如何使用 Glove 和 CNN 配置和训练模型进行文本分类？

Question

我使用 Glove 和 CNN 进行文本分类，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) 是否有一些 issues/problems 带有手套输入？

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。可以给我一些建议吗？

Answer 1

我想到了两件事：您的最大池化层每次都在减小输入到下一个卷积层的大小，最终大小太小而无法运行另一个最大池化操作.尝试运行宁

 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无法进一步减少。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（我不确定是不是故意的），但是 MaxPooling1D != Global Max Pooling。 Keras 同时支持 operations。查看文档。

附带一提，Yoon Kim 的 work 广泛普及了 CNN 的句子分类。在他的工作中，他表明全局最大池化操作在句子分类中比跨步最大池化操作表现得更好（当使用词嵌入时，就像你正在做的那样）。

如何使用 Glove 和 CNN 配置和训练模型进行文本分类？

How to configure and train the model using Glove and CNN for text classification?

python

tensorflow

conv-neural-network

stanford-nlp

text-classification

手套输入

CNN的层输入

训练一维 CNN

我的想法