写在前面:
pycharm内存问题没有解决,以下代码均在jupyter notebook实现
像batch_size, 数据条数,循环次数, print_every一类的参数,可以修改尝试,为了解决memoryerror一类的问题,修改过多次。
- 解压bz2压缩文件
import bz2 train_file = bz2.BZ2File('data/train.ft.txt.bz2') test_file = bz2.BZ2File('data/test.ft.txt.bz2')
- 文件中二进制存储,由输出中 b''看出
b'__label__2 Stuning even for the non-gamer: This sound track was beautiful! It paints the senery in your mind so well I would recomend it even to people who hate vid. game music! I have played the game Chrono Cross but out of all of the games I have ever played it has the best music! It backs away from crude keyboarding and takes a fresher step with grate guitars and soulful orchestras. It would impress anyone who cares to listen! ^_^\n'
- decode成'utf-8'
train_file = [x.decode('utf-8') for x in train_file[:train_num]] test_file = [x.decode('utf-8') for x in test_file[:test_num]]
由尝试输出的train_file中看出,数据集的标签和数据是在一起的,label_1为态度差,设为1, label_2 为态度好,设为2
for i, sen in enumerate(train_data)
解释 i
#分词
words = Counter()
for i, sen in enumerate(train_data):
# print(i)
words_ = nltk.word_tokenize(sen)
words.update(words_)#更新词频列表
当调用 `Counter` 对象的 `update` 方法时,它会接受一个可迭代对象作为参数,然后将这个可迭代对象中的元素作为键,以及对应元素出现的次数作为值,更新到 `Counter` 对象中。
在上面的代码中,传递给 `update` 方法的参数 `words_` 是一个单词列表,遍历该列表,将每个单词添加到 `Counter` 对象 `words` 中,并且每次出现一个单词,对应的计数值会增加1。
_PAD:表示填充,因为后续会固定所有句子长度。过长的句子进行阶段,过短的句子使用该单词进行填充
re.sub 正则表达式:
([^ ]
:这是一个字符集合,匹配除了空格以外的任意字符。?<=\.[a-z]{3}))
:这是一个正向断言,表示匹配前面的模式之后满足括号内条件的内容。具体来说:(?<=
:开启一个正向断言。\. :
匹配一个点号。[a-z]{3}
:匹配三个连续的小写字母。)
:结束正向断言。
为了方便构建模型,需要固定所有句子的长度,自定义句子的固定长度,对于长度不够的句子,在前面填充0
(_PAD
),超出长度的句子进行从后面截断
import nltk
from collections import Counter
import numpy as np
import bz2
#处理数据
train_file = bz2.BZ2File('data/train.ft.txt.bz2')
test_file = bz2.BZ2File('data/test.ft.txt.bz2')
train_file = train_file.readlines()
test_file = test_file.readlines()
print(train_file[0])
#8:2划分数据集
train_num = 8000
test_num = 2000
train_file = [x.decode('utf-8') for x in train_file[:train_num]]
test_file = [x.decode('utf-8') for x in test_file[:test_num]]
# print(train_file[0])
#差 0 好 1
#去掉 \n [:-1]
train_labels = [0 if x.split(' ')[0] == '__label__1' else 1 for x in train_file]
train_data = [x.split(' ', 1)[1][: -1].lower() for x in train_file]
test_labels = [0 if x.split(' ')[0] == '__label__1' else 1 for x in test_file]
test_data = [x.split(' ', 1)[1][: -1].lower() for x in test_file]
#sub 正则表达式
for i in range(len(train_data)):
train_data[i] = re.sub('\d','0',train_data[i])
for i in range(len(test_data)):
test_data[i] = re.sub('\d','0',test_data[i])
for i in range(len(train_data)):
if 'www.' in train_data[i] or 'http:' in train_data[i] or 'https:' in train_data[i] or '.com' in train_data[i]:
train_data[i] = re.sub(r"([^ ]+(?<=\.[a-z]{3}))", "<url>", train_data[i])
for i in range(len(test_data)):
if 'www.' in test_data[i] or 'http:' in test_data[i] or 'https:' in test_data[i] or '.com' in test_data[i]:
test_data[i] = re.sub(r"([^ ]+(?<=\.[a-z]{3}))", "<url>", test_data[i])
#! 映射词典
#分词
words = Counter()
for i, sen in enumerate(train_data):
# print(i)
words_ = nltk.word_tokenize(sen)
words.update(words_)#更新词频列表
train_data[i] = words_
print("100% done")
# words 从大到小排列顺序
words = sorted(words, key=words.get, reverse=True)
