数据集下载地址：
https://download.pytorch.org/tutorial/data.zipdownload.pytorch.org
数据集中包含18个文件，分别为18个国家中常用的名字，每一行是一个当前国家常用名字字符串。
我们要搭建一个循环神经网络（RNN），将一个名字字符串输入到RNN中，让RNN告诉我们这个名字是属于那个国家的（分类问题）。
运行以下代码，请确保：
PyTorch=1.9.0
torchtext=0.10.0
from __future__ import unicode_literals, print_function, division
from io import open
import glob
import os
# 输入一串名字字符串
# 然后判断这个名字属于哪个国家
# 寻找指定的文件
def findFiles(path):
# 遍历指定路径下的所有文件
# 以列表的形式返回
return glob.glob(path)
# 读取数据集
print('所有的数据集文件', findFiles('./data/names/*.txt'))
import unicodedata
import string
# 获取所有ASCII码字符，再加上'.,;'
all_letters = string.ascii_letters + " .,;'"
n_letters = len(all_letters)
# 将一个Unicode字符串（数据集中的）转换为一个ASCII字符串（输入模型中的）
# 数据标准化
# 一个Unicode字符可以用多种不同的ASCII字符表示
# 转换为统一的形式方便模型处理
def unicodeToAscii(s):
return ''.join(
# normalize() 第一个参数指定字符串标准化的方式。
# NFC表示字符使用单一编码优先，
# 而NFD表示字符应该分解为多个组合字符表示
# 先将输入的字符转换
# 然后再过滤
c for c in unicodedata.normalize('NFD', s)
# Mn表示Mark
# 如果不是特殊标记（我们要分类人名）
# 并且在ASCII中（利用ASCII表示Unicode）
if unicodedata.category(c) != 'Mn'
and c in all_letters
)
print('Ślusàrski的ASCII编码为:', unicodeToAscii('Ślusàrski'))
# 类别->包含的所有字符串的字典
category_lines = {}
# 所有的字符串类别（国家，数据集中共有18个国家）
all_categories = []
def readLines(filename):
# 首先open以utf-8编码打开文件
# 然后read()读取
# strip()去除空格
# split('\n')分割出每一行
lines = open(filename, encoding='utf-8').read().strip().split('\n')
# 将每一行（也就是每一个字符串）转换为ASCII表示
return [unicodeToAscii(line) for line in lines]
# 处理数据集
for filename in findFiles('data/names/*.txt'):
# filename是一个文件的路径，类似于data/names/English.txt这样
# os.paht.basename()获取文件名，也就是English.txt
# os.path.splitext()将English.txt分解为English txt
# os.path.splitext()[0]获取到English
# 因为我们要完成输入一个字符串，然后判断它是哪国的名字
# 所以English就是类别标签
category = os.path.splitext(os.path.basename(filename))[0]
# 建立所有类别的列表
all_categories.append(category)
lines = readLines(filename)
# 建立字典
category_lines[category] = lines
n_categories = len(all_categories)
import torch
def letterToIndex(letter):
# 寻找输入的字符在我们建立的 ASCII 表中为索引
# 类似于 'a'=0
return all_letters.find(letter)
def letterToTensor(letter):
# 建立输入的one_hot向量
tensor = torch.zeros(1, n_letters)
tensor[0][letterToIndex(letter)] = 1
return tensor
def lineToTensor(line):
# 将一个字符串都转换为one_hot的形式
# 1可以看做批大小
tensor = torch.zeros(len(line), 1, n_letters)
for li, letter in enumerate(line):
tensor[li][0][letterToIndex(letter)] = 1
return tensor
print('J的one_hot张量:', letterToTensor('J'))
print('Jones的one_hot张量维度为:', lineToTensor('Jones').size())
import torch.nn as nn
# 搭建循环神经网络进行字符串的分类
class RNN(nn.Module):
# 层的初始化
def __init__(self, input_size, hidden_size, output_size):
'''
:param input_size: 一个名字中包含的字符的个数,比如 len(tom)
:param hidden_size: 循环神经网络中隐藏层输出的维度
:param output_size: 类别数
'''
super(RNN, self).__init__()
self.hidden_size = hidden_size
# 输入+h0
self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
# 输入+h(t-1)
self.i2o = nn.Linear(input_size + hidden_size, output_size)
# 求概率
self.softmax = nn.LogSoftmax(dim=1)
def forward(self, input, hidden):
# 沿第一维度拼接张量
combined = torch.cat((input, hidden), 1)
hidden = self.i2h(combined)
output = self.i2o(combined)
output = self.softmax(output)
return output, hidden
def initHidden(self):
return torch.zeros(1, self.hidden_size)
# 隐藏层神经元数
n_hidden = 128
# 实例化一个RNN网络
rnn = RNN(n_letters, n_hidden, n_categories)
# 测试
input = letterToTensor('A')
hidden = torch.zeros(1, n_hidden)
output, next_hidden = rnn(input, hidden)
input = lineToTensor('Albert')
hidden = torch.zeros(1, n_hidden)
output, next_hidden = rnn(input[0], hidden)
print('Albert的网络输出为:', output)
def categoryFromOutput(output):
# 获取output中概率值最大的类别
# top_n是值
# top_i是索引
top_n, top_i = output.topk(1)
category_i = top_i[0].item()
# 返回概率值最大的类别
return all_categories[category_i], category_i
