读者可以加QQ群解决此篇文章复现遇到的问题，群号：854685350
在这篇文章基础上的第2个版本，准确率达95%，占用内存低。
github链接：https://github.com/StevenLei2017/AI_projects
2018年10月14日笔记

tensorflow是谷歌google的深度学习框架，tensor中文叫做张量，flow叫做流。
CNN是convolutional neural network的简称，中文叫做卷积神经网络。
文本分类是NLP（自然语言处理）的经典任务。
项目成果如下图所示：

image.png

0.编程环境

操作系统：Windows10
python版本：3.6
集成开发环境：jupyter notebook
tensorflow版本：1.6

1.致谢声明

本文学习gaussic的github工程《使用卷积神经网络以及循环神经网络进行中文文本分类》并做代码复现，感激gaussic前辈；
github链接：https://github.com/gaussic/text-classification-cnn-rnn

2.配置环境

使用卷积神经网络模型要求有较高的机器配置，如果使用CPU版tensorflow会花费大量时间。
读者在有nvidia显卡的情况下，安装GPU版tensorflow会提高计算速度50倍。
安装教程链接：https://blog.csdn.net/qq_36556893/article/details/79433298
如果没有nvidia显卡，但有visa信用卡，请阅读我的另一篇文章《在谷歌云服务器上搭建深度学习平台》，链接：https://www.jianshu.com/p/893d622d1b5a

3.下载并解压数据集

两种下载方式效果相同：
1.官方数据集下载链接: http://thuctc.thunlp.org/message
2.百度云盘下载链接: https://pan.baidu.com/s/1OC2uMoVHAWtX4mfOv6urCg 提取码: qphu
数据集大小：1.45GB
样本数量：80多万
数据集详情链接：http://thuctc.thunlp.org
压缩文件THUCNews.zip选择解压到当前文件夹，如下图所示。

image.png

image.png

image.png

image.png

4.获取数据

在文件夹THUCNews的上一级目录打开cmd，如下图所示，即在路径处输入cmd并按Enter键运行：

image.png

4.1 获取文本文件路径

import os

def getFilePathList(rootDirPath):
    filePath_list = []
    for walk in os.walk(rootDirPath):
        part_filePath_list = [os.path.join(walk[0], file) for file in walk[2]]
        filePath_list.extend(part_filePath_list)
    return filePath_list
filePath_list = getFilePathList('THUCNews')
len(filePath_list)

上面一段代码的运行结果如下：

836062

从上面的运行结果可以看出，文件路径列表中共有836062个元素，即在THUCNews文件夹中总共有836062个文本文件。

4.2 获取所有样本标签

Windows和Linux系统路径字符串的间隔符有区别，本文作者是Windows系统。

label_list = []
for filePath in filePath_list:
    label = filePath.split('\\')[1]
    label_list.append(label)
len(label_list)

上面一段代码的运行结果如下：

836062

所有样本标签的值汇总成一个列表，赋值给标签列表label_list。
从上面的运行结果可以看出，标签列表中共有836062个元素。

4.3 标签统计计数

import pandas as pd

pd.value_counts(label_list)

上面一段代码的运行结果如下图所示：

image.png

4.4 调用pickle库保存label_list

import pickle

with open('label_list.pickle', 'wb') as file:
    pickle.dump(label_list, file)

4.5 获取所有样本内容、保存content_list

import time
import pickle
import re

def getFile(filePath):
    with open(filePath, encoding='utf8') as file:
        fileStr = ''.join(file.readlines(1000))
    return fileStr

interval = 20000
n_samples = len(label_list)
startTime = time.time()
directory_name = 'content_list'
if not os.path.isdir(directory_name):
    os.mkdir(directory_name)
for i in range(0, n_samples, interval):
    startIndex = i
    endIndex = i + interval
    content_list = []
    print('%06d-%06d start' %(startIndex, endIndex))
    for filePath in filePath_list[startIndex:endIndex]:
        fileStr = getFile(filePath)
        content = re.sub('\s+', ' ', fileStr)
        content_list.append(content)
    save_fileName = directory_name + '/%06d-%06d.pickle' %(startIndex, endIndex)
    with open(save_fileName, 'wb') as file:
        pickle.dump(content_list, file)
    used_time = time.time() - startTime
    print('%06d-%06d used time: %.2f seconds' %(startIndex, endIndex, used_time))