words = ['_PAD'] + words
#对单词进行编码,将单词映射为数字,(单词所对应索引下标)
word2idx = {x: i for i, x in enumerate(words)}
idx2word = {i: o for i, o in enumerate(words)}
#将train_data, test_data中的单词转为数字
for i, sen in enumerate(train_data):
train_data[i] = [word2idx[word] if word in word2idx else 0 for word in sen]
for i, sen in enumerate(test_data):
test_data[i] = [word2idx[word.lower()] if word.lower() in word2idx else 0 for word in nltk.word_tokenize(sen)]
#固定长度
def pad_input(sentences, seq_len):
features = np.zeros((len(sentences), seq_len),dtype=int)
for ii, review in enumerate(sentences):
if len(review) != 0:
features[ii, -len(review):] = np.array(review)[:seq_len]
return features
# 固定测试数据集和训练数据集的句子长度
train_data = pad_input(train_data, 200)
test_data = pad_input(test_data, 200)
train_labels = np.array(train_labels)
test_labels = np.array(test_labels)
重头戏
from torch.utils.data import TensorDataset, DataLoader
这段代码导入了PyTorch库中的`TensorDataset`和`DataLoader`模块。这两个模块提供了对数据集的封装和加载,用于在训练和测试神经网络模型时方便地处理数据。
x_data = TensorDataset(torch.from_numpy(train_data), torch.from_numpy(train_labels))
y_data = TensorDataset(torch.from_numpy(test_data), torch.from_numpy(test_labels))
通过torch.from_numpy将他们转换成pytorch张量,train_data是用于训练的特征张良,train_labels 是相应的标签向量。
train_loader = DataLoader(x_data, shuffle=True, batch_size=batch_size)
test_loader = DataLoader(y_data, shuffle=True, batch_size=batch_size)
`shuffle=True`表示在每个epoch开始时,数据加载器会对数据进行洗牌,以增加模型的泛化能力。`batch_size`参数指定了每个批次中的样本数量。通过调整`batch_size`的大小,可以在训练时有效利用显存,提高模型训练的速度。
`DataLoader`对象可以迭代地返回每个批次的数据。
device = torch.device('cuda') if torch.cuda.is_available() else torch.device("cpu")
class SensationNet(nn.Module):
def __init__(self, vocab_size):
super(SensationNet, self).__init__()
embedding_dim = embedding_dim = 200 #词向量维度
self.hidden_dim=hidden_dim = 128 #隐藏层神经元 LSTM输出的隐状态
self.num_layers = num_layers = 2 #隐藏层层数
dropout_keep_prob = 0.8 #dropout保存比例
#定义embedding,数字 词向量,将单词索引转化成对应的词向量
self.embedding = nn.Embedding(vocab_size, embedding_dim)
#lstm 层
self.lstm = nn.LSTM(embedding_dim,
hidden_dim,
num_layers,
dropout=dropout_keep_prob,
batch_first=True)
#全连接层
self.fc = nn.Linear(in_features=hidden_dim, out_features=1)
#激活函数 sigmoid
self.sigmoid = nn.Sigmoid()
self.dropout = nn.Dropout(dropout_keep_prob)
#前向传播函数
def forward(self, x, hidden):
batch_size = x.size(0)
x = x.long()
#(, , hidden_dim)
embeds = self.embedding(x)#编码后的词向量
# hidden 上一时刻隐状态
lstm_out, hidden = self.lstm(embeds, hidden)
#hidden 包含隐状态、细胞状态,两者维度都是(num_layers, batch_size, hidden_dim)
#lstm_out(batch_size, 词长度, hidden_dim)
#为了进入全连接层,三层张量->二层
lstm_out = lstm_out.contiguous().view(-1, self.hidden_dim)
out = self.dropout(lstm_out)
out = self.fc(out)
out =self.sigmoid(out)#一维
#一维张量->二维张量,即每个单词都对应一个输出
out = out.view(batch_size, -1)
#只关注最后一个时间步的输出即最后一个单词的输出
out = out[:, -1]
return out, hidden
"""
初始化隐状态,第一次送入LSTM没有隐状态,所以要初始化,一般全部赋值为0,
这里之所以是tuple,是因为LSTM需要接受两个隐状态hidden state和cell state
"""
def init_hidden(self, batch_size):
hidden = (torch.zeros(self.num_layers, batch_size, self.hidden_dim).to(device),
torch.zeros(self.num_layers, batch_size, self.hidden_dim).to(device)
)
return hidden
删除单维度条目
#评估
test_losses = []
