• 深度学习之文本分类模型-基于CNNs系列


    1、DCNN模型

    DCNN是由Nal Kalchbrenner[1]等人于2014年提出的一种算法,其利用CNN模型将输入进行卷积操作,并利用K-MAX pooling操作,最终将变长的文本序列输出为定长的序列,这种方式能够获取短文本和长文本之间的关系。文章在4个数据集进行了测试。

    DCNN模型结构如下图所示

    • projected sentence matrix
      首先,我们将输入的单词通过embedding_lookup,得到输入单词的词向量。如图,输入为[7,4]的向量
    • wide convolution
      我们用两个滤波器,分别对原始的词表进行卷积操作,这里设置m=3,即每3个单词进行一次卷积操作,由图可知,滤波器的维度是3,这里会在词表前后分别加上两维的padding,这里的操作只对每3个单词的第一维进行卷积。最终我们会得到两个[9,4]的矩阵。
    • dynamic k-max pooling
      对每一个维度进行pooling操作,这里k=5,即取最大的5个元素,结果进行拼接,这里有两个滤波器,得到两个[5,4]的矩阵。这里的k是动态获取的,根据公式(k_{l} = max(k_{top}, lceil frac {L-l}{L} * s ceil)) 。其中(k_{top})为用户自己设定,这里(k_{top} = 3),L表示全部卷积的数量,s表示输入的长度,这里(s=18),所以,(k_{1} = max(3,((3-1)/3) * 18) = 12)(k_{2} = max(3,((3-2)/3) * 18) = 6)(k_{3} = max(3,((3-3)/3) * 18) = 3)
    • wide convolution
      再次进行一次卷积操作,这里的m=2,有两个滤波器,我们用这两个滤波器 分别对上一层的输出进行卷积,并将各自的结果进行加和,得到两个[6,4]的输出,
    • fodding
      这里的维度为4,我们将其平均分成两部分,每一部分为2,我们将各自的两维进行加和,得到两个[6,2]的矩阵
    • dynamic k-max pooling
      如上,再次进行pooling操作,得到两个[3,2]维矩阵
    • Fully connected layer
      最后,我们进行一个全连接操作,将结果维度进行固定,接下来,我们就可以利用一些softmax操作,来根据分类结果计算loss了。

    2、TextCNN模型

    TextCNN可以理解为是DCNN的简化版本,但是在数据集上取得了不错的效果,TextCNN是由Yoon Kim[2]提出的一种算法,提出了不同的单词embedding方法,分别是CNN-rand,CNN-static,CNN-non-static,CNN-mutichannel,其基本结构如下图所示

    TextCNN的结构和DCNN基本相似,第一层,我们先得到单词的embedding,接着,用不同的滤波器进行卷积操作,然后用max-pooling方式进行池化操作,最后加上一个全连接操作,进行softmax输出。可以看到,TextCNN几乎是DCNN的简化版本。

    • CNN-rand
      对单词的embedding信息随机的初始化
    • CNN-static
      用word2vec进行训练词向量,并且在训练时固定词向量
    • CNN-non-static
      用word2vec进行训练词向量,词向量随着训练进行微调
    • CNN-mutichannel
      输入时含有两个词向量,分别成为两个通道,其中一个用word2vec进行训练并在CNN训练时进行固定,另外一个随机初始化,并在CNN训练时随着训练调整它的参数。

    3、XML-CNN模型

    XML-CNN主要是针对大规模多标记数据提出的一种算法,是由Jingzhou Liu[3]等人提出的,其主要贡献有三点:a、使用k-max-pooling方法来尽可能多的加入特征信息。b、在池化层和输出层加入一个全连接层,以减少参数的更新。c、输出层使用sigmoid激活函数,损失函数使用cross-entropy。其网络结构如下图所示

    首先,输入层依然是单词的embedding信息,经过多个滤波器,进行卷积操作,接着我们使用k-max-pooling,其目的是为了更多的获取特征,有时候,往往最大的特征不能代表某个类别,所以加入最大的k个特征。接下来我们在池化层和输出层加入一个全连接层,加入这个层的目的是减少参数的更新,如果不加入这个全连接层,那么每次参数更新是k * L,k表示池化层输出节点数,L表示输出层节点数,加入了一个全连接层,参数更新就变成了k * F + F * L,F表示全连接层节点数,其中F远远小于L。最后输出层使用sigmoid激活函数,并使用cross-entropy构造损失函数。