pickle库的dump方法可以将python中对象持久化为二进制文件，二进制文件的加载速度非常快。
避免内存溢出，每读取一定数量的文件就利用pickle库的dump方法保存。
因为有80多万个文本文件，读取时间较长。
本文作者使用的是固态硬盘，所以读取速度可以达到170M/s左右，如果是机械硬盘，可能只有80M/s左右。

image.png

000000-020000 start
000000-020000 used time: 8.50 seconds
020000-040000 start
020000-040000 used time: 20.80 seconds
040000-060000 start
040000-060000 used time: 35.67 seconds
060000-080000 start
060000-080000 used time: 50.78 seconds
080000-100000 start
080000-100000 used time: 65.15 seconds

5.加载数据

本文前面的第3章下载并解压数据集、第4章获取数据记录了拿到原始数据的处理过程。
处理过程比较耗费时间，本文作者将前2章的处理结果上传到网盘中，即给读者提供复现此项目的捷径。
百度云盘下载链接: https://pan.baidu.com/s/1BB4LFt71MK0XQ24lMTTQxg 提取码: k9hy
pickle格式文件是二进制文件，加载速度是文本文件的50倍以上。
压缩文件清华新闻分类已处理数据.zip，解压时选择解压到当前文件夹。
请务必确保content_list文件夹、label_list文件、代码文件这3者处于相同路径，代码才能运行成功。

import time
import pickle
import os

def getFilePathList(rootDir):
    filePath_list = []
    for walk in os.walk(rootDir):
        part_filePath_list = [os.path.join(walk[0], file) for file in walk[2]]
        filePath_list.extend(part_filePath_list)
    return filePath_list

startTime = time.time()
contentListPath_list = getFilePathList('content_list')
content_list = []
for filePath in contentListPath_list:
    with open(filePath, 'rb') as file:
        part_content_list = pickle.load(file)
    content_list.extend(part_content_list)
with open('label_list.pickle', 'rb') as file:
    label_list = pickle.load(file)
used_time = time.time() - startTime
print('used time: %.2f seconds' %used_time)
sample_size = len(content_list)
print('length of content_list，also called sample size: %d' %sample_size)

上面一段代码的运行结果如下：

used time: 8.36 seconds
length of content_list，also called sample size: 836062

6.词汇表

6.1 制作词汇表

内容列表content_list中的元素是每篇文章内容，数据类型为字符串。
对所有文章内容中的字做统计计数，出现次数排名前10000的字赋值给变量vocabulary_list。

from collections import Counter 
def getVocabularyList(content_list, vocabulary_size):
    allContent_str = ''.join(content_list)
    counter = Counter(allContent_str)
    vocabulary_list = [k[0] for k in counter.most_common(vocabulary_size)]
    return ['PAD'] + vocabulary_list
startTime = time.time()
vocabulary_list = getVocabularyList(content_list, 10000)
used_time = time.time() - startTime
print('used time: %.2f seconds' %used_time)

上面一段代码的运行结果如下：

used time: 97.52 seconds

6.2 保存词汇表

import pickle 

with open('vocabulary_list.pickle', 'wb') as file:
    pickle.dump(vocabulary_list, file)

6.3 加载词汇表

每次制作词汇表都得花费90秒，即1.5分钟左右。
完成制作词汇表后，将其保存，之后再运行代码则直接加载保存的词汇表，节省了复制作词汇表花费的时间。

import pickle

with open('vocabulary_list.pickle', 'rb') as file:
    vocabulary_list = pickle.load(file)

