},

                 inplace=True)

df_train1 = df_train1[df_train1.sentiment != 'unsup']

df_train1['sentiment'] = df_train1['sentiment'].map({'pos': 1, 'neg': 0})

new_train=pd.concat([df_train,df_train1])

数据清洗

用bs4处理html数据

过滤出单词
去除停用词

import re

from bs4 import BeautifulSoup

from nltk.corpus import stopwords

def review_to_words( raw_review ):

    review_text = BeautifulSoup(raw_review, 'lxml').get_text()

    letters_only = re.sub("[^a-zA-Z]", " ", review_text)

    words = letters_only.lower().split()

    stops = set(stopwords.words("english"))

    meaningful_words = [w for w in words if not w in stops]   

    return( " ".join( meaningful_words ))   

new_train['review']=new_train['review'].apply(review_to_words)

df_test["review"]=df_test["review"].apply(review_to_words)

Keras搭建网络

文本转换为矩阵

- Tokenizer作用于list(sentence)得到词典.将词用词在词典中的Index做替换,得到数字矩阵

- pad_sequences做补0. 保证矩阵每一行数目相等. 即每个句子有相同数量的词.

list_classes = ["sentiment"]

y = new_train[list_classes].values

print(y.shape)

list_sentences_train = new_train["review"]

list_sentences_test = df_test["review"]

max_features = 6000

tokenizer = Tokenizer(num_words=max_features)

tokenizer.fit_on_texts(list(list_sentences_train))

list_tokenized_train = tokenizer.texts_to_sequences(list_sentences_train)

list_tokenized_test = tokenizer.texts_to_sequences(list_sentences_test)

print(len(tokenizer.word_index))

totalNumWords = [len(one_comment) for one_comment in list_tokenized_train]

print(max(totalNumWords),sum(totalNumWords) / len(totalNumWords))

maxlen = 400

X_t = pad_sequences(list_tokenized_train, maxlen=maxlen)

X_te = pad_sequences(list_tokenized_test, maxlen=maxlen)

模型构建

词转向量

inp = Input(shape=(maxlen, ))

print(inp.shape) # (?, 400) #每个句子400个词

embed_size = 128 #每个词转换成128维的向量

x = Embedding(max_features, embed_size)(inp)

print(x.shape) #(?, 400, 128)

LSTM 60个神经元
GlobalMaxPool1D 相当于抽取出最重要的神经元输出
DropOut 丢弃部分输出引入正则化,防止过拟合
Dense 全连接层
模型编译时指定损失函数,优化器,模型效果评测标准

x = LSTM(60, return_sequences=True,name='lstm_layer')(x)

print(x.shape)

x = GlobalMaxPool1D()(x)

print(x.shape)

x = Dropout(0.1)(x)

print(x.shape)

x = Dense(50, activation="relu")(x)

print(x.shape)

x = Dropout(0.1)(x)

print(x.shape)

x = Dense(1, activation="sigmoid")(x)

print(x.shape)

model = Model(inputs=inp, outputs=x)

model.compile(loss='binary_crossentropy',

                  optimizer='adam',

                  metrics=['accuracy'])

模型训练

batch_size = 32

epochs = 2

print(X_t.shape,y.shape)

model.fit(X_t,y, batch_size=batch_size, epochs=epochs, validation_split=0.2)

使用模型预测

prediction = model.predict(X_te)

y_pred = (prediction > 0.5)