diff --git a/04.word2vec/README.cn.md b/04.word2vec/README.cn.md index bf5d51bec9c1c5d4df82830c7e57fc7710ddbcb7..2f947b7c027cb8c6a9c6786d9e434f7163de0597 100644 --- a/04.word2vec/README.cn.md +++ b/04.word2vec/README.cn.md @@ -1,18 +1,18 @@ # 词向量 -本教程源代码目录在[book/word2vec](https://github.com/PaddlePaddle/book/tree/develop/04.word2vec),初次使用请您参考[Book文档使用说明](https://github.com/PaddlePaddle/book/blob/develop/README.cn.md#运行这本书)。 - -### 说明 - -1. 本教程可支持在 CPU/GPU 环境下运行 - -2. Docker镜像支持的CUDA/cuDNN版本 - - 如果使用了Docker运行Book，请注意：这里所提供的默认镜像的GPU环境为 CUDA 8/cuDNN 5，对于NVIDIA Tesla V100等要求CUDA 9的 GPU，使用该镜像可能会运行失败; - -3. 文档和脚本中代码的一致性问题 - +本教程源代码目录在[book/word2vec](https://github.com/PaddlePaddle/book/tree/develop/04.word2vec),初次使用请您参考[Book文档使用说明](https://github.com/PaddlePaddle/book/blob/develop/README.cn.md#运行这本书)。 + +### 说明 + +1. 本教程可支持在 CPU/GPU 环境下运行 + +2. Docker镜像支持的CUDA/cuDNN版本 + + 如果使用了Docker运行Book，请注意：这里所提供的默认镜像的GPU环境为 CUDA 8/cuDNN 5，对于NVIDIA Tesla V100等要求CUDA 9的 GPU，使用该镜像可能会运行失败; + +3. 文档和脚本中代码的一致性问题 + 请注意：为使本文更加易读易用，我们拆分、调整了[train.py](https://github.com/PaddlePaddle/book/blob/develop/04.word2vec/train.py)的代码并放入本文。本文中代码与train.py的运行结果一致，可直接运行train.py进行验证。 ## 背景介绍 @@ -27,9 +27,9 @@ One-hot vector虽然自然，但是用处有限。比如，在互联网广告系 在机器学习领域里，各种“知识”被各种模型表示，词向量模型(word embedding model)就是其中的一类。通过词向量模型可将一个 one-hot vector映射到一个维度更低的实数向量（embedding vector），如$embedding(母亲节) = [0.3, 4.2, -1.5, ...], embedding(康乃馨) = [0.2, 5.6, -2.3, ...]$。在这个映射到的实数向量表示中，希望两个语义（或用法）上相似的词对应的词向量“更像”，这样如“母亲节”和“康乃馨”的对应词向量的余弦相似度就不再为零了。 词向量模型可以是概率模型、共生矩阵(co-occurrence matrix)模型或神经元网络模型。在用神经网络求词向量之前，传统做法是统计一个词语的共生矩阵$X$。$X$是一个$|V| \times |V|$ 大小的矩阵，$X_{ij}$表示在所有语料中，词汇表$V$(vocabulary)中第i个词和第j个词同时出现的词数，$|V|$为词汇表的大小。对$X$做矩阵分解（如奇异值分解，Singular Value Decomposition \[[5](#参考文献)\]），得到的$U$即视为所有词的词向量： - +

-
+

但这样的传统做法有很多问题： @@ -79,19 +79,19 @@ similarity: -0.0997506977351 对语言模型的目标概率$P(w_1, ..., w_T)$，如果假设文本中每个词都是相互独立的，则整句话的联合概率可以表示为其中所有词语条件概率的乘积，即： - +

