当前位置： 首页 > news >正文

RNN人名分类器案例

news 2025/6/30 9:07:46

RNN人名分类器案例

1 任务目的：

目的: 给定一个人名，来判定这个人名属于哪个国家
典型的文本分类任务: 18分类---多分类任务

2 数据格式

  • 注意：两列数据，第一列是人名，第二列是国家类别，中间用制表符号"\t"隔开

Ang Chinese
AuYong  Chinese
Yuasa   Japanese
Yuhara  Japanese
Yunokawa    Japanese

3 任务实现流程

1. 获取数据:案例中是直接给定的
2. 数据预处理: 脏数据清洗、数据格式转换、数据源Dataset的构造、数据迭代器Dataloader的构造
3. 模型搭建: RNN、LSTM、GRU一系列模型
4. 模型训练和评估（测试）
5. 模型上线---API接口(后续会讲)

4 数据预处理

4.1读取txt文档数据

目的：

将文档里面的数据读取到内存中，实际上我们做了一个操作: 将人名存放到一个列表中，国家类别存放到一个列表中

代码实现

def read_data(filename):# 1. 初始化两个空列表my_list_x, my_list_y = [], []# 2. 读取文件内容with open(filename,'r', encoding='utf-8') as fr:for line in fr.readlines():if len(line) <= 5:continue# strip()方法默认将字符串首尾两端的空白去掉x, y = line.strip().split('\t')my_list_x.append(x)my_list_y.append(y)
​return my_list_x, my_list_y

4.2 构建自己的数据源DataSet

目的：

使用Pytorch框架，一般遵从一个规矩：使用DataSet方法构造数据源，来让模型进行使用
构造数据源的过程中:必须继承torch.utils.data.Dataset类，必须构造两个魔法方法：__len__(), __getitem__()
__len__(): 一般返回的是样本的总个数，我们可以直接len(dataset对象)直接就可以获得结果
__getitem__(): 可以根据某个索引取出样本值，我们可以直接用dataset对象[index]来直接获得结果

代码实现：

class NameClassDataset(Dataset):def __init__(self, mylist_x, mylist_y):self.mylist_x = mylist_xself.mylist_y = mylist_yself.sample_len = len(mylist_x)
​# 定义魔法方法lendef __len__(self):return self.sample_len
​# 定义魔法方法getitemdef __getitem__(self, index):# 1.index异常值处理index = min(max(index, 0), self.sample_len - 1)# 2. 根据index取出人名和国家名x = self.mylist_x[index]# print(f'x--->{x}')y = self.mylist_y[index]# print(f'y--->{y}')# 3.需要对人名进行one-hot编码表示：这里的思路是：针对每个人名组成的单词进行one-hot，然后再拼接tensor_x = torch.zeros(len(x), n_letter)# print(f'tensor_x-->{tensor_x}')for li, letter in enumerate(x):tensor_x[li][all_letters.find(letter)] = 1# 4.获取标签#  print(f'dataset内部的tensor_x--》{tensor_x.shape}')tensor_y = torch.tensor(categorys.index(y), dtype=torch.long)# print(f'dataset内部的tensor_y-->{tensor_y}')return tensor_x, tensor_y

4.3 构建数据迭代器Dataloader

目的：

为了将Dataset我们上一步构建的数据源，进行再次封装，变成一个迭代器，可以进行for循环，而且，可以自动为我们dataset里面的数据进行增维（bath_size）,也可以随机打乱我们的取值顺序

代码实现：

filename = './data/name_classfication.txt'
my_list_x, my_list_y = read_data(filename)
mydataset = NameClassDataset(mylist_x=my_list_x, mylist_y=my_list_y)
my_dataloader = DataLoader(dataset=mydataset, batch_size=1, shuffle=True)

