在這篇文章中，作者討論了六個關于創(chuàng)建機器學習模型來進行文本分類的主要話題。

1. TensorFlow 如何工作
2. 機器學習模型是什么
3. 神經網絡是什么
4. 神經網絡怎樣進行學習
5. 如何處理數據并且把它們傳輸給神經網絡的輸入
6. 怎樣運行模型并且得到預測結果

作者也提供了可在Jupyter notebook上運行的代碼。我將回顧這六個話題并且與我自己的經驗相結合。

1. TensorFlow 概覽

TensorFlow 是***的開源 AI 庫之一。它的高計算效率，豐富的開發(fā)資源使它被企業(yè)和個人開發(fā)者廣泛采用。在我看來，學習 TensorFlow 的***的方法就是使用它的官網教程(https://www.tensorflow.org/)。在這個網站上，你可以瀏覽「getting started」教程。

我首先將會對 TensorFlow 的基本定義和主要特征進行介紹。張量(Tensor)是一種數據結構，它可以把原始值形成任意的多維數組【1】。張量的級別就是它的維度數。這里，我建議閱讀 Python 的應用編程接口 API，因為它對 TensorFlow 的初學者來說是很友好的。你可以安裝 TensorFlow 并且配置環(huán)境，緊隨官方網站上的指導就可以了。測試你是否成功安裝 TensorFlow 的方法就是導入(import)TensorFlow 庫。在 TensorFlow 中，計算圖(computational graph)是核心部件。數據流程圖形用來代表計算過程。在圖形下，操作(Operation)代表計算單位，張量代表數據單位。為了運行代碼，我們應該對階段函數(Session function)進行初始化。這里是執(zhí)行求和操作的完整代碼。

#import the library 
import tensorflow as tf 
#build the graph and name as my_graph 
my_graph = tf.Graph() 
#tf.Session encapsulate the environment for my_graph 
with my_graph.as_default(): 
   x = tf.constant([1,3,6])  
   y = tf.constant([1,1,1]) 
   #add function 
   op = tf.add(x,y) 
   #run it by fetches 
   result = sess.run(fetches=op) 
   #print it 
   print(result) 

你可以看見在 TensorFlow 中編譯是遵循一種模式的，并且很容易被記住。你將會導入庫，創(chuàng)建恒定張量(constant tensors)并且創(chuàng)建圖形。然后我們應該定義哪一個圖將會被在 Session 中使用，并且定義操作單元。最終你可以在 Session 中使用 run() 的方法，并且評估其中參數獲取的每一個張量。

2. 預測模型

預測模型可以很簡單。它把機器學習算法和數據集相結合。創(chuàng)建一個模型的過程程如下圖所示：

我們首先應該找到正確的數據作為輸入，并且使用一些數據處理函數來處理數據。然后，這些數據就可以與機器學習算法結合來創(chuàng)建模型了。在你得到模型后，你可以把模型當做一個預測器并且輸入需要的數據來預測，從而產生結果。整個進程如下圖所示：

在本文中，輸入是文本，輸出結果是類別(category)。這種機器學習算法叫做監(jiān)督學習，訓練數據集是已標注過種類的文本。這也是分類任務，而且是應用神經網絡來進行模型創(chuàng)建的。

3. 神經網絡

神經網絡的主要特征是自學(self-learning)，而不是進行明確地程序化。它的靈感來源于人類中樞神經系統(tǒng)。***個神經網絡算法是感知機(Perceptron)。

為了理解神經網絡的工作機制，作者用 TensorFlow 創(chuàng)建了一個神經網絡結構。

(1) 神經網絡結構

這里作者使用了兩個隱蔽層(hidden layers)，每一個隱蔽層的職責是把輸入轉換成輸出層可以使用的東西【1】。***個隱蔽層的節(jié)點的數量應該被定義。這些節(jié)點叫做神經元，和權值相乘。訓練階段是為了對這些值進行調節(jié)，為了產生一個正確的輸出。網絡也引入了偏差(bias)，這就可以讓你向左或向右移動激活函數，從而讓預測結果更加準確【2】。數據還會經過一個定義每個神經元最終輸出的激活函數。這里，作者使用的是修正線性單元(ReLU)，可以增加非線性。這個函數被定義為：

 

f(x) = max(0,x)（輸出是 x 或 0，無論 x 多大） 

對第二個隱蔽層來說，輸入就是***層，函數與***個隱蔽層相同。

對于輸出層，作者使用的是 one-hot 編碼來得到結果。在 one-hot 編碼中，除了其中的一位值為 1 以外，所有的位元(bits)都會得到一個 0 值。這里使用三種類別作為范例，如下圖所示。

