如何使用 Glove 和 CNN 配置和训练模型进行文本分类？

Question

我曾使用 Glove 和 CNN 进行文本分类，并发现以下问题：

File "c:\programfiles_anaconda\anaconda3\envs\math_stat_class\lib\site-packages\tensorflow\python\framework\ops.py", line 1657, in _create_c_op
    raise ValueError(str(e))

ValueError: Negative dimension size caused by subtracting 5 from 1 for '{{node max_pooling1d_9/MaxPool}} = MaxPool[T=DT_FLOAT, data_format="NHWC", ksize=[1, 5, 1, 1], padding="VALID", strides=[1, 5, 1, 1]](max_pooling1d_9/ExpandDims)' with input shapes: [?,1,1,128].

手套输入

EMBEDDING_DIM = 100
    
embeddings_index = {}
    
f = open(glove_path, encoding='utf-8')  
for line in f:    
    values = line.split()
    word = values[0]
    coefs = np.asarray(values[1:], dtype='float32')
    embeddings_index[word] = coefs
    f.close()
    
print('Found %s word vectors.' % len(embeddings_index))
    
embedding_matrix = np.zeros((len(word_index) + 1, EMBEDDING_DIM))
    
for word, i in word_index.items():
    embedding_vector = embeddings_index.get(word)
    if embedding_vector is not None:
        # words not found in embedding index will be all-zeros.
        embedding_matrix[i] = embedding_vector

CNN的层输入

# apply embedding matrix into an Embedding layer
# trainable=False to prevent the weights from being updated during training
embedding_layer = Embedding(len(word_index) + 1,
                            EMBEDDING_DIM,
                            weights=[embedding_matrix],
                            input_length=MAX_SEQUENCE_LENGTH,
                            trainable=False)

训练一维CNN

sequence_input = Input(shape=(MAX_SEQUENCE_LENGTH,), dtype='int32')
embedded_sequences = embedding_layer(sequence_input)

x = Conv1D(128, 5, activation='relu')(embedded_sequences)   
print("x shape = ", x)

x = MaxPooling1D(5)(x)  
print("x shape = ", x)
        
x = Conv1D(128, 5, activation='relu')(x)
print("x shape = ", x)
    
#-----This line below produced error-----
x = MaxPooling1D(5)(x) #Error this line
#-----This line above produced error-----
        
print("x shape = ", x)

x = Conv1D(128, 5, activation='relu')(x)
print("x shape = ", x)
    
x = MaxPooling1D(35)(x)  # global max pooling
print("x shape = ", x)
    
x = Flatten()(x)
x = Dense(128, activation='relu')(x)
    
preds = Dense(len(labels_index), activation='softmax')(x)
model = Model(sequence_input, preds)
model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['acc'])
    
# Learning
model.fit(X_train, y_train, validation_data=(X_val, y_val),
          epochs=2, batch_size=128)

我的想法

1) 手套输入是否存在一些问题/问题？

2）Conv1D：

• 将“kernel_size”从 5 更改为新值。

3）MaxPooling1D：

• 将 pool_size 从 5 更改为新值。
• 指定其他参数：步幅、填充等。

4) 我目前在 tensorflow 2.20 和 python 3.6 上使用 keras

• 我需要升级 tensorflow 和 python 吗？

但是，我想不出更好的方法。 我可以有你的建议吗？

Answer 1

我想到了两件事：你的最大池化层每次都在减少下一个卷积层的输入大小，最终大小太小而无法运行另一个最大池化操作。 尝试跑步

 tf.print(model.summary) 

在每次最大池化操作之后，你会很快发现你的张量不能进一步减少。 然后，您可以考虑在最大池化层中使用不同的pool_size 。

我注意到的第二件事（我不确定它是否是故意的），但是MaxPooling1D != Global Max Pooling 。 Keras 支持这两种操作。 看看文档。

附带说明一下，使用 CNN 进行句子分类在 Yoon Kim 的工作中得到了广泛推广。 在他的工作中，他表明全局最大池化操作比句子分类中的跨步最大池化操作执行得更好（当使用词嵌入时，就像你正在做的那样）。