5 模型搭建

5.1 搭建RNN模型

  • 注意事项

RNN模型在实例化的时候，默认batch_first=False，因此，需要小心输入数据的形状
因为: dataloader返回的结果x---》shape--〉[batch_size, seq_len, input_size], 所以课堂上代码和讲义稍微有点不同，讲义是默认的batch_first=False，而我们的代码是batch_first=True，这样做的目的，可以直接承接x的输入。

  • 代码实现

class MyRNN(nn.Module):def __init__(self, input_size, hidden_size, ouput_size, num_layers=1):super().__init__()# input_size 代表词嵌入维度；self.input_size = input_size# hidden_size代表RNN隐藏层维度self.hidden_size = hidden_size# output_size代表：国家种类个数self.ouput_size = ouput_sizeself.num_layers = num_layers# 定义RNN网络层# 和讲义不一样，我设定了batch_first=True,意味着rnn接受的input第一个参数是batch_sizeself.rnn = nn.RNN(self.input_size, self.hidden_size,num_layers=self.num_layers, batch_first=True)# 定义输出网络层self.linear = nn.Linear(self.hidden_size, self.ouput_size)
​# 定义softmax层self.softmax = nn.LogSoftmax(dim=-1)
​def forward(self, input, hidden):# input的shape---》[batch_size, seq_len, input_size] [1, 9, 57]# hidden的shape---》[num_layers, batch_size, hidden_size] [1,1,128]
​# 将input和hidden送入RNN模型得到结果rnn_output【1,9,128】,rnn_hn[1,1,128]rnn_output, rnn_hn = self.rnn(input, hidden)# print(f'rnn_output--》{rnn_output.shape}')# temp:[1, 128]tmep = rnn_output[0][-1].unsqueeze(0)# print(f'tmep--》{tmep.shape}')# 将临时tmep：代表当前样本最后一词的隐藏层输出结果[1, 18]output = self.linear(tmep)# print(f'output--》{output.shape}')# 经过softmaxreturn self.softmax(output), rnn_hn
​def inithidden(self):return torch.zeros(self.num_layers, 1, self.hidden_size)

RNN模型测试

def test_RNN():# 1.得到数据my_dataloader = get_dataloader()# 2.实例化模型input_size = n_letter # 57hidden_size = 128 # 自定设定RNN模型输出结果维度output_size = len(categorys) # 18my_rnn = MyRNN(input_size, hidden_size, output_size)h0 = my_rnn.inithidden()# 3.将数据送入模型for i, (x, y) in enumerate(my_dataloader):print(f'x--->{x.shape}')output, hn = my_rnn(input=x, hidden=h0)print(f'output模型输出结果-->{output.shape}')print(f'hn-->{hn.shape}')break

5.2 搭建LSTM模型

  • 注意事项

LSTM模型在实例化的时候，默认batch_first=False，因此，需要小心输入数据的形状 因为: dataloader返回的结果x---》shape--〉[batch_size, seq_len, input_size], 所以课堂上代码和讲义稍微有点不同，讲义是默认的batch_first=False，而我们的代码是batch_first=True，这样做的目的，可以直接承接x的输入。

  • 代码实现

class MyLSTM(nn.Module):def __init__(self, input_size, hidden_size, ouput_size, num_layers=1):super().__init__()# input_size 代表词嵌入维度；self.input_size = input_size# hidden_size代表RNN隐藏层维度self.hidden_size = hidden_size# output_size代表：国家种类个数self.ouput_size = ouput_sizeself.num_layers = num_layers# 定义LSTM网络层# 和讲义不一样，我设定了batch_first=True,意味着rnn接受的input第一个参数是batch_sizeself.lstm = nn.LSTM(self.input_size, self.hidden_size,num_layers=self.num_layers, batch_first=True)# 定义输出网络层self.linear = nn.Linear(self.hidden_size, self.ouput_size)
​# 定义softmax层self.softmax = nn.LogSoftmax(dim=-1)
​def forward(self, input, hidden, c0):# input的shape---》[batch_size, seq_len, input_size] [1, 9, 57]# hidden的shape---》[num_layers, batch_size, hidden_size] [1,1,128]
​# 将input和hidden送入RNN模型得到结果rnn_output【1,9,128】,rnn_hn[1,1,128]lstm_output, (lstm_hn, lstm_cn) = self.lstm(input, (hidden, c0))# print(f'rnn_output--》{rnn_output.shape}')# temp:[1, 128]tmep = lstm_output[0][-1].unsqueeze(0)# print(f'tmep--》{tmep.shape}')# 将临时tmep：代表当前样本最后一词的隐藏层输出结果[1, 18]output = self.linear(tmep)# print(f'output--》{output.shape}')# 经过softmaxreturn self.softmax(output), lstm_hn, lstm_cn
​def inithidden(self):h0 = torch.zeros(self.num_layers, 1, self.hidden_size)c0 = torch.zeros(self.num_layers, 1, self.hidden_size)return h0, c0

