Metin sınıflandırma için evrişimli sinir ağları

PyTorch ile Metin için Deep Learning

Shubham Jain

Instructor

Metin sınıflandırma için CNN'ler

Tweetleri sınıflandırma
- Olumlu
- Olumsuz
- Nötr

Evrişim işlemi

Evrişim İşlemi

Evrişim işlemi
- Girdi üzerinde kayan bir filtre (çekirdek)
- Her konumda eleman bazlı hesaplamalar yapılır

Metin için: kelime yapısı ve anlamını öğrenir

¹ Animasyon: Vincent Dumoulin, Francesco Visin

CNN'lerde filtre ve adım

Filtre:
- Girdi üzerinde kaydırdığımız küçük matris

Adım (stride):
- Filtrenin hareket ettiği konum sayısı

Filtre ve Adım

¹ Animasyon: Vincent Dumoulin, Francesco Visin

Metin için CNN mimarisi

Evrişim katmanı: girdiye filtre uygular
Havuzlama katmanı: önemli bilgiyi korurken boyutu küçültür
Tam bağlı katman: önceki çıktıya göre son tahmini yapar

CNN ile bir metin sınıflandırma modeli uygulama

class SentimentAnalysisCNN(nn.Module):

    def __init__(self, vocab_size, embed_dim):

        super().__init__()

        self.embedding = nn.Embedding(vocab_size, 
                                         embed_dim)

        self.conv = nn.Conv1d(embed_dim, embed_dim, 
                               kernel_size=3, stride=1, 
                               padding=1)

        self.fc =  nn.Linear(embed_dim, 2)
    ...

__init__ mimariyi yapılandırır
super() temel sınıf nn.Module'ı başlatır
nn.Embedding yoğun kelime vektörleri oluşturur
nn.Conv1d tek boyutlu veriler içindir

CNN ile bir metin sınıflandırma modeli uygulama

    ...
    def forward(self, text):
        embedded = self.embedding(text).permute(0, 2, 1)

        conved = F.relu(self.conv(embedded))

        conved = conved.mean(dim=2)

        return self.fc(conved)

Gömme katmanı metni gömmeye çevirir
Tensörleri evrişim katmanının beklenen girdisine uydurun
ReLU ile önemli özellikleri çıkarın
Ek katman ve boyutları kaldırın

Duygu analizi modeli için veriyi hazırlama

vocab = ["i", "love", "this", "book", "do", "not", "like"]
word_to_idx = {word: i for i, word in enumerate(vocab)}

vocab_size = len(word_to_ix)

embed_dim = 10

book_samples = [
    ("The story was captivating and kept me hooked until the end.".split(),1),
    ("I found the characters shallow and the plot predictable.".split(),0)
]

model = SentimentAnalysisCNN(vocab_size, embed_dim)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)

Modeli eğitme

for epoch in range(10):  
    for sentence, label in data:

        model.zero_grad()

        sentence = torch.LongTensor([word_to_idx.get(w, 0) for w in sentence]).unsqueeze(0)

        outputs = model(sentence)
        label = torch.LongTensor([int(label)])

        loss = criterion(outputs, label)
        loss.backward()

        optimizer.step()

Duygu Analizi Modelini Çalıştırma

for sample in book_samples:

    input_tensor = torch.tensor([word_to_idx[w] for w in sample], dtype=torch.long).unsqueeze(0)

    outputs = model(input_tensor)

    _, predicted_label = torch.max(outputs.data, 1)

    sentiment = "Positive" if predicted_label.item() == 1 else "Negative"

    print(f"Book Review: {' '.join(sample)}")
    print(f"Sentiment: {sentiment}\n")

Book Review: The story was captivating and kept me hooked until the end
Sentiment: Positive
Book Review: I found the characters shallow and the plot predictable
Sentiment: Negative

Ayo berlatih!

PyTorch ile Metin için Deep Learning