-
-

- +
+

+ 然而我们知道语句中的每个词出现的概率都与其前面的词紧密相关, 所以实际上通常用条件概率表示语言模型：

-
+

- + ### N-gram neural model @@ -99,17 +99,17 @@ similarity: -0.0997506977351 Yoshua Bengio等科学家就于2003年在著名论文 Neural Probabilistic Language Models \[[1](#参考文献)\] 中介绍如何学习一个神经元网络表示的词向量模型。文中的神经概率语言模型（Neural Network Language Model，NNLM）通过一个线性映射和一个非线性隐层连接，同时学习了语言模型和词向量，即通过学习大量语料得到词语的向量表达，通过这些向量得到整个句子的概率。因所有的词语都用一个低维向量来表示，用这种方法学习语言模型可以克服维度灾难（curse of dimensionality）。注意：由于“神经概率语言模型”说法较为泛泛，我们在这里不用其NNLM的本名，考虑到其具体做法，本文中称该模型为N-gram neural model。 -我们在上文中已经讲到用条件概率建模语言模型，即一句话中第$t$个词的概率和该句话的前$t-1$个词相关。可实际上越远的词语其实对该词的影响越小，那么如果考虑一个n-gram, 每个词都只受其前面`n-1`个词的影响，则有： - +我们在上文中已经讲到用条件概率建模语言模型，即一句话中第$t$个词的概率和该句话的前$t-1$个词相关。可实际上越远的词语其实对该词的影响越小，那么如果考虑一个n-gram, 每个词都只受其前面`n-1`个词的影响，则有： +

-
-

+
+

给定一些真实语料，这些语料中都是有意义的句子，N-gram模型的优化目标则是最大化目标函数: - +

-
+

其中$f(w_t, w_{t-1}, ..., w_{t-n+1})$表示根据历史n-1个词得到当前词$w_t$的条件概率，$R(\theta)$表示参数正则项。 @@ -124,24 +124,24 @@ Yoshua Bengio等科学家就于2003年在著名论文 Neural Probabilistic Langu 每个输入词$w_{t-n+1},...w_{t-1}$首先通过映射矩阵映射到词向量$C(w_{t-n+1}),...C(w_{t-1})$。 - - 然后所有词语的词向量拼接成一个大向量，并经过一个非线性映射得到历史词语的隐层表示： - + - 然后所有词语的词向量拼接成一个大向量，并经过一个非线性映射得到历史词语的隐层表示： +

-
+

其中，$x$为所有词语的词向量拼接成的大向量，表示文本历史特征；$\theta$、$U$、$b_1$、$b_2$和$W$分别为词向量层到隐层连接的参数。$g$表示未经归一化的所有输出单词概率，$g_i$表示未经归一化的字典中第$i$个单词的输出概率。 - - 根据softmax的定义，通过归一化$g_i$, 生成目标词$w_t$的概率为： - + - 根据softmax的定义，通过归一化$g_i$, 生成目标词$w_t$的概率为： +

-
+

- - 整个网络的损失值(cost)为多类分类交叉熵，用公式表示为 - + - 整个网络的损失值(cost)为多类分类交叉熵，用公式表示为 +

-
+

其中$y_k^i$表示第$i$个样本第$k$类的真实标签(0或1)，$\text{softmax}(g_k^i)$表示第i个样本第k类softmax输出的概率。 @@ -158,10 +158,10 @@ CBOW模型通过一个词的上下文（各N个词）预测当前词。当N=2时 具体来说，不考虑上下文的词语输入顺序，CBOW是用上下文词语的词向量的均值来预测当前词。即： - +

