用 R 语言实现深度学习情感分析
JuanCtt
7年前
<p>前言</p> <p>到了2018新的一年。18岁虽然没有成为TF-boys，但是2018新的一年可以成为TF（Tensorflow-boys）啊~~</p> <h3>word embeddings介绍</h3> <p>之前建立的情感分类的模型都是Bag of words方法， <strong>仅仅统计词出现的次数</strong> 这种方法破坏了句子的结构。这样的结构，我们也可以使用如下的向量（one hot 编码）表示句子「The cat sat on the mat」：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/a0bbe2c69e826ebe467fdafda301e193.jpg"></p> <p>然而，在实际应用中，我们希望学习模型能够在词汇量很大（10,000 字以上）的情况下进行学习。从这里能看到 <strong>使用「独热码」表示单词的效率问题</strong> ——对这些词汇建模的任何神经网络的输入层至少都有 17000,000 个节点。因此，我们需要使用 <strong>更高效的方法</strong> 表示文本数据，而这种方法不仅可以保存单词的上下文的信息，而且可以在更低的维度上表示。这是 <strong>word embeddings 方法</strong> 发明的初衷。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/8290e4af3547f1b9d1a17f340bed7710.png"></p> <p>word embeddings就是 <strong>将一个个词映射到低维连续向量</strong> (如下图所示) ：</p> <p><img src="https://simg.open-open.com/show/e61b33ac81b1a430dd61aebf990569d1.png"></p> <p>这种向量的思想就是将相似的词映射到相似方向，所以，语义相似性就可以被编码了。相似性一般可以通过 <strong>余弦相似度来衡量</strong> ：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/3d0f8fad1a21b442c13fa09c10542170.jpg"></p> <h3>安装TensorFlow和Keras</h3> <pre> <code class="language-r"># 安装并加载Keras包 install.packages("devtools") devtools::install_github("rstudio/keras") install_keras()library(keras) # 安装并加载TensorFlow包 devtools::install_github("rstudio/tensorflow")library(tensorflow) install_tensorflow()</code></pre> <p><strong>注</strong> ：安装TensorFlow和Keras前需要安装Anaconda，Anaconda尽量装最新版本的，Anaconda在Windows安装有一些坑，我是把Java环境删掉还有使用默认路径才成功安装了Anaconda。</p> <h3>检测是否安装成功</h3> <pre> <code class="language-r"># 输入下面代码 sess = tf$Session() hello <- tf$constant('Hello, TensorFlow!') sess$run(hello)</code></pre> <p>OK,如果没有问题的话，你的结果也将是如上图所示，则表明你已安装成功。</p> <h3>LSTM原理</h3> <p><strong>长短期记忆网络</strong> ——通常简称“LSTMs”，是一种特殊的RNN，能够学习长期依赖关系，它可以桥接超过1000步的时间间隔的信息。LSTM由Hochreiter和Schmidhuber （1997）提出，在后期工作中又由许多人进行了调整和普及（除了原始作者之外，许多人为现代LSTM做出了贡献）。LSTM在各种各样的问题上工作非常好，现在被广泛使用。</p> <p>LSTMs被设计出来是 为了避免长期的依赖性问题，记忆长时间的信息实际上是他们的固有行为 ，而不是去学习，这点和传统的具有强大的表征学习能力的深度神经网络不同。</p> <p>所有的RNNs（包括LSTM）都具有一连串重复神经网络模块的形式。在标准的RNNs中，这种重复模块有一种非常简单的结构，比如单个tanh层：</p> <p><img src="https://simg.open-open.com/show/b24519cfdcb77ae802b9db3b59f0ac6a.jpg"></p> <p><strong>什么是tanh？</strong> 中文叫双曲正切函数，属于神经网络隐藏层的activation function（激活函数）中的一种。别以为是什么好厉害的东西，其实就是一个简单的以原点对称的值域为[-1,1]的非线性函数。而神经网络中比较常见的另外一个激活函数 <strong>sigmoid 函数</strong> ，则不过是把tanh函数往上平移到[0，1]的区间，这个函数在LSTM也会用到。</p> <p>LSTM也有像RNN这样的链式结构，只不过重复模块有着与传统的RNN不同的结构，比传统的RNN复杂不少：不只是有一个神经网络层，而是有四个神经网络层，以一个非常特殊的方式进行交互。