以下文章来源于NewBeeNLP ，作者高开远

　　NewBeeNLP.

　　永远有料，永远有趣

　　写在前面

　　本文是对经典论文《Convolutional Neural Networks for Sentence Classification[1]》的详细复现，(应该是)基于TensorFlow 1.1以及python3.6。从数据预处理、模型搭建、模型训练预测以及可视化一条龙讲解，旨在为刚接触该领域不知道如何下手搭建网络的同学提供一个参考。废话不说直接进入主题吧

　　NLP中的CNN

　　论文中是使用的CNN框架来实现对句子的分类，积极或者消极。当然这里我们首先必须对CNN有个大概的了解，可以参考我之前的这篇【Deep learning】卷积神经网络CNN结构。目前主流来看，CNN主要是应用在computer vision领域，并且可以说由于CNN的出现，使得CV的研究与应用都有了质的飞跃。

　　目前对NLP的研究分析应用最多的就是RNN系列的框架，比如RNN,GRU,LSTM等等，再加上Attention，基本可以认为是NLP的标配套餐了。但是在文本分类问题上，相比于RNN，CNN的构建和训练更为简单和快速，并且效果也不差，所以仍然会有一些研究。

　　那么，CNN到底是怎么应用到NLP上的呢？

　　不同于CV输入的图像像素，NLP的输入是一个个句子或者文档。句子或文档在输入时经过embedding（word2vec或者Glove）会被表示成向量矩阵，其中每一行表示一个词语，行的总数是句子的长度，列的总数就是维度。例如一个包含十个词语的句子，使用了100维的embedding，最后我们就有一个输入为10x100的矩阵。

　　在CV中，filters是以一个patch（任意长度x任意宽度）的形式滑过遍历整个图像，但是在NLP中，filters会覆盖到所有的维度，也就是形状为 [filter_size, embed_size]。更为具体地理解可以看下图，输入为一个7x5的矩阵，filters的高度分别为2,3,4，宽度和输入矩阵一样为5。每个filter对输入矩阵进行卷积操作得到中间特征，然后通过pooling提取最大值，最终得到一个包含6个值的特征向量。

　　弄清楚了CNN的结构，下面就可以开始实现文本分类任务了。

　　数据预处理

　　原论文中使用了好几个数据集，这里我们只选择其中的一个——Movie Review Data from Rotten Tomatoes[2]。该数据集包括了10662个评论，其中一半positive一半negative。

　　在数据处理阶段，主要包括以下几个部分：

　　1、load file

　　def load_data_and_labels(positive_file, negative_file): #load data from files positive_examples = list(open(positive_file, "r", encoding='utf-8').readlines()) positive_examples = [s.strip() for s in positive_examples] negative_examples = list(open(negative_file, "r", encoding='utf-8').readlines()) negative_examples = [s.strip() for s in negative_examples] # Split by words x_text = positive_examples + negative_examples x_text = [clean_str(sent) for sent in x_text] # Generate labels positive_labels = [[0, 1] for _ in positive_examples] negative_labels = [[1, 0] for _ in negative_examples] y = np.concatenate([positive_labels, negative_labels], 0) return [x_text, y]2、clean sentences

　　def clean_str(string): string = re.sub(r"[^A-Za-z0-9(),!?\'\`]", " ", string) string = re.sub(r"\'s", " \'s", string) string = re.sub(r"\'ve", " \'ve", string) string = re.sub(r"n\'t", " n\'t", string) string = re.sub(r"\'re", " \'re", string) string = re.sub(r"\'d", " \'d", string) string = re.sub(r"\'ll", " \'ll", string) string = re.sub(r",", " , ", string) string = re.sub(r"!", " ! ", string) string = re.sub(r"\(", " \( ", string) string = re.sub(r"\)", " \) ", string) string = re.sub(r"\?", " \? ", string) string = re.sub(r"\s{2,}", " ", string) return string.strip().lower()模型实现

　　论文中使用的模型如下所示

　　其中第一层为embedding layer，用于把单词映射到一组向量表示。接下去是一层卷积层，使用了多个filters，这里有3,4,5个单词一次遍历。接着是一层max-pooling layer得到了一列长特征向量，然后在dropout 之后使用softmax得出每一类的概率。

