使用Tensorflow构建一个性能超差的word2vec

已经有了性能超好的word2vec,为什么还要搞一个性能超差的word2vec?可以帮助了解原理啊,哈哈哈
装好tensorflow之后,想学一下word2vec,结果,源码下下来,一点运行,开始跑了,然而并不知道原理。
看下源码吧,数据生成什么的都还好,输入输出的话,有点晕,loss函数的话,直接调了个现成的函数,我去,这根本学不到原理嘛!
如果你也是初学神经网络的菜鸟,也有上述这种感觉,那就看下这篇文章吧,是我的一点小心得。
如果你是大神,愿意花时间对文章进行批评指正,那是很欢迎的。如果想从文章中获取新的东西,估计就得失望了。
首先是对word2vec的原理(只针对:https://github.com/tensorflow/tensorflow/blob/r1.2/tensorflow/examples/tutorials/word2vec/word2vec_basic.py的实现)的一个直觉层面的理解:
word2vec第一步随机生成每个单词的embedding,存到一个变量池里。如果你的词汇表长度是vocabulary_size(也就是你一共就研究这么几个单词,别的单词都归到unknown), 而对每个单词,你想用embedding_size维的向量来表示的话,那这个变量池自然是一个有vocabulary_size行,embedding_size列的矩阵啦。
然后就是给每个单词打标签,如果是Skip-gram Model的话,单词w的标签,就是出现在它前面的(紧挨着)单词(的词汇表id),或者是出现在他后面的单词。对,一个单词会有两个标签(参数不一样的话,label还会更多)。也就是一张图片既是猫,又是狗。似乎有点矛盾,但计算机会用数学的方法消化掉这种矛盾。
现在输入,输出,就明了了,输入是一个单词对应的embedding变量池中相应的一行,输出是它对应的label(label不止一个的话,就多次输入输出)。
如果你的embedding_size是128的话,那你的模型按理说应该是128进1出的一个模型。
但是,跟识别数字一样,对于输出,你不能用0表示0,用1表示1,
你得用【1,0,0,...】这个onehot的向量表示0,1的话类似
所以,你的输出不是1维的,而是你要分几类就是几维的。数字识别是分10类,所以y是10维的,word2vec要分的类和你的词汇表数量一样多,所以y是vocabulary_size维(以5000为例)的(onehot形式)。
恩,你就是要训练一个128进5000出的分类器。在不断训练的过程中,通过梯度下降,不仅更新分类器的参数,还要更新embedding变量池中的每一个数。训练结束后,我们反而并不太关心这个分类器,而是更希望得到性能更好的embedding变量池。
所以代码的话:

'''
Created on 2017-6-19

@author: Administrator
'''
import collections
import math
import os

import numpy as np

import tensorflow as tf
import random

path="E:\\NLPdata\\"

filename = "text8"

with open(path+filename) as f:
    data=tf.compat.as_str(f.read()).split()

words=data
print("data size:"+str(len(words)))

vocabulary_size=5000

count=[['UNK',-1]]

count.extend(collections.Counter(words).most_common(vocabulary_size - 1))
print(count[:5])

dictionary = dict()

for word,_ in count:
    dictionary[word]=len(dictionary)
data=list()

unk_count=0

for word in words:
    if word in dictionary:
        index=dictionary[word]
    else:
        index=0
        unk_count+=1
    data.append(index)
count[0][1]=unk_count

reverse_dictionary = dict(zip(dictionary.values(), dictionary.keys()))
print('Most common words (+UNK)', count[:5])
print('Sample data', data[:10], [reverse_dictionary[i] for i in data[:10]])

data_index = 0

def one_hot(index,ds):
    oh=np.zeros(ds)
    oh[index]=1
    return oh

def generate_batch(batch_size, num_skips, skip_window):
    global data_index
    assert batch_size % num_skips == 0
    assert num_skips <= 2 * skip_window
    batch = np.ndarray(shape=(batch_size), dtype=np.int32)
    labels = np.ndarray(shape=(batch_size, vocabulary_size), dtype=np.int32)
    span = 2 * skip_window + 1 # [ skip_window target skip_window ]
    buffer = collections.deque(maxlen=span)
    for _ in range(span):
        buffer.append(data[data_index])
        data_index = (data_index + 1) % len(data)
    for i in range(batch_size // num_skips):
        target = skip_window  # target label at the center of the buffer
        targets_to_avoid = [ skip_window ]
        for j in range(num_skips):
            while target in targets_to_avoid:
                target = random.randint(0, span - 1)
            targets_to_avoid.append(target)
            batch[i * num_skips + j] = buffer[skip_window]
            labels[i * num_skips + j] = one_hot(buffer[target],vocabulary_size)
        buffer.append(data[data_index])
        data_index = (data_index + 1) % len(data)
    return batch, labels

print('data:', [reverse_dictionary[di] for di in data[:8]])

for num_skips, skip_window in [(2, 1), (4, 2)]:
    data_index = 0
    batch, labels = generate_batch(batch_size=8, num_skips=num_skips, skip_window=skip_window)
    print('\nwith num_skips = %d and skip_window = %d:' % (num_skips, skip_window))
    print('    batch:', [reverse_dictionary[bi] for bi in batch])
    print('    labels:',labels)



