基于 FastAI 文本迁移学习的情感分类（93%+Accuracy）

本文主要是介绍基于 FastAI 文本迁移学习的情感分类（93%+Accuracy），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言

系列专栏:【深度学习：算法项目实战】✨︎
涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域，讨论了各种复杂的深度神经网络思想，如卷积神经网络、循环神经网络、生成对抗网络、门控循环单元、长短期记忆、自然语言处理、深度强化学习、大型语言模型和迁移学习。

情感分析是指利用自然语言处理、文本分析、计算语言学和生物统计学，系统地识别、提取、量化和研究情感状态和主观信息。

语言模型通过学习来预测单词序列的概率。但为什么我们需要学习单词的概率呢？让我们通过一个例子来理解。我相信你一定用过谷歌翻译。出于不同的原因，我们都会用它将一种语言翻译成另一种语言。这是一个流行的 NLP 应用的例子，叫做机器翻译。在 “机器翻译 ”中，你需要从一种语言中输入一堆单词，然后将这些单词转换成另一种语言。现在，系统可能会给出许多潜在的翻译，您需要计算每种翻译的概率，以了解哪种翻译最准确。

我们将使用《学习词向量进行情感分析》一文中的 IMDb 数据集，该数据集包含数千条电影评论。

1. 根据预训练模型训练文本分类器

我们将尝试使用预训练模型来训练分类器，为了准备好数据，我们将首先使用高级 API：

1.1 使用高级应用程序接口

我们可以使用以下命令下载数据并解压：

from fastai.text.all import *

path = untar_data(URLs.IMDB)
path.ls()

(#5) [Path('/home/sgugger/.fastai/data/imdb/unsup'),Path('/home/sgugger/.fastai/data/imdb/models'),Path('/home/sgugger/.fastai/data/imdb/train'),Path('/home/sgugger/.fastai/data/imdb/test'),Path('/home/sgugger/.fastai/data/imdb/README')]

(path/'train').ls()

(#4) [Path('/home/sgugger/.fastai/data/imdb/train/pos'),Path('/home/sgugger/.fastai/data/imdb/train/unsupBow.feat'),Path('/home/sgugger/.fastai/data/imdb/train/labeledBow.feat'),Path('/home/sgugger/.fastai/data/imdb/train/neg')]

数据按照 ImageNet 风格组织，在 train 文件夹中，我们有两个子文件夹：pos 和 neg（分别用于正面评论和负面评论）。我们可以使用 TextDataLoaders.from_folder 方法收集数据。我们唯一需要指定的是验证文件夹的名称，即 “test”（而不是默认的 “valid”）。

dls = TextDataLoaders.from_folder(untar_data(URLs.IMDB), valid='test')

然后，我们可以使用 show_batch 方法查看数据：

dls.show_batch()

我们可以看到，该程序库自动处理了所有文本，然后将其拆分成标记符，并添加了一些特殊标记符，如

• xxbos 表示文本开始
• xxmaj 表示下一个词被大写

这样，我们就可以在一行中定义一个适合文本分类的学习器：

learn = text_classifier_learner(dls, AWD_LSTM, drop_mult=0.5, metrics=accuracy)

我们使用 AWD LSTM 架构，drop_mult 是一个参数，用于控制该模型中所有 dropout 的大小，我们使用准确率来跟踪我们模型效果。然后，我们就可以对预训练模型进行微调：

learn.fine_tune(4, 1e-2)

learn.fine_tune(4, 1e-2)

还不错！我们可以使用 show_results 方法来查看模型的运行情况：

learn.show_results()

我们可以很容易地预测新文本：

learn.predict("I really liked that movie!")

('pos', tensor(1), tensor([0.0092, 0.9908]))

在这里，我们可以看到模型认为该评论是正面的。结果的第二部分是 “pos ”在我们的数据词汇表中的索引，最后一部分是每个类别的概率（“pos ”为 99.1%，“neg ”为 0.9%）。

1.2 使用数据块应用程序接口

我们还可以使用数据块 API 在 DataLoaders 中获取数据。这部分比较高深，如果你还不习惯学习新的 API，可以跳过这部分。

数据库块是通过向 fastai 库提供大量信息而建立的：
通过一个名为 “块”（block）的参数来确定所使用的类型：这里我们有文本和类别，因此我们传递 TextBlock 和 CategoryBlock。为了通知库我们的文本是文件夹中的文件，我们使用了 from_folder 类方法。

• 如何获取原始项目，这里使用函数 get_text_files。
• 如何标注这些项目，这里使用父文件夹。
• 如何分割这些项目，此处使用祖文件夹。

imdb = DataBlock(blocks=(TextBlock.from_folder(path), CategoryBlock),get_items=get_text_files,get_y=parent_label,splitter=GrandparentSplitter(valid_name='test'))

这只是提供了一个如何组合数据的蓝图。要实际创建数据，我们需要使用 dataloaders 方法：

dls = imdb.dataloaders(path)

2. ULMFiT 方法

我们在上一节中使用的预训练模型被称为语言模型。它是在维基百科上进行预训练的，任务是在阅读了前面所有单词后猜测下一个单词。我们将这个语言模型直接微调为电影评论分类器，取得了很好的效果，但只要多做一步，我们就能做得更好：维基百科的英语与 IMDb 的英语略有不同。因此，我们可以根据 IMDb 语料库微调预训练的语言模型，然后以此为基础建立分类器，而不是直接跳转到分类器。