我們可以發(fā)現輸出節(jié)點的數量值就是類別的數量值。如果我們想要劃分不同的類別，我們可以使用 Softmax 函數來使每一個單元的輸出轉化成 0 到 1 間的值，并且使所有單元的總和為 1。它將會告訴我們每種類別的概率是多少。

上述過程由下列代碼實現：

# Network Parameters 
n_hidden_1 = 10        # 1st layer number of features 
n_hidden_2 = 5         # 2nd layer number of features 
n_input = total_words  # Words in vocab 
n_classes = 3          # Categories: graphics, space and baseball 

def multilayer_perceptron(input_tensor, weights, biases): 
    layer_1_multiplication = tf.matmul(input_tensor, weights['h1']) 
    layer_1_addition = tf.add(layer_1_multiplication, biases['b1']) 
    layer_1_activation = tf.nn.relu(layer_1_addition) 

# Hidden layer with RELU activation 
    layer_2_multiplication = tf.matmul(layer_1_activation, weights['h2']) 
    layer_2_addition = tf.add(layer_2_multiplication, biases['b2']) 
    layer_2_activation = tf.nn.relu(layer_2_addition) 

# Output layer with linear activation 
    out_layer_multiplication = tf.matmul(layer_2_activation, weights['out']) 
    out_layer_addition = out_layer_multiplication + biases['out'] 

return out_layer_addition 

在這里，它調用了 matmul()函數來實現矩陣之間的乘法函數，并調用 add()函數將偏差添加到函數中。

4. 神經網絡是如何訓練的

我們可以看到其中要點是構建一個合理的結構，并優(yōu)化網絡權重的預測。接下來我們需要訓練 TensorFlow 中的神經網絡。在 TensorFlow 中，我們使用 Variable 來存儲權重和偏差。在這里，我們應該將輸出值與預期值進行比較，并指導函數獲得最小損失結果。有很多方法來計算損失函數，由于它是一個分類任務，所以我們應該使用交叉熵誤差。此前 D. McCaffrey[3] 分析并認為交叉熵可以避免訓練停滯不前。我們在這里通過調用函數 tf.nn.softmax_cross_entropy_with_logits() 來使用交叉熵誤差，我們還將通過調用 function: tf.reduced_mean() 來計算誤差。

# Construct model 
prediction = multilayer_perceptron(input_tensor, weights, biases) 

# Define loss 
entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor) 
loss = tf.reduce_mean(entropy_loss) 

我們應該找到***值來使輸出誤差最小化。這里我們使用隨機梯度下降(SGD)的方法：

通過多次迭代，我們將會得到接近于全局最小損失的權值。學習速率不應該太大。自適應瞬間評估函數(Adaptive Moment Estimation function)經常用于計算梯度下降。在這個優(yōu)化算法中，對梯度和梯度的二階矩量進行平滑處理【4】。

代碼如下所示，在其它項目中，學習速率可以是動態(tài)的，從而使訓練過程更加迅速。

learning_rate = 0.001 
# Construct model 
prediction = multilayer_perceptron(input_tensor, weights, biases) 

# Define loss 
entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor) 
loss = tf.reduce_mean(entropy_loss) 

optimizer = tf.train.AdamOptimizer(learning_ratelearning_rate=learning_rate).minimize(loss) 

5. 數據操作

這一部分對于分類成功也很重要。機器學習的開發(fā)者們需要更加在意數據，這會為你節(jié)省大量時間，并讓結果更加準確，因為這可以讓你無需從頭開始更改配置。在這里，筆者需要指出兩個重點。首先，為每個單詞創(chuàng)建一個索引;然后為每個文本創(chuàng)建一個矩陣，如果單詞在文本中，則值為 1，否則為 0。以下代碼可以幫助你理解這個過程：

import numpy as np    #numpy is a package for scientific computing 
from collections import Counter 

vocab = Counter() 
text = "Hi from Brazil" 
#Get all words 
for word in text.split(' '): 
    vocab[word]+=1 
         
#Convert words to indexes 
def get_word_2_index(vocab): 
    word2index = {} 
    for i,word in enumerate(vocab): 
        word2index[word] = i 
         
    return word2index 
#Now we have an index 
word2index = get_word_2_index(vocab) 
total_words = len(vocab) 
#This is how we create a numpy array (our matrix) 
matrix = np.zeros((total_words),dtype=float) 
#Now we fill the values 
for word in text.split(): 
    matrix[word2index[word]] += 1 
print(matrix) 
>>> [ 1.  1.  1.] 