7.数据准备

读者阅读下文中的行数时，可以先把代码复制到jupyter notebook的代码块中。
在代码块中按Esc键，进入命令模式，代码块左边的竖线会显示蓝色，如下图所示：

image.png

image.png

import time
startTime = time.time()
from sklearn.model_selection import train_test_split
train_X, test_X, train_y, test_y = train_test_split(content_list, label_list)
train_content_list = train_X
train_label_list = train_y
test_content_list = test_X
test_label_list = test_y
used_time = time.time() - startTime
print('train_test_split used time : %.2f seconds' %used_time)
vocabulary_size = 10000  # 词汇表达小
sequence_length = 600  # 序列长度
embedding_size = 64  # 词向量维度
num_filters = 256  # 卷积核数目
filter_size = 5  # 卷积核尺寸
num_fc_units = 128  # 全连接层神经元
dropout_keep_probability = 0.5  # dropout保留比例
learning_rate = 1e-3  # 学习率
batch_size = 64  # 每批训练大小
word2id_dict = dict([(b, a) for a, b in enumerate(vocabulary_list)])
content2idList = lambda content : [word2id_dict[word] for word in content if word in word2id_dict]
train_idList_list = [content2idList(content) for content in train_content_list]
used_time = time.time() - startTime
print('content2idList used time : %.2f seconds' %used_time)
import numpy as np
num_classes = np.unique(label_list).shape[0]
import tensorflow.contrib.keras as kr
train_X = kr.preprocessing.sequence.pad_sequences(train_idList_list, sequence_length)
from sklearn.preprocessing import LabelEncoder
labelEncoder = LabelEncoder()
train_y = labelEncoder.fit_transform(train_label_list)
train_Y = kr.utils.to_categorical(train_y, num_classes)
import tensorflow as tf
tf.reset_default_graph()
X_holder = tf.placeholder(tf.int32, [None, sequence_length])
Y_holder = tf.placeholder(tf.float32, [None, num_classes])
used_time = time.time() - startTime
print('data preparation used time : %.2f seconds' %used_time)

上面一段代码的运行结果如下：

train_test_split used time : 0.61 seconds
content2idList used time : 121.08 seconds
data preparation used time : 175.48 seconds

代码进行到此步，python进程占用6个多G内存，如下图所示。
所以此项目需要较高的机器配置，如果读者的电脑内存不足可以通过下面2种方法解决：
1.购买内存条提高机器配置，本文作者建议使用此方式，省心省力。
2.将阶段性结果保存在本地，重启python，读取阶段性结果。
3.不一次性处理全部样本，样本分批处理好之后再汇总。

image.png

8.搭建神经网络

第1-2行代码调用tf库的get_variable方法实例化可以更新的模型参数embedding，矩阵形状为vocab_size*embedding_size，即5000*64；
第3-4行代码调用tf.nn库的embedding_lookup方法将输入数据做词嵌入，得到新变量embedding_inputs的形状为batch_size*sequence_length*embedding_size，即64*600*64；
理解word2vec原理，推荐阅读文章链接：https://www.jianshu.com/p/471d9bfbd72f
第5-7行代码调用tf.layers.conv1d方法，方法需要3个参数，第1个参数是输入数据，第2个参数是卷积核数量num_filters，第3个参数是卷积核大小filter_size。方法结果赋值给变量conv，形状为batch_size*596*num_filters，596是600-5+1的结果；
第8-9行代码调用tf.reduce_max方法对变量conv的第1个维度做求最大值操作。方法结果赋值给变量max_pooling，形状为batch_size*num_filters，即64*256；
第10-11行代码添加全连接层，tf.layers.dense方法结果赋值给变量full_connect，形状为batch_size*num_fc_units，即64*128；
第12-13行代码调用tf.contrib.layers.dropout方法，方法需要2个参数，第1个参数是输入数据，第2个参数是保留比例；
第14行代码调用tf.nn.relu方法，即激活函数；
第15-16行代码添加全连接层，tf.layers.dense方法结果赋值给变量softmax_before，形状为batch_size*num_classes，即64*14；
第17行代码调用tf.nn.softmax方法，方法结果是预测概率值；
第18-20行代码使用交叉熵作为损失函数；
第21行代码调用tf.train.AdamOptimizer方法定义优化器optimizer；
第22行代码调用优化器对象的minimize方法，即最小化损失；
第23-24行代码计算预测准确率；

