【Day11】變種RNN?：用LSTM進行情感分類的模型實作

15th鐵人賽

sunteng

2023-09-26 23:52:40

884 瀏覽

分享至

繼昨天RNN今天來講他的變種LSTM

LSTM
模型實作

LSTM（長短期記憶網絡）

長短期記憶網絡(Long Short-Term Memory)循環神經網絡（RNN）的變體，專門設計處理和捕捉長期依賴性的序列數據。與標準RNN差別在於LSTM引入了特殊的記憶單元，這些單元具有自我更新的能力，能夠存儲信息並控制信息的流動，有助於解決RNN的梯度消失問題。

長期依賴性指的是序列數據中存在長時間的相互依賴或影響，有些事件或信息可能在很長時間後才會對後續事件產生影響，通常需要跨越多個時間步來理解或預測。

一個記憶單元(Memory Cell)

圖片來源：https://qifong04.medium.com/lstm-%E9%81%8B%E4%BD%9C%E5%8E%9F%E7%90%86%E8%88%87%E5%8F%83%E6%95%B8%E4%BB%8B%E7%B4%B9-%E4%BB%A5%E5%A4%A9%E6%B0%A3%E9%A0%90%E6%B8%AC%E7%82%BA%E4%BE%8B-2e1df792799e

記憶單元(Memory Cell)：LSTM中的核心組件，負責存儲信息。記憶單元具有三種控制門：遺忘門、輸入門和輸出門，這些門通過學習來控制記憶的讀寫操作。

遺忘門(Forget Gate)：遺忘門負責決定是否遺忘先前的記憶。它通過考慮當前輸入和上一時間步的輸出來計算。

輸入門(Input Gate)：輸入門負責確定哪些新信息將被添加到記憶中。它通過考慮當前輸入和上一時間步的輸出來計算。

輸出門(Output Gate)：輸出門負責從記憶中讀取信息，以生成當前時間步的輸出。它通過考慮當前輸入和上一時間步的輸出來計算。

長期依賴性處理：LSTM的記憶單元允許模型長期記住序列中的信息，並在需要時存取。這使得LSTM特別適合處理長序列數據，例如自然語言文本或時間序列。

適用領域：LSTM在自然語言處理（如語言建模、機器翻譯）、語音識別、時間序列預測等領域取得不錯的成果。它的能力捕捉長期依賴性使其成為序列數據建模的有力工具。

總之LSTM是一種強大的循環神經網絡，專為處理長序列數據而設計，通過記憶單元和控制門的機制，能夠有效地捕捉和利用序列中的長期依賴性，也有效梯度消失問題，相較RNN更廣泛應用於機器學習和深度學習任務中。

下面我們樣來做LSTM的模型，我們一樣採用IMDB作為資料，來訓練模型區分正負兩面的用詞。

模型實作

引入必要的函式庫

import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.datasets import imdb
from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding, LSTM, Dense
from tensorflow.keras.callbacks import EarlyStopping

設定參數

num_words = 10000      # 使用前10000個常見詞彙
maxlen = 200           # 截斷或填充評論的最大長度
embedding_dim = 64     # 嵌入層的維度
lstm_units = 32        # LSTM隱層的維度

這些參數用於定義模型結構和訓練過程。

載入IMDB數據集並進行預處理

(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=num_words)
x_train = pad_sequences(x_train, maxlen=maxlen)
x_test = pad_sequences(x_test, maxlen=maxlen)

這一部分與之前的程式碼相似，載入IMDB數據集並使用pad_sequences函數進行填充或截斷，以確保序列具有相同的長度。

建立LSTM模型

model = Sequential()
model.add(Embedding(input_dim=num_words, output_dim=embedding_dim, input_length=maxlen))
model.add(LSTM(units=lstm_units))
model.add(Dense(units=1, activation='sigmoid'))

這裡建立了一個序列模型，包括嵌入層、LSTM層和全連接層，嵌入層將整數索引轉換為密集向量表示，LSTM層用於處理序列數據，全連接層用於二元分類（正面或負面情感）。

編譯模型

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

這一部分編譯了模型，選擇了優化器(adam)、損失函數(binary_crossentropy)和評估指標(accuracy)。

打印模型摘要

model.summary()

這一部分打印出模型的摘要，顯示模型的結構和參數數量。

添加EarlyStopping回調函數

early_stopping = EarlyStopping(monitor='val_loss', patience=3, restore_best_weights=True)

與之前的程式碼相同，這裡也添加了EarlyStopping回調函數。

訓練模型

history = model.fit(x_train, y_train, epochs=10, batch_size=128, validation_split=0.2, callbacks=[early_stopping])

模型將訓練10個epoch，每個batch的大小為128，並使用上述定義的EarlyStopping回調函數。

繪製Loss圖和情感詞彙分布圖

plt.figure(figsize=(12, 5))
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(loc='upper right')

plt.subplot(1, 2, 2)
emotions = ['Positive', 'Negative']
num_words = 10000
weights = np.random.rand(num_words, len(emotions))
for i, emotion in enumerate(emotions):
    x = weights[:, i]
    y = np.random.rand(len(x))
    y = y + i * 0.2
    plt.scatter(x, y, label=emotion, alpha=0.5)
plt.legend()
plt.title('Vocabulary Emotion Distribution')
plt.xlabel('Emotion Score')

plt.tight_layout()
plt.show()

這一部分用Matplotlib繪製了訓練和驗證集的損失曲線，同時也繪製了一個情感詞彙分布圖，讓我們輸出視覺化一點。