1
雷鋒網(wǎng)按：本文源自一位數(shù)據(jù)科學(xué)開發(fā)者的個人博客，雷鋒網(wǎng)編譯。
許多開發(fā)者向新手建議：如果你想要入門機器學(xué)習(xí)，就必須先了解一些關(guān)鍵算法的工作原理，然后再開始動手實踐。但我不這么認(rèn)為。
我覺得實踐高于理論，新手首先要做的是了解整個模型的工作流程，數(shù)據(jù)大致是怎樣流動的，經(jīng)過了哪些關(guān)鍵的結(jié)點，最后的結(jié)果在哪里獲取，并立即開始動手實踐，構(gòu)建自己的機器學(xué)習(xí)模型。至于算法和函數(shù)內(nèi)部的實現(xiàn)機制，可以等了解整個流程之后，在實踐中進行更深入的學(xué)習(xí)和掌握。
那么問題來了，既然作為初學(xué)者不需要掌握算法細節(jié)，但實現(xiàn)模型的過程中又必須用到相關(guān)算法，怎么辦呢？答案是借助于互聯(lián)網(wǎng)上已經(jīng)實現(xiàn)好的函數(shù)庫，例如 TensorFlow。
在本文中，我們將利用 TensorFlow 實現(xiàn)一個基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的文本分類模型，希望對各位初學(xué)者有所幫助。文中所涉完整代碼已經(jīng)在 GitHub 上開源，感興趣的朋友可以在以下鏈接中下載：
下面是正式的教程內(nèi)容：
TensorFlow 是谷歌旗下一個開源的機器學(xué)習(xí)框架。從它的名字就能看出這個框架基本的工作原理：由多維數(shù)組構(gòu)成的張量（tensor）在圖（graph）結(jié)點之間定向流動（flow），從輸入走到輸出。
在 TensorFlow 中，每次運算都可以用數(shù)據(jù)流圖（dataflow graph）的方式表示。每個數(shù)據(jù)流圖都有以下兩個重要元素：
● 一組 tf.Operation 對象，代表運算本身；
● 一組 tf.Tensor 對象，代表被運算的數(shù)據(jù)。
如下圖所示，這里我們以一個簡單的例子說明數(shù)據(jù)流圖具體是怎樣運行的。
假設(shè)圖中的 x=[1,3,6]，y=[1,1,1]。由于 tf.Tensor 被用來表示運算數(shù)據(jù)，因此在 TensorFlow 中我們會首先定義兩個 tf.Tensor 常量對象存放數(shù)據(jù)。然后再用 tf.Operation 對象定義圖中的加法運算，具體代碼如下：
import tensorflow as tf
x = tf.constant([1,3,6])
y = tf.constant([1,1,1])
op = tf.add(x,y)
現(xiàn)在，我們已經(jīng)定義了數(shù)據(jù)流圖的兩個重要元素：tf.Operation 和 tf.Tensor，那么如何構(gòu)建圖本身呢，具體代碼如下：
import tensorflow as tf
my_graph = tf.Graph()
with my_graph.as_default():
x = tf.constant([1,3,6])
y = tf.constant([1,1,1])
op = tf.add(x,y)
至此我們已經(jīng)完成了數(shù)據(jù)流圖的定義，在 TensorFlow 中，只有先定義了圖，才能進行后續(xù)的計算操作（即驅(qū)動數(shù)據(jù)在圖的結(jié)點間定向流動）。這里 TensorFlow 又規(guī)定，要進行后續(xù)的計算，必須通過 tf.Session 來統(tǒng)一管理，因此我們還要定義一個 tf.Session 對象，即會話。
在 TensorFlow 中，tf.Session 專門用來封裝 tf.Operation 在 tf.Tensor 基礎(chǔ)上執(zhí)行的操作環(huán)境。因此，在定義 tf.Session 對象時，也需要傳入相應(yīng)的數(shù)據(jù)流圖（可以通過 graph 參數(shù)傳入），本例中具體的代碼如下：
import tensorflow as tf
my_graph = tf.Graph()
with tf.Session(graph=my_graph) as sess:
x = tf.constant([1,3,6])
y = tf.constant([1,1,1])
op = tf.add(x,y)
定義好 tf.Session 之后，我們可以通過 tf.Session.run() 方法來執(zhí)行對應(yīng)的數(shù)據(jù)流圖。run() 方法可以通過 fetches 參數(shù)傳入相應(yīng) tf.Operation 對象，并導(dǎo)入與 tf.Operation 相關(guān)的所有 tf.Tensor 對象，然后遞歸執(zhí)行與當(dāng)前 tf.Operation 有依賴關(guān)系的所有操作。本例中具體執(zhí)行的是求和操作，實現(xiàn)代碼如下：