print('Albert的概率预测为:', categoryFromOutput(output))
import random
def randomChoice(l):
# 从l中随机选择一个元素
return l[random.randint(0, len(l) - 1)]
def randomTrainingExample():
# 随机选择一个类别
category = randomChoice(all_categories)
# 随机选择当前类别下的名字字符串
line = randomChoice(category_lines[category])
# 分别将类别和字符串转换为张量
# 这样才能输入到网络中进行处理
category_tensor = torch.tensor([all_categories.index(category)], dtype=torch.long)
line_tensor = lineToTensor(line)
return category, line, category_tensor, line_tensor
# 测试
for i in range(10):
category, line, category_tensor, line_tensor = randomTrainingExample()
print('category =', category, '/ line =', line)
# 损失函数
# 负极大似然损失函数，用于处理分类问题
# 为什么这里处理分类问题没用常用的CrossEntropy()
# 而是用这个
# 因为在前面我们定义RNN的时候里面定义了一个SoftMax层
# NLLLoss()+LogSoftmax()=CrossEntropy()
criterion = nn.NLLLoss()
# 学习率
learning_rate = 0.005
# 训练网络
def train(category_tensor, line_tensor):
'''
:param category_tensor: 类别张量
:param line_tensor: 字符串张量
:return:
'''
# h0
hidden = rnn.initHidden()
# 网络梯度清零
rnn.zero_grad()
# 循环
# 我们需要最后一个output做分类
for i in range(line_tensor.size()[0]):
output, hidden = rnn(line_tensor[i], hidden)
# 计算损失
loss = criterion(output, category_tensor)
# 反向传播
loss.backward()
# 根据上一步计算的loss梯度
# 更新网络中的参数
for p in rnn.parameters():
p.data.add_(p.grad.data, alpha=-learning_rate)
return output, loss.item()
import time
import math
# 迭代次数
n_iters = 100000
# 信息打印间隔
print_every = 5000
# 绘制间隔
plot_every = 1000
# 记录信息
current_loss = 0
all_losses = []
# 计算花费的时间
def timeSince(since):
now = time.time()
s = now - since
m = math.floor(s / 60)
s -= m * 60
return '%dm %ds' % (m, s)
start = time.time()
# 迭代训练
for iter in range(1, n_iters + 1):
# 获取训练数据
category, line, category_tensor, line_tensor = randomTrainingExample()
# 进行一次训练
output, loss = train(category_tensor, line_tensor)
# 计算损失
current_loss += loss
# 显示信息
if iter % print_every == 0:
guess, guess_i = categoryFromOutput(output)
correct = '✓' if guess == category else '✗ (%s)' % category
print(
'%d %d%% (%s) %.4f %s / %s %s' % (iter, iter / n_iters * 100, timeSince(start), loss, line, guess, correct))
if iter % plot_every == 0:
all_losses.append(current_loss / plot_every)
current_loss = 0
# 绘制图像
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
plt.figure()
plt.plot(all_losses)
confusion = torch.zeros(n_categories, n_categories)
n_confusion = 10000
# 利用 RNN 进行预测
def evaluate(line_tensor):
hidden = rnn.initHidden()
for i in range(line_tensor.size()[0]):
output, hidden = rnn(line_tensor[i], hidden)
return output
# 进行验证
for i in range(n_confusion):
category, line, category_tensor, line_tensor = randomTrainingExample()
output = evaluate(line_tensor)
guess, guess_i = categoryFromOutput(output)
category_i = all_categories.index(category)
confusion[category_i][guess_i] += 1
# 进行正则化
for i in range(n_categories):
confusion[i] = confusion[i] / confusion[i].sum()
# 进行绘图
fig = plt.figure()
ax = fig.add_subplot(111)
cax = ax.matshow(confusion.numpy())
fig.colorbar(cax)
ax.set_xticklabels([''] + all_categories, rotation=90)
ax.set_yticklabels([''] + all_categories)
ax.xaxis.set_major_locator(ticker.MultipleLocator(1))
ax.yaxis.set_major_locator(ticker.MultipleLocator(1))
plt.show()
# 利用网络进行预测
def predict(input_line, n_predictions=3):
print('\n> %s' % input_line)
with torch.no_grad():
output = evaluate(lineToTensor(input_line))
topv, topi = output.topk(n_predictions, 1, True)
predictions = []
for i in range(n_predictions):
value = topv[0][i].item()
category_index = topi[0][i].item()
print('(%.2f) %s' % (value, all_categories[category_index]))
predictions.append([value, all_categories[category_index]])
predict('Dovesky')
predict('Jackson')
predict('Satoshi')本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