num_correct = 0#正确预测数量
h_f = model.init_hidden(batch_size)#初始化
model.eval()
for inputs, labels in test_loader:
h_f = tuple([e.data for e in h_f])
inputs, labels = inputs.to(device), labels.to(device)
output, h_f = model(inputs, h_f)
# print(output)
#为什么要加squeeze(), 上面那个没加
test_loss = criterion(output.squeeze(), labels.float())
test_losses.append(test_loss.item())
pred = torch.round(output.squeeze())
correct_tensor = pred.eq(labels.float().view_as(pred))
correct = np.squeeze(correct_tensor.cpu().numpy())
num_correct += np.sum(correct)
print("Test loss: {:.3f}".format(np.mean(test_losses)))
test_acc = num_correct/len(test_loader.dataset)
print("Test accuracy: {:.3f}%".format(test_acc*100))
chatgpt:是的,LSTM模型通常包含一个或多个隐藏层。隐藏层可以帮助模型捕捉输入序列中的时间相关性,并存储和传递状态信息。每个隐藏层中都有许多LSTM单元(也称为LSTM块或LSTM单元),并且每个单元都具有自己的隐藏状态和记忆状态。
chatgpt:大多数神经网络模型通常将批处理维度放在第一个维度上。将LSTM的输入与其他模型保持一致,可以更容易地与其他模型进行结合。可以直接使用这些数据处理库,无需进行额外的维度转换。
chatgpt:因为GPU主要用于加速大规模的并行计算。在深度学习中,模型的训练和预测通常都是在CPU上进行的,因为CPU的单核性能比较高,适合处理复杂的逻辑和大量的数学运算。
有些问题还待更新,欢迎评论区解答
文章浏览阅读3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势,分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括:FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大
文章浏览阅读1.1k次,点赞2次,收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的:估计模块间的delay,确保写的代码的timing 综合能给到多少HZ,以满足需求!_基4布斯算法代码
文章浏览阅读3.3k次,点赞3次,收藏5次。OpenAI Manager助手(基于SpringBoot和Vue)_chatgpt网页版
文章浏览阅读2.2k次。USACO自1992年举办,到目前为止已经举办了27届,目的是为了帮助美国信息学国家队选拔IOI的队员,目前逐渐发展为全球热门的线上赛事,成为美国大学申请条件下,含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学,越来越多的学生进入了康奈尔,麻省理工,普林斯顿,哈佛和耶鲁等大学,这些同学的共同点是他们都参加了美国计算机科学竞赛(USACO),并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学,高三学生也可以参加12月的第_usaco可以多次提交吗
文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程
文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0
文章浏览阅读2.8k次,点赞3次,收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画(无顶点位移),整个mesh由4个顶点构成。实现了水面效果(左图),不动代码稍微修改下参数和贴图可以实现岩浆效果(右图)。有要思路是1,uv按时间去做正弦波移动2,在1的基础上加个凹凸图混合uv3,在1、2的基础上加个水流方向4,加上对雾效的支持,如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader
文章浏览阅读5k次。广义线性模型是线性模型的扩展,它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为:其中g(μY)是条件均值的函数(称为连接函数)。另外,你可放松Y为正态分布的假设,改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后,便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下,线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是,有时候我们要进行非正态因变量的分析,例如:(1)类别型.._广义线性回归模型
文章浏览阅读69次。环境保护、 保护地球、 校园环保、垃圾分类、绿色家园、等网站的设计与制作。 总结了一些学生网页制作的经验:一般的网页需要融入以下知识点:div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频 视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点,网页的风格主题也很全面:如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题,学生、新手可参考下方页面的布局和设计和HTML源码(有用点赞△) 一套A+的网_垃圾分类网页设计目标怎么写
文章浏览阅读614次,点赞7次,收藏11次。之前找到一个修改 exe 中 DLL地址 的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和 代码中相对目录还有一些复制到目录的普通文件 等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录
文章浏览阅读1.5k次。本文为转载,原博客地址:http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出,BRIEF是对已检测到的特征点进行描述,它是一种二进制编码的描述子,摈弃了利用区域灰度..._breif description calculation 特征点
文章浏览阅读4.1k次,点赞21次,收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档,可以给应届毕业生提供格式撰写参考,也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文