</p> <p><img src="https://simg.open-open.com/show/426e6d5999eeed261add6226d1a16a46.jpg"></p> <p>不用担心看不懂细节部分是什么意思，稍后我们将逐步浏览LSTM图。现在，让我们试着去熟悉我们将要使用的符号。</p> <p>在上面所示的图中，我们对以上符号进行如下定义：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/30204725679d34c14294b7dffa42c333.png"></p> <ul> <li> <p>黄块表示学习神经网络层（tanh层或sigmoid层）；</p> </li> <li> <p>粉色圆圈表示按位操作，如向量加法或者向量点乘；</p> </li> <li> <p>每条线代表着一整个向量（vector），用来表示从一个节点的输出到另一个节点的输入；</p> </li> <li> <p>合并的线代表连接或者说是拼接;</p> </li> <li> <p>分叉表示其内容被复制，复制内容将转到不同的位置</p> </li> </ul> <h3>LSTMs背后的核心理念</h3> <p>LSTMs的关键是细胞状态（cell state），是一条水平线，贯穿图的顶部。而Cell 的状态就像是传送带，它的状态会沿着整条链条传送，而只有少数地方有一些线性交互。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/b143d4e75905386f9cefe9711bb87862.png"></p> <p>因此“门”就是LSTM控制信息通过的方式，这里的 <strong>” σ “</strong> 指的是 sigmoid 函数。Sigmoid 层的输出值在 0 到 1 间，表示每个部分所通过的信息。 <strong>“0” 意味</strong> 着“让任何事情无法通过”或者说成”忘记所有的事“； <strong>“ 1 ”意味</strong> 着”让一切都通过！“ 或者说”我要记住这一切! “</p> <p>一个 LSTM 有三个这样的门，分别是“输入门”、遗忘门“和 ”输出门“，在单一模块里面控制 cell 的状态。</p> <ul> <li> <p>遗忘门</p> </li> </ul> <p>首先，LSTM 的第一步就是让信息通过”遗忘门“， <strong>决定需要从 cell 中忘掉哪些信息</strong> 。它的输入是 ht-1 和 xt。另外，我们之所以使用sigmoid激活函数是因为我们所需要的数字介于0至1之间。Ct−1 就是每个在 cell 中所有在 0 和 1 之间的数值，就像我们刚刚所说的，0 代表全抛弃，1 代表全保留。</p> <p>看到这里应该有朋友会 <strong>问什么是ht</strong> ，ht是LSTM层在t时刻的输出，但不是最终的输出，ht仅仅是LSTM层输出的向量，要想得到最终的结果 <strong>还要连接一个softmax层</strong> （sigmoid函数的输出是”0“”1“，但是使用softmax函数能在三个类别以上的时候输出相应的概率以解决多分类问题），而x就是我们的输入，是一个又一个的词语。</p> <p><img src="https://simg.open-open.com/show/c6f1382e2ed5f54b16ffbb3f98856bb8.png"></p> <ul> <li> <p>输入门</p> </li> </ul> <p>下一步，我们需要 <strong>决定什么样的信息应该被存储起来</strong> 。这个过程主要分两步。 <strong>首先是 sigmoid 层</strong> （这就是“输入门”）决定我们需要更新哪些值； <strong>随后，</strong> <strong>tanh 层</strong> 生成了一个新的“候选添加记忆” C`t， <strong>最后，我们将这两个值结合起来</strong> 。结合后能够加入cell的状态（长期记忆）中。</p> <p><img src="https://simg.open-open.com/show/199653c7cb9f5681b8ed40328092e9ae.jpg"></p> <p>接下来我们可以更新 cell （长期记忆）的状态了。首先第一步将旧状态与通过遗忘门得到的 ft 相乘，忘记此前我们想要忘记的内容，然后加上通过输入门和tanh层得到的候选记忆 C`t。在忘记我们认为不再需要的记忆并保存输入信息的有用部分后，我们就会得到更新后的长期记忆。</p> <p><img src="https://simg.open-open.com/show/281c6a86d5307e86d0b2673058fb5829.jpg"></p> <ul> <li> <p>输出门</p> <p>接下来我们来更新一下ht，即输出的内容，这部分由输出门来完成。首先，我们把 cell 状态通过 tanh 函数，将输出值保持在-1 到 1 间。随后，前一时刻的输出ht-1和xt会通过一个 sigmoid 层，决定 cell 状态输出哪一部分。之后，我们再乘以 sigmoid 门的输出值，就可以得到结果了。</p> <p><img src="https://simg.open-open.com/show/f63c007e254180405aebdbe5d55fddd6.png"></p> </li> </ul> <h3>R上用LSTM做情感分类</h3> <pre> <code class="language-r">max_features <- 20000 batch_size <- 32 # Cut texts after this number of words (among top max_features most common words) maxlen <- 80 cat('Loading data...