embedding = tf.get_variable('embedding', 
                            [vocabulary_size, embedding_size])
embedding_inputs = tf.nn.embedding_lookup(embedding,
                                          X_holder)
conv = tf.layers.conv1d(embedding_inputs,
                        num_filters,
                        filter_size)
max_pooling = tf.reduce_max(conv, 
                            [1])
full_connect = tf.layers.dense(max_pooling,
                               num_fc_units)
full_connect_dropout = tf.contrib.layers.dropout(full_connect, 
                                                 keep_prob=dropout_keep_probability)
full_connect_activate = tf.nn.relu(full_connect_dropout)
softmax_before = tf.layers.dense(full_connect_activate,
                                 num_classes)
predict_Y = tf.nn.softmax(softmax_before)
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(labels=Y_holder,
                                                           logits=softmax_before)
loss = tf.reduce_mean(cross_entropy)
optimizer = tf.train.AdamOptimizer(learning_rate)
train = optimizer.minimize(loss)
isCorrect = tf.equal(tf.argmax(Y_holder, 1), tf.argmax(predict_Y, 1))
accuracy = tf.reduce_mean(tf.cast(isCorrect, tf.float32))

9.参数初始化

对于神经网络模型，重要是其中的参数。
开始神经网络模型训练之前，需要做参数初始化。
第1行代码调用tf.global_variables_initializer实例化tensorflow中的Operation对象。

image.png

第2行代码调用tf.Session方法实例化会话对象；
第3行代码调用tf.Session对象的run方法做变量初始化。

init = tf.global_variables_initializer()
session = tf.Session()
session.run(init)

10.模型训练

第1-4行代码获取测试集中的数据；
第5行代码导入random库；
第6行表示模型迭代训练20000次；
第7-9行代码从训练集中选取batch_size大小，即64个样本做批量梯度下降；
第10行代码每运行1次，表示模型训练1次；
第11行代码记录当前步数，赋值给变量step；
第12行代码表示每间隔100步打印；
第13-15行代码从测试集中随机选取200个样本；
第16行代码表示计算损失值loss_value、准确率accuracy_value；
第17行代码表示打印步数step、损失值loss_value、准确率accuracy_value。

test_idList_list = [content2idList(content) for content in test_content_list]
test_X = kr.preprocessing.sequence.pad_sequences(test_idList_list, sequence_length)
test_y = labelEncoder.transform(test_label_list)
test_Y = kr.utils.to_categorical(test_y, num_classes)
import random
for i in range(20000):
    selected_index = random.sample(list(range(len(train_y))), k=batch_size)
    batch_X = train_X[selected_index]
    batch_Y = train_Y[selected_index]
    session.run(train, {X_holder:batch_X, Y_holder:batch_Y})
    step = i + 1 
    if step % 100 == 0:
        selected_index = random.sample(list(range(len(test_y))), k=200)
        batch_X = test_X[selected_index]
        batch_Y = test_Y[selected_index]
        loss_value, accuracy_value = session.run([loss, accuracy], {X_holder:batch_X, Y_holder:batch_Y})
        print('step:%d loss:%.4f accuracy:%.4f' %(step, loss_value, accuracy_value))

上面一段代码的运行结果如下，为了节省文章篇幅，只打印前1000次迭代：

step:100 loss:1.5357 accuracy:0.4900
step:200 loss:1.0189 accuracy:0.7000
step:300 loss:0.7720 accuracy:0.7850
step:400 loss:0.6589 accuracy:0.8000
step:500 loss:0.4987 accuracy:0.8300
step:600 loss:0.5863 accuracy:0.8100
step:700 loss:0.5242 accuracy:0.8350
step:800 loss:0.3541 accuracy:0.9000
step:900 loss:0.5004 accuracy:0.8700
step:1000 loss:0.3152 accuracy:0.9050

