finish README.md

text_classification/README.md

@@ -68,9 +68,9 @@ def fc_net(input_dim, class_dim=2, emb_dim=256):
 
 需要注意的是，该模型的输入数据为整数序列，而不是原始的英文单词序列。事实上，为了处理方便我们一般会事先将单词根据词频顺序进行id化，即将单词用整数替代。这一步一般在DNN模型之外完成。
 
-##CNN模型
+## CNN模型
 
-####CNN的模型结构如下图所示：
+#### CNN的模型结构如下图所示：
 
 <p align="center">
 <img src="images/cnn_net.png" width = "90%" align="center"/><br/>
@@ -117,3 +117,31 @@ def convolution_net(input_dim, class_dim=2, emb_dim=128, hid_dim=128):
 ```
 
 该CNN网络的输入数据类型和前面介绍过的DNN一致。`paddle.networks.sequence_conv_pool`为Paddle中已经封装好的带有pooling的文本序列卷积模块，该模块的`context_len`参数用于指定卷积核在同一时间覆盖的文本长度，也即图2中的卷积核的高度；`hidden_size`用于指定该类型的卷积核的数量。可以看到，上述代码定义的结构中使用了128个大小为3的卷积核和128个大小为4的卷积核，这些卷积的结果经过max pooling和结果并置后产生一个256维的向量，向量经过一个全连接层输出最终预测结果。
+
+## 运行与输出
+
+本部分以上文介绍的DNN网络为例，介绍如何利用样例中的`text_classification_dnn.py`脚本进行DNN网络的训练和对新样本的预测。
+
+`text_classification_dnn.py`中的代码分为四部分：
+
+- **fc_net函数**：定义dnn网络结构，上文已经有说明。
+
+- **train\_dnn\_model函数**：模型训练函数。定义优化方式、训练输出等内容，并组织训练流程。该函数运行完成前会将训练得到的参数保保存至硬盘上的`dnn_params.tar.gz`文件中。本函数接受一个整数类型的参数，表示训练pass的轮数。
+
+- **dnn_infer函数**：载入已有模型并对新样本进行预测。函数开始运行后会从当前路径下寻找并读取`dnn_params.tar.gz`文件，加载其中的模型，并对test数据集中的前100条样本进行预测。
+
+- **main函数**：主函数
+
+要运行本样例，直接在`text_classification_dnn.py`所在路径下执行`python ./text_classification_dnn.py`即可，样例会自动依次执行数据读取、模型训练和保存、模型读取、新样本预测等步骤。
+
+预测的输出形式为：
+
+```
+[ 0.99892634  0.00107362] 0
+[ 0.00107638  0.9989236 ] 1
+[ 0.98185927  0.01814074] 0
+[ 0.31667888  0.68332112] 1
+[ 0.98853314  0.01146684] 0
+```
+
+每一行表示一条样本的预测结果。前两列表示该样本属于正负这两个类别的预测概率，最后一列表示样本的实际label。

text_classification/text_classification_cnn.py

@@ -126,6 +126,6 @@ def cnn_infer():
 
 
 if __name__ == "__main__":
-    paddle.init(use_gpu=False, trainer_count=10)
-    train_cnn_model(num_pass=10)
+    paddle.init(use_gpu=False, trainer_count=4)
+    train_cnn_model(num_pass=5)
     cnn_infer()

text_classification/text_classification_dnn.py

@@ -139,5 +139,5 @@ def dnn_infer():
 
 if __name__ == "__main__":
     paddle.init(use_gpu=False, trainer_count=4)
-    train_dnn_model(2)
+    train_dnn_model(num_pass=5)
     dnn_infer()