LSTM测试

def test_LSTM():# 1.得到数据my_dataloader = get_dataloader()# 2.实例化模型input_size = n_letter # 57hidden_size = 128 # 自定设定LSTM模型输出结果维度output_size = len(categorys) # 18my_lstm = MyLSTM(input_size, hidden_size, output_size)h0, c0 = my_lstm.inithidden()# 3.将数据送入模型for i, (x, y) in enumerate(my_dataloader):print(f'x--->{x.shape}')output, hn, cn = my_lstm(input=x, hidden=h0, c0=c0)print(f'output模型输出结果-->{output.shape}')print(f'hn-->{hn.shape}')print(f'cn-->{cn.shape}')break

5.3 搭建GRU模型

  • 注意事项

GRU模型在实例化的时候，默认batch_first=False，因此，需要小心输入数据的形状 因为: dataloader返回的结果x---》shape--〉[batch_size, seq_len, input_size], 所以课堂上代码和讲义稍微有点不同，讲义是默认的batch_first=False，而我们的代码是batch_first=True，这样做的目的，可以直接承接x的输入。

  • 代码实现

class MyGRU(nn.Module):def __init__(self, input_size, hidden_size, ouput_size, num_layers=1):super().__init__()# input_size 代表词嵌入维度；self.input_size = input_size# hidden_size代表RNN隐藏层维度self.hidden_size = hidden_size# output_size代表：国家种类个数self.ouput_size = ouput_sizeself.num_layers = num_layers# 定义GRU网络层# 和讲义不一样，我设定了batch_first=True,意味着rnn接受的input第一个参数是batch_sizeself.gru = nn.GRU(self.input_size, self.hidden_size,num_layers=self.num_layers, batch_first=True)# 定义输出网络层self.linear = nn.Linear(self.hidden_size, self.ouput_size)
​# 定义softmax层self.softmax = nn.LogSoftmax(dim=-1)
​def forward(self, input, hidden):# input的shape---》[batch_size, seq_len, input_size] [1, 9, 57]# hidden的shape---》[num_layers, batch_size, hidden_size] [1,1,128]
​# 将input和hidden送入RNN模型得到结果rnn_output【1,9,128】,rnn_hn[1,1,128]gru_output, gru_hn = self.gru(input, hidden)# print(f'rnn_output--》{rnn_output.shape}')# temp:[1, 128]tmep = gru_output[0][-1].unsqueeze(0)# print(f'tmep--》{tmep.shape}')# 将临时tmep：代表当前样本最后一词的隐藏层输出结果[1, 18]output = self.linear(tmep)# print(f'output--》{output.shape}')# 经过softmaxreturn self.softmax(output), gru_hn
​def inithidden(self):return torch.zeros(self.num_layers, 1, self.hidden_size)

GRU测试

def test_GRU():# 1.得到数据my_dataloader = get_dataloader()# 2.实例化模型input_size = n_letter # 57hidden_size = 128 # 自定设定RNN模型输出结果维度output_size = len(categorys) # 18my_gru = MyGRU(input_size, hidden_size, output_size)# 2.1 初始化参数h0 = my_gru.inithidden()# 3.将数据送入模型for i, (x, y) in enumerate(my_dataloader):print(f'x--->{x.shape}')output, hn = my_gru(input=x, hidden=h0)print(f'output模型输出结果-->{output.shape}')print(f'hn-->{hn.shape}')break

