TensorFlow1: 评论分类

TensorFlow是谷歌2015年开源的一个深度学习库，到现在正好一年。和TensorFlow类似的库还有Caffe、Theano、MXNet、Torch。但是论火爆程度，TensorFlow当之无愧，短短一年就在Github就收获了4万+颗星，把前面几个库获得的star加起来也不敌TensorFlow。

• TensorFlow源代码：https://github.com/tensorflow/tensorflow

TensorFlow使用C++开发，并提供了Python等语言的封装。如命名一样，TensorFlow为张量从图一端流动到另一端的计算过程，可以把张量看作矩阵。TensorFlow并不是一个抽象程度特别高的库，但是它实现了所有深度学习所需的函数。貌似有几个高度抽象的库使用TensorFlow做为后端。

TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，它可在小到手机、大到数千台服务器上运行。

• TensorFlow文档：http://tensorflow.org
• 使用Python实现神经网络
• Ubuntu 16.04 安装 Tensorflow(GPU支持)
• Andrew Ng斯坦福公开课
• https://github.com/deepmind

本帖展示怎么使用TensorFlow实现文本的简单分类，判断评论是正面的还是负面的。

使用的数据集

我本想使用Python爬一些淘宝评论，但是脚本做到一半卡壳了，搞得火起。然后我上网找现成的数据，只找到了英文的电影评论数据（其实不管是英文还是中文，处理逻辑都一样）。

• neg.txt：5331条负面电影评论(http://blog.topspeedsnail.com/wp-content/uploads/2016/11/neg.txt)
• pos.txt：5331条正面电影评论 (http://blog.topspeedsnail.com/wp-content/uploads/2016/11/pos.txt)

如果你有一些好数据愿意分享，感激不尽。

由于处理的是字符串，我们首先要想方法把字符串转换为向量/数字表示。一种解决方法是可以把单词映射为数字ID。

第二个问题是每行评论字数不同，而神经网络需要一致的输入(其实有些神经网络不需要，至少本帖需要)，这可以使用词汇表解决。

代码部分

安装nltk（自然语言工具库 Natural Language Toolkit）

1

$pipinstallnltk

下载nltk数据：

$ pythonPython 3.5.2 (v3.5.2:4def2a2901a5, Jun 26 2016, 10:47:25) [GCC 4.2.1 (Apple Inc. build 5666) (dot 3)] on darwinType "help", "copyright", "credits" or "license" for more information.>>> import nltk>>> nltk.download()

ntlk有详细安装文档。

测试nltk安装：

>>> from nltk.corpus import brown>>> brown.words()['The', 'Fulton', 'County', 'Grand', 'Jury', 'said', ...]