Python 中的 Counter() 是一個哈希表。當輸入是「Hi from Brazil」時，矩陣是 [1 ,1, 1]。如果輸入不同，比如「Hi」，矩陣會得到不同的結果：

matrix = np.zeros((total_words),dtype=float) 
text = "Hi" 
for word in text.split(): 
    matrix[word2index[word.lower()]] += 1 
print(matrix) 
>>> [ 1.  0.  0.] 

6. 運行模型，獲得結果

在這一部分里，我們將使用 20 Newsgroups 作為數據集。它包含有關 20 種話題的 18,000 篇文章。我們使用 scilit-learn 庫加載數據。在這里作者使用了 3 個類別：comp.graphics、sci.space 和 rec.sport.baseball。它有兩個子集，一個用于訓練，一個用于測試。下面是加載數據集的方式：

from sklearn.datasets import fetch_20newsgroups 
categories = ["comp.graphics","sci.space","rec.sport.baseb 

newsgroups_train = fetch_20newsgroups(subset='train', categoriescategories=categories) 
newsgroups_test = fetch_20newsgroups(subset='test', categoriescategories=categories) 

它遵循通用的模式，非常易于開發(fā)者使用。

在實驗中，epoch 設定為 10，這意味著會有 10 次正+反向遍歷整個數據集。在 TensorFlow 中，占位符的作用是用作 Feed 的目標，用于傳遞每個運行步驟的數據。

n_input = total_words # Words in vocab 
n_classes = 3         # Categories: graphics, sci.space and baseball 

input_tensor = tf.placeholder(tf.float32,[None, n_input],name="input") 
output_tensor = tf.placeholder(tf.float32,[None, n_classes],name="output") 

我們應該分批訓練數據，因為在測試模型時，我們會用更大的批次來輸入 dict。調用 get_batches() 函數來獲取具有批處理尺寸的文本數。接下來，我們就可以運行模型了。

training_epochs = 10 
# Launch the graph 
with tf.Session() as sess: 
    sess.run(init) #inits the variables (normal distribution, reme 

# Training cycle 
   for epoch in range(training_epochs): 
       avg_cost = 0. 
       total_batch = int(len(newsgroups_train.data)/batch_size) 
       # Loop over all batches 
       for i in range(total_batch): 
           batch_x,batch_y = get_batch(newsgroups_train,i,batch_size) 
           # Run optimization op (backprop) and cost op (to get loss value) 
           c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x, output_tensor:batch_y}) 

在這里我們需要構建測試模型，并計算它的準確性。

# Test model 
    index_prediction = tf.argmax(prediction, 1) 
    index_correct = tf.argmax(output_tensor, 1) 
    correct_prediction = tf.equal(index_prediction, index_correct) 

# Calculate accuracy 
   accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) 
   total_test_data = len(newsgroups_test.target) 
   batch_x_test,batch_y_test = get_batch(newsgroups_test,0,total_test_data) 
   print("Accuracy:", accuracy.eval({input_tensor: batch_x_test, output_tensor: batch_y_test})) 

然后我們就可以得到結果：

結論

本文介紹了如何使用神經網絡和 TensorFlow 來處理文本分類任務。它介紹了與實驗有關的基礎信息，然而，在我自己運行的時候，效果就沒有作者那么好了。我們或許可以在這個架構的基礎上改進一番，在隱藏層中使用 dropout 肯定會提高準確性。

在運行代碼前，請確認你已安裝了***版本的 TensorFlow。有些時候你可能會無法導入 twenty_newsgroups 數據集。當這種情況發(fā)生時，請使用以下代碼來解決問題。

# if you didn't download the twenty_newsgroups datasets, it will run with error 
# this logging can help to solve the error 
import logging 
logging.basicConfig() 

以下是完整代碼：

import pandas as pd 
import numpy as np 
import tensorflow as tf 
from collections import Counter 
from sklearn.datasets import fetch_20newsgroups 
# if you didn't download the twenty_newsgroups datasets, it will run with error 
# this logging can help to solve the error 
import logging 
logging.basicConfig() 
 
categories = ["comp.graphics","sci.space","rec.sport.baseball"] 
newsgroups_train = fetch_20newsgroups(subset='train', categoriescategories=categories) 
newsgroups_test = fetch_20newsgroups(subset='test', categoriescategories=categories) 
 
print('total texts in train:',len(newsgroups_train.data)) 
print('total texts in test:',len(newsgroups_test.data)) 
 