-
-

+
+

其中$x_t$为第$t$个词的词向量，分类分数（score）向量 $z=U*context$，最终的分类$y$采用softmax，损失函数采用多类分类交叉熵。 @@ -246,7 +246,7 @@ from __future__ import print_function ``` -然后，定义参数： +然后，定义参数： ```python EMBED_SIZE = 32 # embedding维度 @@ -391,10 +391,10 @@ def train(if_use_cuda, params_dirname, is_sparse=True): outs = train_test(test_program, test_reader) print("Step %d: Average Cost %f" % (step, outs[0])) - - # 整个训练过程要花费几个小时，如果平均损失低于5.8， - # 我们就认为模型已经达到很好的效果可以停止训练了。 - # 注意5.8是一个相对较高的值，为了获取更好的模型，可以将 + + # 整个训练过程要花费几个小时，如果平均损失低于5.8， + # 我们就认为模型已经达到很好的效果可以停止训练了。 + # 注意5.8是一个相对较高的值，为了获取更好的模型，可以将 # 这里的阈值设为3.5，但训练时间也会更长。 if outs[0] < 5.8: if params_dirname is not None: @@ -434,15 +434,15 @@ def infer(use_cuda, params_dirname=None): exe = fluid.Executor(place) inference_scope = fluid.core.Scope() - with fluid.scope_guard(inference_scope): - # 使用fluid.io.load_inference_model获取inference program， + with fluid.scope_guard(inference_scope): + # 使用fluid.io.load_inference_model获取inference program， # feed变量的名称feed_target_names和从scope中fetch的对象fetch_targets [inferencer, feed_target_names, fetch_targets] = fluid.io.load_inference_model(params_dirname, exe) - # 设置输入，用四个LoDTensor来表示4个词语。这里每个词都是一个id， - # 用来查询embedding表获取对应的词向量，因此其形状大小是[1]。 - # recursive_sequence_lengths设置的是基于长度的LoD，因此都应该设为[[1]] + # 设置输入，用四个LoDTensor来表示4个词语。这里每个词都是一个id， + # 用来查询embedding表获取对应的词向量，因此其形状大小是[1]。 + # recursive_sequence_lengths设置的是基于长度的LoD，因此都应该设为[[1]] # 注意recursive_sequence_lengths是列表的列表 data1 = numpy.asarray([[211]], dtype=numpy.int64) # 'among' data2 = numpy.asarray([[6]], dtype=numpy.int64) # 'a' @@ -488,7 +488,7 @@ def infer(use_cuda, params_dirname=None): [[0.03768077 0.03463154 0.00018074 ... 0.00022283 0.00029888 0.02967956]] 0 the -``` +``` 其中第一行表示预测词在词典上的概率分布，第二行表示概率最大的词对应的id，第三行表示概率最大的词。 整个程序的入口很简单： diff --git a/04.word2vec/index.cn.html b/04.word2vec/index.cn.html index 73cbd2ee29d2c243a9dfe1c69930878f54ecb6c6..20ede2195d7f175d250cd91c03f59a1a0eddc769 100644 --- a/04.word2vec/index.cn.html +++ b/04.word2vec/index.cn.html @@ -43,18 +43,18 @@ # 词向量 -本教程源代码目录在[book/word2vec](https://github.com/PaddlePaddle/book/tree/develop/04.word2vec),初次使用请您参考[Book文档使用说明](https://github.com/PaddlePaddle/book/blob/develop/README.cn.md#运行这本书)。 - -### 说明 - -1. 本教程可支持在 CPU/GPU 环境下运行 - -2. Docker镜像支持的CUDA/cuDNN版本 - - 如果使用了Docker运行Book，请注意：这里所提供的默认镜像的GPU环境为 CUDA 8/cuDNN 5，对于NVIDIA Tesla V100等要求CUDA 9的 GPU，使用该镜像可能会运行失败; - -3. 文档和脚本中代码的一致性问题 - +本教程源代码目录在[book/word2vec](https://github.com/PaddlePaddle/book/tree/develop/04.word2vec),初次使用请您参考[Book文档使用说明](https://github.com/PaddlePaddle/book/blob/develop/README.cn.md#运行这本书)。 + +### 说明 + +1. 本教程可支持在 CPU/GPU 环境下运行 + +2. Docker镜像支持的CUDA/cuDNN版本 + + 如果使用了Docker运行Book，请注意：这里所提供的默认镜像的GPU环境为 CUDA 8/cuDNN 5，对于NVIDIA Tesla V100等要求CUDA 9的 GPU，使用该镜像可能会运行失败; + +3. 文档和脚本中代码的一致性问题 + 请注意：为使本文更加易读易用，我们拆分、调整了[train.py](https://github.com/PaddlePaddle/book/blob/develop/04.word2vec/train.py)的代码并放入本文。本文中代码与train.py的运行结果一致，可直接运行train.py进行验证。 ## 背景介绍 @@ -69,9 +69,9 @@ One-hot vector虽然自然，但是用处有限。比如，在互联网广告系 在机器学习领域里，各种“知识”被各种模型表示，词向量模型(word embedding model)就是其中的一类。通过词向量模型可将一个 one-hot vector映射到一个维度更低的实数向量（embedding vector），如$embedding(母亲节) = [0.3, 4.2, -1.5, ...], embedding(康乃馨) = [0.2, 5.6, -2.3, ...]$。在这个映射到的实数向量表示中，希望两个语义（或用法）上相似的词对应的词向量“更像”，这样如“母亲节”和“康乃馨”的对应词向量的余弦相似度就不再为零了。 词向量模型可以是概率模型、共生矩阵(co-occurrence matrix)模型或神经元网络模型。在用神经网络求词向量之前，传统做法是统计一个词语的共生矩阵$X$。$X$是一个$|V| \times |V|$ 大小的矩阵，$X_{ij}$表示在所有语料中，词汇表$V$(vocabulary)中第i个词和第j个词同时出现的词数，$|V|$为词汇表的大小。对$X$做矩阵分解（如奇异值分解，Singular Value Decomposition \[[5](#参考文献)\]），得到的$U$即视为所有词的词向量： - +