　　在一个CNN类中实现上述模型

　　class TextCNN(object): """ A CNN class for sentence classification With a embedding layer + a convolutional, max-pooling and softmax layer """ def __init__(self, sequence_length, num_classes, vocab_size, embedding_size, filter_sizes, num_filters, l2_reg_lambda=0.0): """ :param sequence_length: The length of our sentences :param num_classes: Number of classes in the output layer(pos and neg) :param vocab_size: The size of our vocabulary :param embedding_size: The dimensionality of our embeddings. :param filter_sizes: The number of words we want our convolutional filters to cover :param num_filters: The number of filters per filter size :param l2_reg_lambda: optional这里再注释一下filter_sizes和num_filters。filters_sizes是指filter每次处理几个单词，num_filters是指每个尺寸的处理包含几个filter。

　　1. Input placeholder

　　tf.placeholder是tensorflow的一种占位符，与feeed_dict同时使用。在训练或者测试模型阶段，我们可以通过feed_dict来喂入输入变量。

　　# set placeholders for variablesself.input_x = tf.placeholder(tf.int32, [None, sequence_length], name='input_x')self.input_y = tf.placeholder(tf.float32, [None, num_classes], name='input_y')self.dropout_keep_prob = tf.placeholder(tf.float32, name='dropout_keep_prob')tf.placeholder函数第一个参数是变量类型，第二个参数是变量shape，其中None表示sample的个数，第三个name参数用于指定名字。

　　dropout_keep_prob变量是在dropout阶段使用的，我们在训练的时候选取50%的dropout，在测试时不使用dropout。

　　2. Embedding layer

　　我们需要定义的第一个层是embedding layer，用于将词语转变成为一组向量表示。

　　# embedding layer with tf.name_scope('embedding'): self.W = tf.Variable(tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0), name='weight') self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x) # TensorFlow’s convolutional conv2d operation expects a 4-dimensional tensor # with dimensions corresponding to batch, width, height and channel. self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)W 是在训练过程中学习到的参数矩阵，然后通过tf.nn.embedding_lookup来查找到与input_x相对应的向量表示。tf.nn.embedding_lookup返回的结果是一个三维向量，[None, sequence_length, embedding_size]。但是后一层的卷积层要求输入为四维向量（batch， width，height，channel）。所以我们要将结果扩展一个维度，才能符合下一层的输入。

　　3. Convolution and Max-Pooling Layers

　　在卷积层中最重要的就是filter。回顾本文的第一张图，我们一共有三种类型的filter，每种类型有两个。我们需要迭代每个filter去处理输入矩阵，将最终得到的所有结果合并为一个大的特征向量。

　　# conv + max-pooling for each filterpooled_outputs = []for i, filter_size in enumerate(filter_sizes): with tf.name_scope('conv-maxpool-%s' % filter_size): # conv layer filter_shape = [filter_size, embedding_size, 1, num_filters] W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name='W') b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name='b') conv = tf.nn.conv2d(self.embedded_chars_expanded, W, strides=[1,1,1,1], padding='VALID', name='conv') # activation h = tf.nn.relu(tf.nn.bias_add(conv, b), name='relu') # max pooling pooled = tf.nn.max_pool(h, ksize=[1, sequence_length-filter_size + 1, 1, 1], strides=[1,1,1,1], padding='VALID', name='pool') pooled_outputs.app(pooled)# combine all the pooled fraturesnum_filters_total = num_filters * len(filter_sizes)self.h_pool = tf.concat(pooled_outputs, 3) # why 3?self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total])这里W 就是filter矩阵， tf.nn.conv2d是tensorflow的卷积操作函数，其中几个参数包括

　　strides表示每一次filter滑动的距离，它总是一个四维向量，而且首位和末尾必定要是1，[1, width, height, 1]。padding有两种取值：VALID和SAME。VALID是指不在输入矩阵周围填充0，最后得到的output的尺寸小于input；SAME是指在输入矩阵周围填充0，最后得到output的尺寸和input一样；这里我们使用的是‘VALID’，所以output的尺寸为[1, sequence_length - filter_size + 1, 1, 1]。

　　接下去是一层max-pooling，pooling比较好理解，就是选出其中最大的一个。经过这一层的output尺寸为 [batch_size, 1, 1, num_filters]。