vocab = Counter() 
for text in newsgroups_train.data: 
   for word in text.split(' '): 
       vocab[word.lower()]+=1 
        
for text in newsgroups_test.data: 
   for word in text.split(' '): 
       vocab[word.lower()]+=1 
 
 
total_words = len(vocab) 
def get_word_2_index(vocab): 
   word2index = {} 
   for i,word in enumerate(vocab): 
       word2index[word.lower()] = i 
        
   return word2index 
 
word2index = get_word_2_index(vocab) 
 
def get_batch(df,i,batch_size): 
   batches = [] 
   results = [] 
   texts = df.data[i*batch_size:i*batch_size+batch_size] 
   categories = df.target[i*batch_size:i*batch_size+batch_size] 
   for text in texts: 
       layer = np.zeros(total_words,dtype=float) 
       for word in text.split(' '): 
           layer[word2index[word.lower()]] += 1 
            
       batches.append(layer) 
        
   for category in categories: 
       y = np.zeros((3),dtype=float) 
       if category == 0: 
           y[0] = 1. 
       elif category == 1: 
           y[1] = 1. 
       else: 
           y[2] = 1. 
       results.append(y) 
            
     
   return np.array(batches),np.array(results) 
 
# Parameters 
learning_rate = 0.01 
training_epochs = 10 
batch_size = 150 
display_step = 1 
 
# Network Parameters 
n_hidden_1 = 100      # 1st layer number of features 
n_hidden_2 = 100       # 2nd layer number of features 
n_input = total_words # Words in vocab 
n_classes = 3         # Categories: graphics, sci.space and baseball 
 
input_tensor = tf.placeholder(tf.float32,[None, n_input],name="input") 
output_tensor = tf.placeholder(tf.float32,[None, n_classes],name="output")  
 
def multilayer_perceptron(input_tensor, weights, biases): 
   layer_1_multiplication = tf.matmul(input_tensor, weights['h1']) 
   layer_1_addition = tf.add(layer_1_multiplication, biases['b1']) 
   layer_1 = tf.nn.relu(layer_1_addition) 
    
   # Hidden layer with RELU activation 
   layer_2_multiplication = tf.matmul(layer_1, weights['h2']) 
   layer_2_addition = tf.add(layer_2_multiplication, biases['b2']) 
   layer_2 = tf.nn.relu(layer_2_addition) 
    
   # Output layer  
   out_layer_multiplication = tf.matmul(layer_2, weights['out']) 
   out_layer_addition = out_layer_multiplication + biases['out'] 
    
   return out_layer_addition 
 
# Store layers weight & bias 
weights = { 
   'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])), 
   'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])), 
   'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes])) 
} 
biases = { 
   'b1': tf.Variable(tf.random_normal([n_hidden_1])), 
   'b2': tf.Variable(tf.random_normal([n_hidden_2])), 
   'out': tf.Variable(tf.random_normal([n_classes])) 
} 
 
# Construct model 
prediction = multilayer_perceptron(input_tensor, weights, biases) 
 
# Define loss and optimizer 
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor)) 
optimizer = tf.train.AdamOptimizer(learning_ratelearning_rate=learning_rate).minimize(loss) 
 
# Initializing the variables 
init = tf.initialize_all_variables() 
 
# Launch the graph 
with tf.Session() as sess: 
   sess.run(init) 
 
   # Training cycle 
   for epoch in range(training_epochs): 
       avg_cost = 0. 
       total_batch = int(len(newsgroups_train.data)/batch_size) 
       # Loop over all batches 
       for i in range(total_batch): 
           batch_x,batch_y = get_batch(newsgroups_train,i,batch_size) 
           # Run optimization op (backprop) and cost op (to get loss value) 
           c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x,output_tensor:batch_y}) 
           # Compute average loss 
           avg_cost += c / total_batch 
       # Display logs per epoch step 
       if epoch % display_step == 0: 
           print("Epoch:", '%04d' % (epoch+1), "loss=", \ 
               "{:.9f}".format(avg_cost)) 
   print("Optimization Finished!") 
 
   # Test model 
   correct_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(output_tensor, 1)) 
   # Calculate accuracy 
   accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) 
   total_test_data = len(newsgroups_test.target) 
   batch_x_test,batch_y_test = get_batch(newsgroups_test,0,total_test_data) 
   print("Accuracy:", accuracy.eval({input_tensor: batch_x_test, output_tensor: batch_y_test})) 

【本文是51CTO專欄機構“機器之心”的原創(chuàng)文章，微信公眾號“機器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文