字符级RNN分类！🌞

使用字符级RNN对名称进行分类

1.准备数据

from io import open
import glob
import os

def findFiles(path): return glob.glob(path)

print(findFiles('data/names/*.txt'))

import unicodedata
import string

all_letters = string.ascii_letters + " .,;'"
n_letters = len(all_letters)

# Turn a Unicode string to plain ASCII, thanks to https://stackoverflow.com/a/518232/2809427
def unicodeToAscii(s):
    return ''.join(
        c for c in unicodedata.normalize('NFD', s)
        if unicodedata.category(c) != 'Mn'
        and c in all_letters
    )

print(unicodeToAscii('Ślusàrski'))

# Build the category_lines dictionary, a list of names per language
category_lines = {}
all_categories = []

# Read a file and split into lines
def readLines(filename):
    lines = open(filename, encoding='utf-8').read().strip().split('\n')
    return [unicodeToAscii(line) for line in lines]

for filename in findFiles('data/names/*.txt'):
    category = os.path.splitext(os.path.basename(filename))[0]
    all_categories.append(category)
    lines = readLines(filename)
    category_lines[category] = lines

n_categories = len(all_categories)

tips：

2.将名称转换为张量

import torch

# Find letter index from all_letters, e.g. "a" = 0
def letterToIndex(letter):
    return all_letters.find(letter)

# Just for demonstration, turn a letter into a <1 x n_letters> Tensor
def letterToTensor(letter):
    tensor = torch.zeros(1, n_letters)
    tensor[0][letterToIndex(letter)] = 1
    return tensor

# Turn a line into a <line_length x 1 x n_letters>,
# or an array of one-hot letter vectors
def lineToTensor(line):
    tensor = torch.zeros(len(line), 1, n_letters)
    for li, letter in enumerate(line):
        tensor[li][0][letterToIndex(letter)] = 1
    return tensor

print(letterToTensor('J'))

print(lineToTensor('Jones').size())

tips：

这一步构建了两个方法，letterToTensor将单个字符转换为了一个二维张量，lineToTensor将一个单词转换为了三维张量，其中torch.zeros(len(line), 1, n_letters)中的1是因为 PyTorch 假设一切都是批量的 - 我们在这里只使用批处理大小 1。

3.创建网络

import torch.nn as nn

class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()

        self.hidden_size = hidden_size

        self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
        self.h2o = nn.Linear(hidden_size, output_size)
        self.softmax = nn.LogSoftmax(dim=1)

    def forward(self, input, hidden):
        combined = torch.cat((input, hidden), 1)
        hidden = self.i2h(combined)
        output = self.h2o(hidden)
        output = self.softmax(output)
        return output, hidden

    def initHidden(self):
        return torch.zeros(1, self.hidden_size)

n_hidden = 128
rnn = RNN(n_letters, n_hidden, n_categories)

tips：

该网络首先将输入层和隐藏层结合，然后通过线性层输出一个1*128的隐藏层，再将该层通过一个线性层转换为输出层，经过激活函数后输出。

为了运行这个网络的一个步骤，我们需要传递一个输入（在我们的例子中，是当前字母的张量）和一个之前的隐藏状态（我们首先将其初始化为零）。我们将返回输出（每种语言的概率）和下一个隐藏状态（我们保留该状态以备下一步使用）。

input = letterToTensor('A')
hidden = torch.zeros(1, n_hidden)

output, next_hidden = rnn(input, hidden)

为了提高效率，我们不想为每一步都创建一个新的 Tensor，所以我们将使用 lineToTensor slices 而不是 letterToTensor slices。这可以通过预先计算 Tensor 的批次来进一步优化。

input = lineToTensor('Albert')
hidden = torch.zeros(1, n_hidden)

output, next_hidden = rnn(input[0], hidden)
print(output)

