循环神经网络实现情感分析

墨蓝 2022-11-16 04:57 208阅读 0赞

### 目录 ###

*  前言
 *  预处理
 *  建立模型
 *  引入训练好的词向量
 *  训练就不说了

# 前言 #

*  本文用于快速回忆相关知识，个人笔记。

# 预处理 #

*  数据每个样本是一个句子，首先定一个最大句子长度max\_len，然后将所有数据样本整理成\[batch\_size,max\_len\]的形式，每个元素是id，不是char。
 *  创建好迭代器

# 建立模型 #

*  参考下面：

# 建立模型
    class BiRNN(nn.Module):
        def __init__(self,vocab,embed_size,num_hiddens,num_layers):
            super(BiRNN,self).__init__()
            self.embedding=nn.Embedding(len(vocab),embed_size)
            
            self.encoder=nn.LSTM(input_size=embed_size,hidden_size=num_hiddens,
                                 num_layers=num_layers,bidirectional=True)
            
            self.decoder=nn.Linear(4*num_hiddens,2)
            
        def forward(self,inputs):
            # inputs的形状是(批量大小, 词数)，因为LSTM需要将序列长度(seq_len)作为第一维，所以将输入转置后
            # 再提取词特征，输出形状为(词数, 批量大小, 词向量维度)
            embeddings=self.embedding(inputs.permute(1,0))
            # rnn.LSTM只传入输入embeddings，因此只返回最后一层的隐藏层在各时间步的隐藏状态。
            # outputs形状是(词数, 批量大小, 2 * 隐藏单元个数)
            outputs,_=self.encoder(embeddings)# output,(h,c)
            # 连结初始时间步和最终时间步的隐藏状态作为全连接层输入。它的形状为
            # (批量大小, 4 * 隐藏单元个数)。
            encoding=torch.cat((outputs[0],outputs[-1]),-1)
            outs=self.decoder(encoding)
            return outs

我们首先要把输入的\[batch\_size,max\_len\]中的元素转化为词向量，得到\[max\_len,batch\_size,embed\_size\]的数据，然后使用LSTM提取特征，得到的outputs是\[max\_len,batch\_size,2\*num\_hidden\]，隐藏状态的尺寸是\[num\_layers,batch\_size,num\_hidden\]，是最后一步所有的隐藏状态。提取完特征就要走全连接层了，首先联结最初和最终时间步的特征，torch.cat((outputs\[0\],outputs\[-1\]),-1)得到尺寸为\[batch\_size,4\*num\_hidden\]，然后输入到全连接层得到\[batch\_size,2\]的预测结果，待会这个结果和label走一遍loss就得到损失了。

# 引入训练好的词向量 #

*  使用训练好的词向量初始化模型中的self.embedding层，并设置它的requires\_grad=False

# 训练就不说了 #