基於bert句向量的簡單文字分類

1.獲取bert的sst2句向量，通過keras構建乙個簡單的基於句向量的文字分類演算法，得益於bert的強大效能，在sst2文字分類的準確率高達81.80，實驗結果比cran，cam，da，textcnn模型都好，訓練速度特別快，收斂也特別快

通過keras實現的簡單句向量分類演算法
from keras.callbacks import earlystopping
import numpy as np
from keras.models import sequential
from keras.layers import dense
x_train=np.load(r'c:\users\ma101\desktop\sst2/train_sentence_word.npy'
)x_test=np.load(r'c:\users\ma101\desktop\sst2/test_sentence_word.npy'
)y_train=np.load(r'c:\users\ma101\desktop\sst2/train_label.npy'
)y_test=np.load(r'c:\users\ma101\desktop\sst2/test_label.npy'
)model = sequential(
)model.add(dense(
1, input_shape=
(768,)
, activation=
'sigmoid'
,use_bias=
true))
model.
compile
(loss=
'binary_crossentropy'
, optimizer=
'rmsprop'
, metrics=
['accuracy'])
early_stopping = earlystopping(monitor=
'val_acc'
, patience=
50,mode=
'max'
)history1= model.fit(x_train, y_train, batch_size=
64, epochs=
200, verbose=
1, validation_data=
[x_test, y_test]
,callbacks=
[early_stopping]
)score = model.evaluate(x_test, y_test, verbose=2)
accy=history1.history[
'val_acc'
]print
("accuracy:"
+str
(score)
)print
('val_acc'
,accy)

1.如果是詞向量，輸入的是input_shape=(max_len,embedding_matrix),但是如果輸入的是句向量，則需要input_shape=(embedding_matrix,)或者輸入input_dim=embedding_matrix

2.使用rmsprop優化器比adam，sgd等效果好

優化引數是keras模型編譯引數其中的乙個：

先建立網路模型，使用sgd優化演算法，學習率為0.1，衰減項1e-6，動量0.9，使用nesterov最優梯度優化演算法。模型編譯第乙個引數使用平方誤差作為損失函式，優化演算法使用sgd。

基類keras.optimizers.optimizer(**kwargs)

所有的優化器都來自這個類，支援以下的關鍵字引數：

clipnorm: float >= 0.

注意：這是整合優化器的基類，並不是用來訓練模型的的實際的優化器。以下是幾種常見的優化演算法。

sgd

sgd指stochastic gradient descent，即隨機梯度下降。是梯度下降的batch版本。

對於訓練資料集，我們首先將其分成n個batch，每個batch包含m個樣本。我們每次更新都利用乙個batch的資料，而非整個訓練集

keras.optimizers.sgd(lr=0.01, momentum=0., decay=0., nesterov=false)

引數：

lr: float >= 0. 學習率
momentum: float >= 0. 動量引數更新
decay: float >= 0. 每次迭代更新學習率衰減項
nesterov: boolean. 是否使用nesterov 動量方法.布林型

adagrad上面提到的方法對於所有引數都使用了同乙個更新速率。但是同乙個更新速率不一定適合所有引數。比如有的引數可能已經到了僅需要微調的階段，但又有些引數由於對應樣本少等原因，還需要較大幅度的調動。

adagrad就是針對這一問題提出的，自適應地為各個引數分配不同學習率的演算法。

keras.optimizers.adagrad(lr=0.01, epsilon=1e-6)

以上引數建議使用預設值。

引數：lr: float >= 0. 學習率 epsilon: float >= 0.

adadelta

keras.optimizers.adadelta(lr=1.0, rho=0.95, epsilon=1e-6)

引數：

lr: float >= 0. 學習率.一般選擇預設值
float >= 0.
epsilon: float >= 0. 模糊因子

rmspropkeras.optimizers.rmsprop(lr=0.001, rho=0.9, epsilon=1e-6)

引數：

lr: float >= 0.學習率
rho: float >= 0
epsilon: float >= 0.

adam

lr: float >= 0. 學習率
beta_1, beta_2: floats, 0 < beta < 1. 一般接近於1.
epsilon: float >= 0.

基於bert句向量的簡單文字分類

基於支援向量機的文字分類

基於DL的文字分類綜述

文字分類的python實現基於SVM演算法

基於bert句向量的簡單文字分類

基於支援向量機的文字分類

基於DL的文字分類綜述

文字分類的python實現 基於SVM演算法

相關推薦

文字分類的python實現基於SVM演算法