Python代码：

# python3 import numpy as npimport tensorflow as tfimport randomimport picklefrom collections import Counter import nltkfrom nltk.tokenize import word_tokenize"""'I'm super man'tokenize:['I', ''m', 'super','man' ] """from nltk.stem import WordNetLemmatizer"""词形还原(lemmatizer)，即把一个任何形式的英语单词还原到一般形式，与词根还原不同(stemmer)，后者是抽取一个单词的词根。""" pos_file = 'pos.txt'neg_file = 'neg.txt' # 创建词汇表def create_lexicon(pos_file, neg_file):lex = []# 读取文件def process_file(f):with open(pos_file, 'r') as f:lex = []lines = f.readlines()#print(lines)for line in lines:words = word_tokenize(line.lower())lex += wordsreturn lex lex += process_file(pos_file)lex += process_file(neg_file)#print(len(lex))lemmatizer = WordNetLemmatizer()lex = [lemmatizer.lemmatize(word) for word in lex] # 词形还原 (cats->cat) word_count = Counter(lex)#print(word_count)# {'.': 13944, ',': 10536, 'the': 10120, 'a': 9444, 'and': 7108, 'of': 6624, 'it': 4748, 'to': 3940......}# 去掉一些常用词,像the,a and等等，和一些不常用词; 这些词对判断一个评论是正面还是负面没有做任何贡献lex = []for word in word_count:if word_count[word] < 2000 and word_count[word] > 20:  # 这写死了，好像能用百分比lex.append(word)        # 齐普夫定律-使用Python验证文本的Zipf分布 http://blog.topspeedsnail.com/archives/9546return lex lex = create_lexicon(pos_file, neg_file)#lex里保存了文本中出现过的单词。 # 把每条评论转换为向量, 转换原理：# 假设lex为['woman', 'great', 'feel', 'actually', 'looking', 'latest', 'seen', 'is'] 当然实际上要大的多# 评论'i think this movie is great' 转换为 [0,1,0,0,0,0,0,1], 把评论中出现的字在lex中标记，出现过的标记为1，其余标记为0def normalize_dataset(lex):dataset = []# lex:词汇表；review:评论；clf:评论对应的分类，[0,1]代表负面评论 [1,0]代表正面评论 def string_to_vector(lex, review, clf):words = word_tokenize(line.lower())lemmatizer = WordNetLemmatizer()words = [lemmatizer.lemmatize(word) for word in words] features = np.zeros(len(lex))for word in words:if word in lex:features[lex.index(word)] = 1  # 一个句子中某个词可能出现两次,可以用+=1，其实区别不大return [features, clf] with open(pos_file, 'r') as f:lines = f.readlines()for line in lines:one_sample = string_to_vector(lex, line, [1,0])  # [array([ 0.,  1.,  0., ...,  0.,  0.,  0.]), [1,0]]dataset.append(one_sample)with open(neg_file, 'r') as f:lines = f.readlines()for line in lines:one_sample = string_to_vector(lex, line, [0,1])  # [array([ 0.,  0.,  0., ...,  0.,  0.,  0.]), [0,1]]]dataset.append(one_sample)#print(len(dataset))return dataset dataset = normalize_dataset(lex)random.shuffle(dataset)"""#把整理好的数据保存到文件，方便使用。到此完成了数据的整理工作with open('save.pickle', 'wb') as f:pickle.dump(dataset, f)""" # 取样本中的10%做为测试数据test_size = int(len(dataset) * 0.1) dataset = np.array(dataset) train_dataset = dataset[:-test_size]test_dataset = dataset[-test_size:] # Feed-Forward Neural Network# 定义每个层有多少'神经元''n_input_layer = len(lex)  # 输入层 n_layer_1 = 1000    # hide layern_layer_2 = 1000    # hide layer(隐藏层)听着很神秘，其实就是除输入输出层外的中间层 n_output_layer = 2       # 输出层 # 定义待训练的神经网络def neural_network(data):# 定义第一层"神经元"的权重和biaseslayer_1_w_b = {'w_':tf.Variable(tf.random_normal([n_input_layer, n_layer_1])), 'b_':tf.Variable(tf.random_normal([n_layer_1]))}# 定义第二层"神经元"的权重和biaseslayer_2_w_b = {'w_':tf.Variable(tf.random_normal([n_layer_1, n_layer_2])), 'b_':tf.Variable(tf.random_normal([n_layer_2]))}# 定义输出层"神经元"的权重和biaseslayer_output_w_b = {'w_':tf.Variable(tf.random_normal([n_layer_2, n_output_layer])), 'b_':tf.Variable(tf.random_normal([n_output_layer]))} # w·x+blayer_1 = tf.add(tf.matmul(data, layer_1_w_b['w_']), layer_1_w_b['b_'])layer_1 = tf.nn.relu(layer_1)  # 激活函数layer_2 = tf.add(tf.matmul(layer_1, layer_2_w_b['w_']), layer_2_w_b['b_'])layer_2 = tf.nn.relu(layer_2 ) # 激活函数layer_output = tf.add(tf.matmul(layer_2, layer_output_w_b['w_']), layer_output_w_b['b_']) return layer_output # 每次使用50条数据进行训练batch_size = 50 X = tf.placeholder('float', [None, len(train_dataset[0][0])]) #[None, len(train_x)]代表数据数据的高和宽（矩阵），好处是如果数据不符合宽高，tensorflow会报错，不指定也可以。Y = tf.placeholder('float')# 使用数据训练神经网络def train_neural_network(X, Y):predict = neural_network(X)cost_func = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(predict, Y))optimizer = tf.train.AdamOptimizer().minimize(cost_func)  # learning rate 默认 0.001  epochs = 13with tf.Session() as session:session.run(tf.initialize_all_variables())epoch_loss = 0 i = 0random.shuffle(train_dataset)train_x = dataset[:, 0]train_y = dataset[:, 1]for epoch in range(epochs):while i < len(train_x):start = iend = i + batch_size batch_x = train_x[start:end]batch_y = train_y[start:end] _, c = session.run([optimizer, cost_func], feed_dict={X:list(batch_x),Y:list(batch_y)})epoch_loss += ci += batch_size print(epoch, ' : ', epoch_loss) text_x = test_dataset[: ,0]text_y = test_dataset[:, 1]correct = tf.equal(tf.argmax(predict,1), tf.argmax(Y,1))accuracy = tf.reduce_mean(tf.cast(correct,'float'))print('准确率: ', accuracy.eval({X:list(text_x) , Y:list(text_y)})) train_neural_network(X,Y)

执行结果：

准确率真tm喜人，才60%多，比瞎猜强点有限。

那么问题出在哪呢？

准确率低主要是因为数据量太小，同样的模型，如果使用超大数据训练，准确率会有显著的提升。

下文我会使用同样的模型，但是数据量要比本文使用的多得多，看看准确率能提高多少。由于本文使用的神经网络模型(feed-forward)过于简单，使用大数据也不一定有质的提升，尤其是涉及到自然语言处理。

Share the post "TensorFlow练习1: 对评论进行分类"