　　4. Dropout layer

　　这个比较好理解，就是为了防止模型的过拟合，设置了一个神经元激活的概率。每次在dropout层设置一定概率使部分神经元失效， 每次失效的神经元都不一样，所以也可以认为是一种bagging的效果。

　　# dropoutwith tf.name_scope('dropout'): self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)5. Scores and Predictions

　　我们可以通过对上述得到的特征进行运算得到每个分类的分数score，并且可以通过softmax将score转化成概率分布，选取其中概率最大的一个作为最后的prediction

　　#score and predictionwith tf.name_scope("output"): W = tf.get_variable('W', shape=[num_filters_total, num_classes], initializer = tf.contrib.layers.xavier_initializer()) b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name='b') l2_loss += tf.nn.l2_loss(W) l2_loss += tf.nn.l2_loss(b) self.score = tf.nn.xw_plus_b(self.h_drop, W, b, name='scores') self.prediction = tf.argmax(self.score, 1, name='prediction')6. Loss and Accuracy

　　通过score我们可以计算得出模型的loss，而我们训练的目的就是最小化这个loss。对于分类问题，最常用的损失函数是cross-entropy 损失

　　# mean cross-entropy losswith tf.name_scope('loss'): losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.score, labels=self.input_y) self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss为了在训练过程中实时观测训练情况，我们可以定义一个准确率

　　# accuracywith tf.name_scope('accuracy'): correct_predictions = tf.equal(self.prediction, tf.argmax(self.input_y, 1)) self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, 'float'), name='accuracy')到目前为止，我们的模型框架已经搭建完成，可以使用Tensorboardd来瞧一瞧到底是个啥样

　　模型训练

　　接下去我们就要开始使用影评数据来训练网络啦。

　　创建图和session

　　对于Tensorflow有两个重要的概念：Graph和Session。

　　Session会话可以理解为一个计算的环境，所有的operation只有在session中才能返回结果；Graph图就可以理解为上面那个图片，在图里面包含了所有要用到的操作operations和张量tensors。PS：在一个项目中可以使用多个graph，不过我们一般习惯只用一个就行。同时，在一个graph中可以有多个session，但是在一个session中不能有多个graph。

　　with tf.Graph().as_default(): session_conf = tf.ConfigProto( # allows TensorFlow to fall back on a device with a certain operation implemented allow_soft_placement= FLAGS.allow_soft_placement, # allows TensorFlow log on which devices (CPU or GPU) it places operations log_device_placement=FLAGS.log_device_placement ) sess = tf.Session(config=session_conf)Initialize CNN

　　cnn = TextCNN(sequence_length=x_train.shape[1], num_classes=y_train.shape[1], vocab_size= len(vocab_processor.vocabulary_), embedding_size=FLAGS.embedding_dim, filter_sizes= list(map(int, FLAGS.filter_sizes.split(','))), num_filters= FLAGS.num_filters, l2_reg_lambda= FLAGS.l2_reg_lambda)global_step = tf.Variable(0, name='global_step', trainable=False)optimizer = tf.train.AdamOptimizer(1e-3)grads_and_vars = optimizer.compute_gradients(cnn.loss)train_op = optimizer.apply_gradients(grads_and_vars, global_step=global_step)这里train_op的作用就是更新参数，每运行一次train_op，global_step都会增加1。

　　Summaries

　　Tensorflow有一个特别实用的操作，summary，它可以记录训练时参数或者其他变量的变化情况并可视化到tensorboard。使用tf.summary.FileWriter()函数可以将summaries写入到硬盘保存到本地。

　　# visualise gradientgrad_summaries = []for g, v in grads_and_vars: if g isnotNone: grad_hist_summary = tf.summary.histogram('{}/grad/hist'.format(v.name),g) sparsity_summary = tf.summary.scalar('{}/grad/sparsity'.format(v.name), tf.nn.zero_fraction(g)) grad_summaries.app(grad_hist_summary) grad_summaries.app(sparsity_summary)grad_summaries_merged = tf.summary.merge(grad_summaries)# output dir for models and summariestimestamp = str(time.time())out_dir = os.path.abspath(os.path.join(os.path.curdir, 'run', timestamp))print('Writing to {} \n'.format(out_dir))# summaries for loss and accuracyloss_summary = tf.summary.scalar('loss', cnn.loss)accuracy_summary = tf.summary.scalar('accuracy', cnn.accuracy)# train summariestrain_summary_op = tf.summary.merge([loss_summary, accuracy_summary])train_summary_dir = os.path.join(out_dir, 'summaries', 'train')train_summary_writer = tf.summary.FileWriter(train_summary_dir, sess.graph)# dev summariesdev_summary_op = tf.summary.merge([loss_summary, accuracy_summary])dev_summary_dir = os.path.join(out_dir, 'summaries', 'dev')dev_summary_writer = tf.summary.FileWriter(dev_summary_dir, sess.graph)Checkpointing

