Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/songyingxin/TextClassification
Pytorch + NLP, 一份友好的项目实践仓库
https://github.com/songyingxin/TextClassification
Last synced: 3 months ago
JSON representation
Pytorch + NLP, 一份友好的项目实践仓库
- Host: GitHub
- URL: https://github.com/songyingxin/TextClassification
- Owner: songyingxin
- License: other
- Created: 2019-04-12T12:53:11.000Z (over 5 years ago)
- Default Branch: master
- Last Pushed: 2019-07-30T08:54:02.000Z (over 5 years ago)
- Last Synced: 2024-05-08T00:39:26.099Z (6 months ago)
- Language: Python
- Homepage:
- Size: 2.56 MB
- Stars: 443
- Watchers: 7
- Forks: 94
- Open Issues: 6
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
- TCPapers - songyingxin / TextClassification - Pytorch + NLP, 一份友好的项目实践仓库 (Repository & Tool / Weakly-supervised & Semi-supervised Learning)
README
## Introduction
该仓库记录了我从 TensorFlow 转向 Pytorch 时做的小项目， 主要针对 NLP 初学者，分为三个难度：
- Easy 级别简单实现了一下常见基础模型：逻辑回归， 线性回归， 前馈神经网络， 卷积神经网络。
- Medium 级别针对NLP初学者，采用文本分类任务， 实现了一些经典模型，如TextCNN， TextRNN, LSTM+Attentioon, RCNN， Transformer 等。
- Hard 级别中最初想实现了一些阅读理解模型。 阅读理解模型的复杂度应该是NLP任务中最高的了，理解阅读理解领域对 NLP 的学习是很有帮助的。但考虑到我自己的另一个仓库 RACE-Models 实现了关于 RACE 数据集上的大多数模型，因此，觉得此处的意义不大，如果对阅读理解感兴趣或者觉得复杂模型没搞明白的，可以移步到我的另一个仓库。
本仓库主要实现Bert之前相关的模型，如果想看看 Bert 之后的相关实现，可以看看我其他仓库。
## Models
**对于模型，我大多都在[我的博客](https://www.zhihu.com/people/songyingxin/posts)内做了详细的介绍， 简单模型一笔略过， 复杂模型往往都单独独立一篇文章。**
最近，为了测试 `Highway Networks` 在连接词向量上的表现， 添加了通过 `Highway Networks` 融合 `char-level` 向量和 `word-level` 向量， 主要与之前的模型进行对比。
## Requirement
- python 3.6
- numpy
- pytorch = 1.0
- torchvision
- torchtext
- tqdm
- tensorboardx
## 数据集
本仓库分别采用三个数据集： Mnist 手写数字识别， SST-2情感分类，RACE阅读理解数据集。
- SST-2数据集来自[Glue](https://gluebenchmark.com/tasks)， 考虑到 SST-2 并没有给出测试集，因此我将训练集的2000多个样本划分出来形成测试集。
- RACE 数据集可以从 [RACE](http://www.qizhexie.com//data/RACE_leaderboard)下载。之所以不采用 squad 是后来考虑到 squad 太过繁琐，其实不易于理解，使用。已经将 **RACE** 这部分工作迁移至另一个仓库 [RACE-Models](https://github.com/songyingxin/RACE-Models) ,感兴趣的可以去看看。
不过，推荐从我的百度云下载，百度云连接为：
```
sst-2: 链接：https://pan.baidu.com/s/1ax9uCjdpOHDxhUhpdB0d_g 提取码：rxbi
```
## Easy
```
python RUN_mnist.py --model_name=LR or CNN or FNN
```
| Dataset | LR | FNN | CNN |
| ------------------ | ---- | ---- | ---- |
| Mnist 手写数字识别 | 92% | 98% | 99% |
## Medium-SST
**注意：** 由于这是实验性质的数据，因此没有死扣参数细节，主要专注于模型的实现。
### Train and Test
```
# word-level
python run_SST.py --do_train --epoch_num=10 # train and test
python run_SST.py # test
# char-level + word-level
python run_Highway_SST.py --do_train --epoch_num=10 # train and test
python run_Highway_SST.py # test
tensorboard --logdir=.log # 可视化分析
```
### Results
| model name | acc | F1 | loss |
| --------------------- | ------ | ----- | ----- |
| TextCNN | 92.53 | 92.5 | 0.195 |
| TextRNN | 92.13 | 92.4 | 0.207 |
| LSTM_ATT | 93.07 | 93.0 | 0.285 |
| TextRCNN | 94.06 | 94.0 | 0.165 |
| TextCNNHighway | 93.21 | 93.21 | 0.185 |
| TextRNNHighway | 92.03 | 92.03 | 0.199 |
| LSTMATTHighway | 93.02 | 93.01 | 0.278 |
| TextRCNNHighway | 93.266 | 93.37 | 0.167 |
### Analysis
由上表可以看出， 复杂模型要比简单模型表现好， 从 loss 曲线上看， 加上 `Highway Networks` 效果普遍会好，但并没有使得模型表现突飞猛进， 可能是由于SST数据集所用词汇相对简单的原因，OV问题并不严重 。
## TODO
- Transformer 来做 Baseline
- 更复杂的分类模型
## Reference Papers
[1] TextCNN： Convolutional Neural Networks for Sentence Classification
[2] A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification
[3] Recurrent Convolutional Neural Network for Text Classification
[4] Hierarchical Attention Networks for Document Classification
[5] Large Scale Multi-label Text Classification With Deep Learning