-
+

但这样的传统做法有很多问题： @@ -121,19 +121,19 @@ similarity: -0.0997506977351 对语言模型的目标概率$P(w_1, ..., w_T)$，如果假设文本中每个词都是相互独立的，则整句话的联合概率可以表示为其中所有词语条件概率的乘积，即： - +

-
-

- +
+

+ 然而我们知道语句中的每个词出现的概率都与其前面的词紧密相关, 所以实际上通常用条件概率表示语言模型：

-
+

- + ### N-gram neural model @@ -141,17 +141,17 @@ similarity: -0.0997506977351 Yoshua Bengio等科学家就于2003年在著名论文 Neural Probabilistic Language Models \[[1](#参考文献)\] 中介绍如何学习一个神经元网络表示的词向量模型。文中的神经概率语言模型（Neural Network Language Model，NNLM）通过一个线性映射和一个非线性隐层连接，同时学习了语言模型和词向量，即通过学习大量语料得到词语的向量表达，通过这些向量得到整个句子的概率。因所有的词语都用一个低维向量来表示，用这种方法学习语言模型可以克服维度灾难（curse of dimensionality）。注意：由于“神经概率语言模型”说法较为泛泛，我们在这里不用其NNLM的本名，考虑到其具体做法，本文中称该模型为N-gram neural model。 -我们在上文中已经讲到用条件概率建模语言模型，即一句话中第$t$个词的概率和该句话的前$t-1$个词相关。可实际上越远的词语其实对该词的影响越小，那么如果考虑一个n-gram, 每个词都只受其前面`n-1`个词的影响，则有： - +我们在上文中已经讲到用条件概率建模语言模型，即一句话中第$t$个词的概率和该句话的前$t-1$个词相关。可实际上越远的词语其实对该词的影响越小，那么如果考虑一个n-gram, 每个词都只受其前面`n-1`个词的影响，则有： +

-
-

+
+

给定一些真实语料，这些语料中都是有意义的句子，N-gram模型的优化目标则是最大化目标函数: - +

-
+

其中$f(w_t, w_{t-1}, ..., w_{t-n+1})$表示根据历史n-1个词得到当前词$w_t$的条件概率，$R(\theta)$表示参数正则项。 @@ -166,24 +166,24 @@ Yoshua Bengio等科学家就于2003年在著名论文 Neural Probabilistic Langu 每个输入词$w_{t-n+1},...w_{t-1}$首先通过映射矩阵映射到词向量$C(w_{t-n+1}),...C(w_{t-1})$。 - - 然后所有词语的词向量拼接成一个大向量，并经过一个非线性映射得到历史词语的隐层表示： - + - 然后所有词语的词向量拼接成一个大向量，并经过一个非线性映射得到历史词语的隐层表示： +