　　checkpointing的作用就是可以保存每个阶段训练模型的参数，然后我们可以根据准确率来选取最好的一组参数。

　　checkpoint_dir = os.path.abspath(os.path.join(out_dir, 'checkpoints'))checkpoint_prefix = os.path.join(checkpoint_dir, 'model')ifnot os.path.exists(checkpoint_dir): os.makedirs(checkpoint_dir)saver = tf.train.Saver(tf.global_variables(), max_to_keep=FLAGS.num_checkpoints)Initializing the variables

　　在开始训练之前，我们通常会需要初始化所有的变量。一般使用 tf.global_variables_initializer()就可以了。

　　Defining a single training step

　　我们可以定义一个单步训练的函数，使用一个batch的数据来更新模型的参数

　　def train_step(x_batch, y_batch): """ A single training step :param x_batch: :param y_batch: :return: """ feed_dict = { cnn.input_x: x_batch, cnn.input_y: y_batch, cnn.dropout_keep_prob: FLAGS.dropout_keep_prob } _, step, summaries, loss, accuracy = sess.run( [train_op, global_step, train_summary_op, cnn.loss, cnn.accuracy], feed_dict=feed_dict ) time_str = datetime.datetime.now().isoformat() print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy)) train_summary_writer.add_summary(summaries, step)这里的feed_dict就是我们前面提到的同placeholder一起使用的。必须在feed_dict中给出所有placeholder节点的值，否则程序就会报错。

　　接着使用sess.run（）运行前面定义的操作，最终可以得到每一步的损失、准确率这些信息。

　　类似地我们定义一个函数在验证集数据上看看模型的准确率等

　　def dev_step(x_batch, y_batch, writer=None): """ Evaluate model on a dev set Disable dropout :param x_batch: :param y_batch: :param writer: :return: """ feed_dict = { cnn.input_x: x_batch, cnn.input_y: y_batch, cnn.dropout_keep_prob: 1.0 } step, summaries, loss, accuracy = sess.run( [global_step, dev_summary_op, cnn.loss, cnn.accuracy], feed_dict=feed_dict ) time_str = datetime.datetime.now().isoformat() print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy)) if writer: writer.add_summary(summaries, step)Training loop

　　前面都定义好了以后就可以开始我们的训练了。我们每次调用train_step函数批量的训练数据并保存：

　　# generate batchesbatches = data_process.batch_iter(list(zip(x_train, y_train)), FLAGS.batch_size, FLAGS.num_epochs)# training loopfor batch in batches: x_batch, y_batch = zip(*batch) train_step(x_batch, y_batch) current_step = tf.train.global_step(sess, global_step) if current_step % FLAGS.evaluate_every == 0: print('\n Evaluation:') dev_step(x_dev, y_dev, writer=dev_summary_writer) print('') if current_step % FLAGS.checkpoint_every == 0: path = saver.save(sess, checkpoint_prefix, global_step=current_step) print('Save model checkpoint to {} \n'.format(path))最后输出的效果大概是这样的

　　Visualizing Results

　　我们可以在代码目录下打开终端输入以下代码来启动浏览器的tensorboard：

　　tensorboard --logdir /runs/xxxxxx/summaries小结

　　当然这只是一个利用CNN进行NLP分类任务（文本分类，情感分析等）的baseline，可以看出准确率并不是很高，后续还有很多可以优化的地方，包括使用pre-trained的Word2vec向量、加上L2正则化等等。

　　扩展阅读：

　　怎样轻松入门地震勘探研究：先从地震数据处理开始

　　如何从0开启地震深度学习科研之路