\n') imdb <- dataset_imdb(num_words = max_features) x_train <- imdb$train$x y_train <- imdb$train$y x_test <- imdb$test$x y_test <- imdb$test$y view(x_train)</code></pre> <p><img src="https://simg.open-open.com/show/94a4c93c400eda601107f5afab99801c.jpg"></p> <p><strong>IMDB数据集包含有2.5万条电影评论</strong> ，被标记为积极和消极。影评会经过预处理，把每一条影评编码为一个词索引(数字)sequence(前面的一种word embeddings方法） 。</p> <pre> <code class="language-r">cat(length(x_train), 'train sequences\n') cat(length(x_test), 'test sequences\n') cat('Pad sequences (samples x time)\n') x_train <- pad_sequences(x_train, maxlen = maxlen) x_test <- pad_sequences(x_test, maxlen = maxlen) cat('x_train shape:', dim(x_train), '\n') cat('x_test shape:', dim(x_test), '\n')</code></pre> <p><img src="https://simg.open-open.com/show/2e8d97d309351c9e2bd8afee8ae53a6c.png"></p> <pre> <code class="language-r">cat('Build model...\n') model <- keras_model_sequential() model %>% layer_embedding(input_dim = max_features, output_dim = 128) %>% layer_lstm(units = 64, dropout = 0.2, recurrent_dropout = 0.2) %>% layer_dense(units = 1, activation = 'sigmoid')</code></pre> <p>当然，可以尝试使用不同的优化器和不同的优化器配置：</p> <pre> <code class="language-r">model %>% compile( loss = 'binary_crossentropy', optimizer = 'adam', metrics = c('accuracy') ) cat('Train...\n') model %>% fit( x_train, y_train, batch_size = batch_size, epochs = 15, validation_data = list(x_test, y_test) )</code></pre> <p>上面代码的训练过程如下图所示（我电脑大概用了20min）：</p> <p><img src="https://simg.open-open.com/show/53657a4daf978fcabe6115f9290da721.jpg"></p> <pre> <code class="language-r"># 模型的准确度度量 scores <- model %>% evaluate( x_test, y_test, batch_size = batch_size ) cat('Test score:', scores[[1]]) cat('Test accuracy', scores[[2]])</code></pre> <p>接下来，我们再对比其他模型，不妨以随机森林为例：</p> <pre> <code class="language-r">library(randomForest) y_train <- as.factor(y_train) y_test <- as.factor(y_test) rf <- randomForest(x=x_train,y=y_train,ntree=1000) predict <- predict(rf,newdata=x_test)</code></pre> <p><img src="https://simg.open-open.com/show/bb0d5a0f3d7d5b5266fa7005b16540bc.png"></p> <p>很显然，集成算法随机森林远远没有LSTM出来的效果好。今天关于基于R语言的深度学习就介绍到这里。最后，很高兴和大家一起学习R上的深度学习。</p> <h3> </h3> <p>参考资料</p> <p>https://tensorflow.rstudio.com/keras/articles/examples/imdb_lstm.html</p> <p>http://colah.github.io/posts/2015-08-Understanding-LSTMs/</p> <p> </p> <p>来自：https://mp.weixin.qq.com/s/tL2uFJV7EISa6WjbJaVa6g</p> <p> </p>