6 模型训练

基本过程

1.获取数据
2.构建数据源Dataset
3.构建数据迭代器Dataloader
4.加载自定义的模型
5.实例化损失函数对象
6.实例化优化器对象
7.定义打印日志参数
8.开始训练
8.1 实现外层大循环epoch
(可以在这构建数据迭代器Dataloader)
8.2 内部遍历数据迭代器dataloader
8.3 将数据送入模型得到输出结果
8.4 计算损失
8.5 梯度清零: optimizer.zero_grad()
8.6 反向传播: loss.backward()
8.7 参数更新（梯度更新）: optimizer.step()
8.8 打印训练日志
9. 保存模型: torch.save(model.state_dict(), "model_path")

6.1 RNN模型训练代码实现

my_lr = 1e-3
epochs = 1
# 训练rnn模型
def train_rnn():# 读取数据my_list_x, my_list_y = read_data(filepath='./data/name_classfication.txt')# 实例化dataset数据源对象my_dataset = NameClassDataset(my_list_x, my_list_y)# 实例化模型# n_letters=57, hidden_size=128,类别总数output_size=18my_rnn = My_RNN(input_size=57, hidden_size=128, output_size=18)# 实例化损失函数对象my_nll_loss = nn.NLLLoss()# 实例化优化器对象my_optim = optim.Adam(my_rnn.parameters(), lr=my_lr)# 定义打印日志的参数start_time = time.time()total_iter_num = 0 # 当前已经训练的样本总数total_loss = 0  # 已经训练的损失值total_loss_list = [] # 每隔n个样本，保存平均损失值total_acc_num = 0 # 预测正确的样本个数total_acc_list = [] # 每隔n个样本，保存平均准确率# 开始训练for epoch_idx in range(epochs):# 实例化dataloadermy_dataloader = DataLoader(dataset=my_dataset, batch_size=1, shuffle=True)# 开始内部迭代数据，送入模型for i, (x, y) in enumerate(tqdm(my_dataloader)):# print(f'x--》{x.shape}')# print(f'y--》{y}')output, hn = my_rnn(input=x[0], hidden=my_rnn.inithidden())# print(f'output--》{output}') # [1, 18]# 计算损失my_loss = my_nll_loss(output, y)# print(f'my_loss--》{my_loss}')# print(f'my_loss--》{type(my_loss)}')
​# 梯度清零my_optim.zero_grad()# 反向传播my_loss.backward()# 梯度更新my_optim.step()
​# 统计一下已经训练样本的总个数total_iter_num = total_iter_num + 1
​# 统计一下已经训练样本的总损失total_loss = total_loss + my_loss.item()
​# 统计已经训练的样本中预测正确的个数i_predict_num = 1 if torch.argmax(output).item() == y.item() else 0total_acc_num = total_acc_num + i_predict_num# 每隔100次训练保存一下平均损失和准确率if total_iter_num % 100 == 0:avg_loss = total_loss / total_iter_numtotal_loss_list.append(avg_loss)
​avg_acc = total_acc_num / total_iter_numtotal_acc_list.append(avg_acc)# 每隔2000次训练打印一下日志if total_iter_num % 2000 == 0:temp_loss = total_loss / total_iter_numtemp_acc = total_acc_num / total_iter_numtemp_time = time.time() - start_timeprint('轮次:%d, 损失:%.6f, 时间:%d，准确率:%.3f' %(epoch_idx+1, temp_loss, temp_time, temp_acc))torch.save(my_rnn.state_dict(), './save_model/ai20_rnn_%d.bin'%(epoch_idx+1))# 计算总时间total_time = int(time.time() - start_time)print('训练总耗时：', total_time)# 将结果保存到文件中dict1 = {"avg_loss":total_loss_list,"all_time": total_time,"avg_acc": total_acc_list}with open('./save_results/ai_rnn.json', 'w') as fw:fw.write(json.dumps(dict1))
​return total_loss_list, total_time, total_acc_list