-
+

其中，$x$为所有词语的词向量拼接成的大向量，表示文本历史特征；$\theta$、$U$、$b_1$、$b_2$和$W$分别为词向量层到隐层连接的参数。$g$表示未经归一化的所有输出单词概率，$g_i$表示未经归一化的字典中第$i$个单词的输出概率。 - - 根据softmax的定义，通过归一化$g_i$, 生成目标词$w_t$的概率为： - + - 根据softmax的定义，通过归一化$g_i$, 生成目标词$w_t$的概率为： +

-
+

- - 整个网络的损失值(cost)为多类分类交叉熵，用公式表示为 - + - 整个网络的损失值(cost)为多类分类交叉熵，用公式表示为 +

-
+

其中$y_k^i$表示第$i$个样本第$k$类的真实标签(0或1)，$\text{softmax}(g_k^i)$表示第i个样本第k类softmax输出的概率。 @@ -200,10 +200,10 @@ CBOW模型通过一个词的上下文（各N个词）预测当前词。当N=2时 具体来说，不考虑上下文的词语输入顺序，CBOW是用上下文词语的词向量的均值来预测当前词。即： - +

-
-

+
+

其中$x_t$为第$t$个词的词向量，分类分数（score）向量 $z=U*context$，最终的分类$y$采用softmax，损失函数采用多类分类交叉熵。 @@ -288,7 +288,7 @@ from __future__ import print_function ``` -然后，定义参数： +然后，定义参数： ```python EMBED_SIZE = 32 # embedding维度 @@ -433,10 +433,10 @@ def train(if_use_cuda, params_dirname, is_sparse=True): outs = train_test(test_program, test_reader) print("Step %d: Average Cost %f" % (step, outs[0])) - - # 整个训练过程要花费几个小时，如果平均损失低于5.8， - # 我们就认为模型已经达到很好的效果可以停止训练了。 - # 注意5.8是一个相对较高的值，为了获取更好的模型，可以将 + + # 整个训练过程要花费几个小时，如果平均损失低于5.8， + # 我们就认为模型已经达到很好的效果可以停止训练了。 + # 注意5.8是一个相对较高的值，为了获取更好的模型，可以将 # 这里的阈值设为3.5，但训练时间也会更长。 if outs[0] < 5.8: if params_dirname is not None: @@ -476,15 +476,15 @@ def infer(use_cuda, params_dirname=None): exe = fluid.Executor(place) inference_scope = fluid.core.Scope() - with fluid.scope_guard(inference_scope): - # 使用fluid.io.load_inference_model获取inference program， + with fluid.scope_guard(inference_scope): + # 使用fluid.io.load_inference_model获取inference program， # feed变量的名称feed_target_names和从scope中fetch的对象fetch_targets [inferencer, feed_target_names, fetch_targets] = fluid.io.load_inference_model(params_dirname, exe) - # 设置输入，用四个LoDTensor来表示4个词语。这里每个词都是一个id， - # 用来查询embedding表获取对应的词向量，因此其形状大小是[1]。 - # recursive_sequence_lengths设置的是基于长度的LoD，因此都应该设为[[1]] + # 设置输入，用四个LoDTensor来表示4个词语。这里每个词都是一个id， + # 用来查询embedding表获取对应的词向量，因此其形状大小是[1]。 + # recursive_sequence_lengths设置的是基于长度的LoD，因此都应该设为[[1]] # 注意recursive_sequence_lengths是列表的列表 data1 = numpy.asarray([[211]], dtype=numpy.int64) # 'among' data2 = numpy.asarray([[6]], dtype=numpy.int64) # 'a' @@ -530,7 +530,7 @@ def infer(use_cuda, params_dirname=None): [[0.03768077 0.03463154 0.00018074 ... 0.00022283 0.00029888 0.02967956]] 0 the -``` +``` 其中第一行表示预测词在词典上的概率分布，第二行表示概率最大的词对应的id，第三行表示概率最大的词。 整个程序的入口很简单：