4.训练

在开始训练之前，我们应该做一些辅助功能。首先是解释网络的输出，我们知道这是每个类别的可能性。我们可以用来 Tensor.topk 获取最大值的索引：

def categoryFromOutput(output):
    top_n, top_i = output.topk(1)
    category_i = top_i[0].item()
    return all_categories[category_i], category_i

print(categoryFromOutput(output))

tips：

topk返回值和索引。

我们还想要一种快速获取训练示例（名称及其语言）的方法：

import random

def randomChoice(l):
    return l[random.randint(0, len(l) - 1)]

def randomTrainingExample():
    category = randomChoice(all_categories)
    line = randomChoice(category_lines[category])
    category_tensor = torch.tensor([all_categories.index(category)], dtype=torch.long)
    line_tensor = lineToTensor(line)
    return category, line, category_tensor, line_tensor

for i in range(10):
    category, line, category_tensor, line_tensor = randomTrainingExample()
    print('category =', category, '/ line =', line)

对于损失函数 nn.NLLLoss 是合适的，因为 RNN 的最后一层是 nn.LogSoftmax 。

criterion = nn.NLLLoss()

learning_rate = 0.005 # If you set this too high, it might explode. If too low, it might not learn

def train(category_tensor, line_tensor):
    hidden = rnn.initHidden()

    rnn.zero_grad()

    for i in range(line_tensor.size()[0]):
        output, hidden = rnn(line_tensor[i], hidden)

    loss = criterion(output, category_tensor)
    loss.backward()

    # Add parameters' gradients to their values, multiplied by learning rate
    for p in rnn.parameters():
        p.data.add_(p.grad.data, alpha=-learning_rate)

    return output, loss.item()

tips:

rnn.zero_grad()：在每个训练步骤之前清零模型参数的梯度。

p.data.add_(p.grad.data, alpha=-learning_rate)：这行代码是针对循环神经网络（RNN）模型中的参数进行梯度下降更新的一种常见方式。

1. for p in rnn.parameters():：这个循环遍历了RNN模型中的所有参数。在PyTorch中，通过 parameters() 方法可以获取模型中所有需要进行学习的参数。

2. p.data.add_(p.grad.data, alpha=-learning_rate)：这行代码是对每个参数进行更新的核心部分。让我们分解它：

   • p.data：表示参数 p 的数据值。
   • p.grad.data：表示参数 p 的梯度值。
   • alpha=-learning_rate：表示更新的步长，即学习率的负数。

   实际上，这行代码执行了以下操作：

   • 首先，它获取了参数 p 的数据值 p.data。
   • 然后，它将参数的梯度值 p.grad.data 乘以学习率的负数 -learning_rate。
   • 最后，它将这个乘以后的梯度值添加到参数的数据值中，实现了参数的更新。

这个过程基本上是梯度下降法的一步，其中学习率 learning_rate 控制着参数更新的步长。通常，这行代码会在优化器（如随机梯度下降优化器或Adam优化器）中的参数更新步骤中被使用。

值得注意的是，这种方式在更新参数时直接修改了参数的数据值，而没有通过优化器对象来处理。因此，在使用这种方式时需要手动设置学习率、考虑动量等优化技巧。一般情况下，更推荐使用PyTorch提供的优化器，例如 torch.optim.SGD 或 torch.optim.Adam，这些优化器会自动管理参数更新的细节。

import time
import math

n_iters = 100000
print_every = 5000
plot_every = 1000



# Keep track of losses for plotting
current_loss = 0
all_losses = []

def timeSince(since):
    now = time.time()
    s = now - since
    m = math.floor(s / 60)
    s -= m * 60
    return '%dm %ds' % (m, s)

start = time.time()

for iter in range(1, n_iters + 1):
    category, line, category_tensor, line_tensor = randomTrainingExample()
    output, loss = train(category_tensor, line_tensor)
    current_loss += loss

    # Print ``iter`` number, loss, name and guess
    if iter % print_every == 0:
        guess, guess_i = categoryFromOutput(output)
        correct = '✓' if guess == category else '✗ (%s)' % category
        print('%d %d%% (%s) %.4f %s / %s %s' % (iter, iter / n_iters * 100, timeSince(start), loss, line, guess, correct))

    # Add current loss avg to list of losses
    if iter % plot_every == 0:
        all_losses.append(current_loss / plot_every)
        current_loss = 0