# batch_size = 128
batch_size = 128
embedding_size = 128 # Dimension of the embedding vector.
skip_window = 1 # How many words to consider left and right.
num_skips = 2 # How many times to reuse an input to generate a label.
# We pick a random validation set to sample nearest neighbors. here we limit the
# validation samples to the words that have a low numeric ID, which by
# construction are also the most frequent. 
valid_size = 16 # Random set of words to evaluate similarity on.
valid_window = 100 # Only pick dev samples in the head of the distribution.
valid_examples = np.array(random.sample(range(valid_window), valid_size))

# num_sampled = 64 # Number of negative examples to sample.
 
graph = tf.Graph()

with graph.as_default(), tf.device('/cpu:0'):
    train_dataset = tf.placeholder(tf.int32, shape=[batch_size])
    train_labels = tf.placeholder(tf.float32, shape=[batch_size, vocabulary_size])
    valid_dataset = tf.constant(valid_examples, dtype=tf.int32)
    embeddings = tf.Variable(tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))
    #softmax_weights = tf.Variable(tf.truncated_normal([vocabulary_size, embedding_size], stddev=1.0 / math.sqrt(embedding_size)))
    #softmax_biases = tf.Variable(tf.zeros([vocabulary_size]))
    W = tf.Variable(tf.zeros([embedding_size, vocabulary_size]))
    b = tf.Variable(tf.zeros([vocabulary_size]))
    embed = tf.nn.embedding_lookup(embeddings, train_dataset)
    y=tf.nn.softmax(tf.matmul(embed,W)+b)
    loss = tf.reduce_mean(-tf.reduce_sum(train_labels * tf.log(y), reduction_indices=[1]))
    optimizer = tf.train.AdagradOptimizer(1.0).minimize(loss)
    norm = tf.sqrt(tf.reduce_sum(tf.square(embeddings), 1, keep_dims=True))
    normalized_embeddings = embeddings / norm
    valid_embeddings = tf.nn.embedding_lookup(normalized_embeddings, valid_dataset)
    similarity = tf.matmul(valid_embeddings, tf.transpose(normalized_embeddings))
 
num_steps = 100001
 
with tf.Session(graph=graph) as session:
    tf.global_variables_initializer().run()
    print('Initialized')
    average_loss = 0
    for step in range(num_steps):
        batch_data, batch_labels = generate_batch(
                                                  batch_size, num_skips, skip_window)
        feed_dict = {train_dataset : batch_data, train_labels : batch_labels}
        _, l = session.run([optimizer, loss], feed_dict=feed_dict)
        average_loss += l
        if step % 2000 == 0:
            if step > 0:
                average_loss = average_loss / 2000
            # The average loss is an estimate of the loss over the last 2000 batches.
            print('Average loss at step %d: %f' % (step, average_loss))
            average_loss = 0
        # note that this is expensive (~20% slowdown if computed every 500 steps)
        if step % 10000 == 0:
            sim = similarity.eval()
            for i in range(valid_size):
                valid_word = reverse_dictionary[valid_examples[i]]
                top_k = 8 # number of nearest neighbors
                nearest = (-sim[i, :]).argsort()[1:top_k+1]
                log = 'Nearest to %s:' % valid_word
                for k in range(top_k):
                    close_word = reverse_dictionary[nearest[k]]
                    log = '%s %s,' % (log, close_word)
                print(log)
    final_embeddings = normalized_embeddings.eval()

其实就是基于原来的代码改的,主要改动包括,
把词汇表降到5000,降低y的维度
label直接变成one-hot
把训练模型直接改成softmax分类器,更容易看懂,
loss函数就是之前的交叉熵,是不是很亲切,

这段代码训练慢,效果一般,但还是有一定效果。不过它说明了word2vec就是个分类器的本质,对理解原理有帮助。

事实上,这里实现的就是官方文档里,说的那个因为效果差被对比的方法(下图)。哈哈,就是这样。不过我们实现了这个的基础上,理解了原理,再去亲手实现NCE(而不是直接调函数),岂不是对NCE掌握的更好了?

Paste_Image.png

希望对大家有用

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,907评论 6 506
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,987评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,298评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,586评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,633评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,488评论 1 302
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,275评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,176评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,619评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,819评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,932评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,655评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,265评论 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,871评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,994评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,095评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,884评论 2 354

推荐阅读更多精彩内容