当然，其中一个原因是，了解你正在使用的模型的基础是很有帮助的。但还有一个非常实用的原因，那就是如果在微调分类模型之前微调（基于序列的）语言模型，就能获得更好的结果。例如，在 IMDb 情感分析任务中，数据集包含了 50,000 条额外的电影评论，这些评论在 unsup 文件夹中没有附加任何正面或负面标签。我们可以使用所有这些影评来微调预训练的语言模型–这将产生一个特别擅长预测影评下一个单词的语言模型。相比之下，预训练模型只在维基百科文章中进行训练。

这幅图概括了整个过程：

2.1 微调 IMDb 上的语言模型

我们可以很容易地将文本放入适合语言建模的 DataLoaders 中：

dls_lm = TextDataLoaders.from_folder(path, is_lm=True, valid_pct=0.1)

我们需要为 valid_pct 传递一些信息，否则该方法将尝试使用祖文件夹名称来分割数据。通过传递 valid_pct=0.1，我们可以告诉它随机获取其中 10%的评论作为验证集。

我们可以使用 show_batch 查看数据。这里的任务是猜测下一个单词，因此我们可以看到目标都向右移动了一个单词。

dls_lm.show_batch(max_n=5)

然后，我们有一个方便的方法，可以像以前一样使用 AWD_LSTM 架构直接从中抓取一个学习器。我们使用准确率和困惑度作为衡量指标（困惑度是损失的指数），并将默认权重衰减设为 0.1。

learn = language_model_learner(dls_lm, AWD_LSTM, metrics=[accuracy, Perplexity()], path=path, wd=0.1).to_fp16()

默认情况下，预训练的学习器处于冻结状态，这意味着只有模型的头部会进行训练，而主体则保持冻结。在这里，我们将向你展示 fine_tune 方法背后的内容，并使用 fit_one_cycle 方法来拟合模型：

learn.fit_one_cycle(1, 1e-2)

这个模型的训练需要一段时间，所以这是一个很好的机会来讨论保存中间结果的问题。

您可以像这样轻松保存模型的状态：

learn.save('1epoch')

它会在 learn.path/models/ 中创建一个名为 “1epoch.pth ”的文件。如果您想在以同样方式创建学习器后在另一台机器上加载模型，或稍后继续训练，您可以通过以下方式加载该文件的内容：

learn = learn.load('1epoch')

我们可以在解冻后对模型进行微调：

learn.unfreeze()
learn.fit_one_cycle(10, 1e-3)

完成后，我们就可以保存模型的全部内容，但最后一层除外，该层将激活度转换为选取词汇表中每个标记的概率。不包括最后一层的模型称为编码器。我们可以用 save_encoder 保存它：

learn.save_encoder('finetuned')

术语：Encoder（编码器）： 不包括特定任务最终层的模型。在应用于视觉 CNN 时，其含义与 body 大致相同，但更多用于 NLP 和生成模型。

在利用这一点对评论分类器进行微调之前，我们可以使用我们的模型来生成随机评论：因为它经过训练可以猜测句子的下一个单词是什么，所以我们可以用它来编写新的评论：

TEXT = "I liked this movie because"
N_WORDS = 40
N_SENTENCES = 2
preds = [learn.predict(TEXT, N_WORDS, temperature=0.75) for _ in range(N_SENTENCES)]

print("\n".join(preds))

i liked this movie because of its story and characters . The story line was very strong , very good for a sci - fi film . The main character , Alucard , was very well developed and brought the whole story
i liked this movie because i like the idea of the premise of the movie , the ( very ) convenient virus ( which , when you have to kill a few people , the " evil " machine has to be used to protect

2.2 训练文本分类器

我们几乎可以像以前一样收集数据进行文本分类：

dls_clas = TextDataLoaders.from_folder(untar_data(URLs.IMDB), valid='test', text_vocab=dls_lm.vocab)

主要区别在于，我们必须使用与微调语言模型时完全相同的词汇，否则学习到的权重将毫无意义。我们用 text_vocab 传递这个词汇。

然后，我们就可以像之前一样定义文本分类器了：

learn = text_classifier_learner(dls_clas, AWD_LSTM, drop_mult=0.5, metrics=accuracy)

所不同的是，在训练之前，我们先加载之前的编码器：

learn = learn.load_encoder('finetuned')

最后一步是使用辨别学习率和渐进解冻进行训练。在计算机视觉中，我们通常会一次性解冻模型，但对于 NLP 分类器，我们发现每次解冻几层会带来真正的不同。

learn.fit_one_cycle(1, 2e-2)

只用了一个历元，我们就得到了与第一节中的训练相同的结果，不算太差！我们可以向 freeze_to 传递 -2 以冻结除最后两个参数组之外的所有参数：

learn.freeze_to(-2)
learn.fit_one_cycle(1, slice(1e-2/(2.6**4),1e-2))

然后我们可以再解冻一些，继续训练：

learn.freeze_to(-3)
learn.fit_one_cycle(1, slice(5e-3/(2.6**4),5e-3))

最后是整个模型！

learn.unfreeze()
learn.fit_one_cycle(2, slice(1e-3/(2.6**4),1e-3))

这篇关于基于 FastAI 文本迁移学习的情感分类（93%+Accuracy）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---