    4、Character-level CNN模型

    顾名思义,Character-level CNN模型输入的并不是完整的词汇,而是字符序列,在论文中,作者输入的字符个数是70个,其中包括字母,数字和一些特殊符号等,特征的维度设置为1024,对于没有在这70个字符中的字符,用全0表示。其结构如下图所示

    可以看到,输入序列经过了一次卷积和池化操作,紧接着经过了6层卷积操作,池化操作和3层全连接操作,其中卷积操作分为1个大步长和1个小步长,其参数如下图所示

    卷积和池化操作

    全连接操作

    5、VDCNN模型

    VDCNN模型是在深度上进行增加,以达到一个较好的效果,其由facebook 的Alexis Conneau[5]等人提出,模型输入是以字符为单位,输入的长度固定为s=1024。受到VGG和ResNets的启发,模型在池化操作后遵循如下原则

    • 对于相同的输出特征图大小,图层有相同数量的滤波器
    • 如果特征图的大小被减半,过滤器的数量增加一倍

    如下是完整的模型架构图,我们分别来对每一个步骤进行讲解

    输入层是一个(1024)的字符向量,经过embedding_lookup后,得到(1024 * 16)的二维矩阵,其中16为每个字符的维度。

    接下来进行一步卷积操作,其中窗口大小为3,滤波器 的数量是64,在这一步,其实在矩阵的开始和结束加上了两个padding,所以输入的向量是(1026,16),这样经过一次窗口长度为3的卷积,可以得到大小为(1024 * 1)的卷积结果,由于滤波器数量为64,所以最终的结果是(1024 * 64)维的矩阵。

    接下来通过两个Convolutional Block,窗口大小为3,滤波器数量为64,在每一步的卷积操作中,都在开始和结束加入了两个padding,这样做的目的是为了得到固定维度的输出,后续也都是一样的,不再做特殊的说明。

    接下来进行池化操作,得到(512 * 64)的矩阵输出,根据上述原则,我们需要增加滤波器的数量,即64 * 2=128

    进行卷积操作,窗口大小为3,对矩阵(512 * 64)进行卷积操作,得到(512 * 1)由于是128个滤波器,所以结果是(512 * 128)

    接下来的操作和上述一样,最终会得到一个(128 * 512)的矩阵,接着进行池化操作,这里k=8,所以输出为(8 * 512)

    接着,进行两个全连接层的操作,下游的任务可以根据我们的需要进行设置,比如对分类来说,输出即为标签的数量。

    我们这里还有一点没有说明,就是Convolutional Block是个什么东西,其实很简单,也是一系列的卷积操作,如下图所示

    参考文献
    [1]Nal Kalchbrenner(2014)A Convolutional Neural Network for Modelling Sentences.
    [2]Yoon Kim(2014)Convolutional Neural Networks for Sentence Classification
    [3]Jingzhou Liu(2015)Deep Learning for Extreme Multi-label Text Classification
    [4]Xiang Zhang(2015)Character-level Convolutional Networks for Text Classification
    [5]Alexis Conneau(2017)Very Deep Convolutional Networks for Text Classification
  • 相关阅读:
    博客园装修 js动态背景效果 一个随鼠标变换的动态线条
    转载:jQuery在线引用地址
    记录下es6的基础笔记
    js、css 、html平时的一些小笔记
    【机器学*】k*邻算法-01
    【Leetcode】718. 最长重复子数组
    【嵌入式】嵌入式系统开发与应用第二版课后答案第三章(田泽)
    【嵌入式】嵌入式系统开发与应用第二版课后答案第二章(田泽)
    【嵌入式】嵌入式系统开发与应用第二版课后答案第一章(田泽)
    【C++】关键字回忆leetcode题解
  • 原文地址:https://www.cnblogs.com/stephen-goodboy/p/12825379.html
Copyright © 2020-2023  润新知