代码进行到此步，python进程占用9个多G内存，如下图所示：

image.png

11.模型测试

import warnings
warnings.filterwarnings("ignore")
def predict(input_content):
    #idList的数据类型必须是列表list，
    #否则调用kr.preprocessing.sequence.pad_sequences方法会报错
    idList = [content2idList(input_content)]
    X = kr.preprocessing.sequence.pad_sequences(idList, sequence_length)
    Y = session.run(predict_Y, {X_holder:X})
    y = np.argmax(Y, axis=1)
    label = labelEncoder.inverse_transform(y)[0]
    return label

selected_index = random.sample(range(len(test_content_list)), k=1)[0]
selected_sample = test_content_list[selected_index]
true_label = test_label_list[selected_index]
predict_label = predict(selected_sample)
print('selected_sample :', selected_sample)
print('true_label :', true_label)
print('predict_label :', predict_label, '\n')
print('predict whatever you want, for example:')
input_content = "足球篮球"
print('predict("%s") :' %input_content, predict(input_content))

上面一段代码的运行结果如下图所示：

selected_sample : 最热入门单反 佳能550D套机有礼出售 佳能550D作为去年发布的入门级单反相机，是一款APS-C规格单反数码相机，其高精细的成像性能、高性能的静止图像拍摄以及舒适可靠的操控性，一经发布就让550D获得消费者的青睐。笔者从英图数码了解到佳能EOS 550D套机（18-55mm）售价4300元，并附送4GB存储卡一张，有兴趣的朋友可以关注一下。
true_label : 科技
predict_label : 科技

predict whatever you want, for example:
predict("足球篮球") : 彩票

12.混淆矩阵

此段代码主要是调用sklearn.metrics库的confusion_matrix方法得出混淆矩阵。

import numpy as np
import pandas as pd
from sklearn.metrics import confusion_matrix

def predictAll(test_X, batch_size=100):
    predict_value_list = []
    for i in range(0, len(test_X), batch_size):
        selected_X = test_X[i: i + batch_size]
        predict_value = session.run(predict_Y, {X_holder:selected_X})
        predict_value_list.extend(predict_value)
    return np.array(predict_value_list)

Y = predictAll(test_X)
y = np.argmax(Y, axis=1)
predict_label_list = labelEncoder.inverse_transform(y)
pd.DataFrame(confusion_matrix(test_label_list, predict_label_list), 
             columns=labelEncoder.classes_,
             index=labelEncoder.classes_ )

上面一段代码的运行结果如下图所示：

image.png

13.报告表

此段代码主要是调用sklearn.metrics库的precision_recall_fscore_support方法得出报告表。

import numpy as np
from sklearn.metrics import precision_recall_fscore_support

def eval_model(y_true, y_pred, labels):
    # 计算每个分类的Precision, Recall, f1, support
    p, r, f1, s = precision_recall_fscore_support(y_true, y_pred)
    # 计算总体的平均Precision, Recall, f1, support
    tot_p = np.average(p, weights=s)
    tot_r = np.average(r, weights=s)
    tot_f1 = np.average(f1, weights=s)
    tot_s = np.sum(s)
    res1 = pd.DataFrame({
        u'Label': labels,
        u'Precision': p,
        u'Recall': r,
        u'F1': f1,
        u'Support': s
    })
    res2 = pd.DataFrame({
        u'Label': ['总体'],
        u'Precision': [tot_p],
        u'Recall': [tot_r],
        u'F1': [tot_f1],
        u'Support': [tot_s]
    })
    res2.index = [999]
    res = pd.concat([res1, res2])
    return res[['Label', 'Precision', 'Recall', 'F1', 'Support']]

eval_model(test_label_list, predict_label_list, labelEncoder.classes_)

上面一段代码的运行结果如下图所示：

image.png

14.总结

1.本文是作者第8个NLP项目，数据共有80多万条。
2.分类模型的评估指标F1score为0.93左右，总体来说这个分类模型比较优秀，能够投入实际应用。
3.因为本项目工程量较大和运行时间较久，有较好的效果时，本文作者就抓紧记录，所以文章有很多不完善的地方。后续优化工作可以从解决样本不均衡问题开展，使用下采样或下采样方法。