6.2 LSTM模型训练代码实现

基本原理同上

6.3 GRU模型训练代码

基本原理同上

7 模型预测

基本过程

1.获取数据
2.数据预处理：将数据转化one-hot编码
3.实例化模型
4.加载模型训练好的参数: model.load_state_dict(torch.load("model_path"))
5.with torch.no_grad():
6.将数据送入模型进行预测（注意:张量的形状变换）

RNN模型预测代码：

def line2tensor(x):# x-->"bai"tensor_x = torch.zeros(len(x), n_letters)# one-hot表示for li, letter in enumerate(x):tensor_x[li][letters.find(letter)] = 1
​return tensor_x
# 构造rnn预测函数
def rnn_predict(x):# 将数据x进行张量的转换tensor_x =  line2tensor(x)# 加载训练好的模型my_rnn = My_RNN(input_size=57, hidden_size=128, output_size=18)my_rnn.load_state_dict(torch.load('./save_model/ai20_rnn_3.bin'))# 实现模型的预测with torch.no_grad():# 将数据送入模型output, hn = my_rnn(tensor_x, my_rnn.inithidden())print(f'output--》{output}')# 获取output最大的前3个值# output.topk(3, 1, True)values, indexes = torch.topk(output, k=3, dim=-1, largest=True)print(f'values-->{values}')print(f'indexes-->{indexes}')for i in range(3):value = values[0][i]index = indexes[0][i]category = categorys[index]print(f'当前预测的值是：{value}, 国家类别是：{category}')

http://www.lryc.cn/news/576841.html

相关文章：

  • Android大图加载优化：BitmapRegionDecoder深度解析与实战
  • Ubuntu20 编译安装 Redis7.2.4
  • SAP顾问职位汇总（第26周）
  • 大模型岗位面试常见问题及解答
  • python+uniapp基于微信小程序的多人协同办公系统
  • 人工智能之数学基础：如何判断正定矩阵和负定矩阵？
  • chapter02_AbstractBeanfactory与模板方法
  • python sklearn 机器学习（1）
  • Ragflow本地部署和基于知识库的智能问答测试
  • 【Typst】自定义彩色盒子
  • 医疗AI智能基础设施构建：向量数据库矩阵化建设流程分析
  • 如何搭建基于RK3588的边缘服务器集群？支持12个RK3588云手机
  • Qt QGraphics简述及例程 - QGraphicsView、QGraphicsScene和QGraphicsItem
  • 深入剖析Nacos服务发现与注册，及如何基于LoadBalancer实现负载均衡
  • #华为昇腾#华为计算#昇腾开发者计划2025#
  • Redis分布式锁核心原理源码
  • #华为鲲鹏#华为计算#鲲鹏开发者计划2025#
  • Transformer结构与代码实现详解
  • 【电路笔记 TMS320F28335DSP】TI SCI (增强型的UART) 点对点异步串行通信接口
  • 【OpenGL学习】（八）图形变换
  • Oauth2 自定义设置token过期时间
  • 状态机编程实战 ｜ 如何更优雅地处理字符串
  • 全新大模型开源，腾讯（int4能打DeepSeek） Vs 谷歌（2GB运行多模态）
  • Gemini-CLI：谷歌开源的命令行AI工具，重新定义开发者工作流
  • Ubuntu22 安装 RTX 5070 Ti Nvidia Driver 驱动
  • 自学嵌入式 day27 进程
  • mac系统快捷键及命令安装
  • 状态模式 - Flutter中的状态变身术，让对象随“状态“自由切换行为！
  • 边界的艺术：支持向量机与统计学习时代的王者
  • 设计模式-外观模式、适配器模式