import tensorflow as tf
my_graph = tf.Graph()
with tf.Session(graph=my_graph) as sess:
x = tf.constant([1,3,6])
y = tf.constant([1,1,1])
op = tf.add(x,y)
result = sess.run(fetches=op)
print(result)
>>> [2 4 7]
可以看到運算結(jié)果是 [2 4 7]。
了解 TensorFlow 的基本原理之后，下面的任務(wù)是如何構(gòu)建一個預(yù)測模型。簡單來說，機器學(xué)習(xí)算法 + 數(shù)據(jù)就等于預(yù)測模型。構(gòu)建預(yù)測模型的流程如下圖所示：
如圖，經(jīng)過數(shù)據(jù)訓(xùn)練的機器學(xué)習(xí)算法就是模型。訓(xùn)練好一個模型之后，輸入待預(yù)測數(shù)據(jù)，就能得到相應(yīng)的預(yù)測結(jié)果。大體流程如下圖所示：
在本例中，我們將要構(gòu)建的模型需要根據(jù)輸入文本，輸出相應(yīng)的類別，即完成文本分類的工作。因此這里的輸入應(yīng)該是文本（text），輸出是類別（category）。更具體地說，本例中我們已經(jīng)事先獲取了標(biāo)記數(shù)據(jù)（即一些已經(jīng)標(biāo)明了類別的文本段），然后用這些數(shù)據(jù)對算法進行訓(xùn)練，最后再用訓(xùn)練好的模型對新文本分類。這一過程也就是通常所說的監(jiān)督學(xué)習(xí)（supervised learning）。另外，由于我們的任務(wù)是對文本數(shù)據(jù)進行分類，所以也屬于分類問題的范疇。
為了構(gòu)建該文本分類模型，下面我們需要介紹一些神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識。
從本質(zhì)上說，神經(jīng)網(wǎng)絡(luò)是計算模型（computational model）的一種。（注：這里所謂計算模型是指通過數(shù)學(xué)語言和數(shù)學(xué)概念描述系統(tǒng)的方法）并且這種計算模型還能夠自動完成學(xué)習(xí)和訓(xùn)練，不需要精確編程。
最原始也是最基礎(chǔ)的一個神經(jīng)網(wǎng)絡(luò)算法模型是感知機模型（Perceptron），關(guān)于感知機模型的詳細介紹請參見這篇博客：
由于神經(jīng)網(wǎng)絡(luò)模型是模擬人類大腦神經(jīng)系統(tǒng)的組織結(jié)構(gòu)而提出的，因此它與人類的腦神經(jīng)網(wǎng)絡(luò)具有相似的結(jié)構(gòu)。
如上圖所示，一般的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以分為三層：輸入層、隱蔽層（hidden layer）和輸出層。
為了深入理解神經(jīng)網(wǎng)絡(luò)究竟是如何工作的，我們需要利用 TensorFlow 自己親手構(gòu)建一個神經(jīng)網(wǎng)絡(luò)模型，下面介紹一個具體的實例。（本例部分內(nèi)容源自 GitHub 上的一段開源代碼：鏈接）
本例中，我們有兩個隱蔽層（關(guān)于隱蔽層層數(shù)的選擇是另一個問題，更詳細的內(nèi)容可以參考：鏈接）。概括地說，隱蔽層的主要作用是將輸入層的數(shù)據(jù)轉(zhuǎn)換成一種輸出層更便于利用的形式。
如圖所示，本例中輸入層的每個結(jié)點都代表了輸入文本中的一個詞，接下來是第一個隱蔽層。這里需要注意的是，第一層隱蔽層的結(jié)點個數(shù)選擇也是一項重要的任務(wù)，通常被稱為特征選擇。
圖中的每個結(jié)點（也被稱為神經(jīng)元），都會搭配一個權(quán)重。而我們下面所謂訓(xùn)練過程其實就是不斷調(diào)整這些權(quán)重值，讓模型的實際輸出和預(yù)想輸出更匹配的過程。當(dāng)然，除了權(quán)重之外，整個網(wǎng)絡(luò)還要加上一個偏差值。（關(guān)于偏差的詳細介紹詳見：鏈接）
對每個結(jié)點做加權(quán)和并加上一個偏差值之后，還需要經(jīng)過激活函數(shù)（activation function）的處理才能輸出到下一層 。實際上，這里激活函數(shù)確定了每個結(jié)點的最終輸出情況，同時為整個模型加入了非線性元素。如果用臺燈來做比喻的話，激活函數(shù)的作用就相當(dāng)于開關(guān)。實際研究中根據(jù)應(yīng)用的具體場景和特點，有各種不同的激活函數(shù)可供選擇，這里屏蔽層選擇的是 ReLu 函數(shù)。
另外圖中還顯示了第二個隱蔽層，它的功能和第一層并沒有本質(zhì)區(qū)別，唯一的不同就是它的輸入是第一層的輸出，而第一層的輸入則是原始數(shù)據(jù)。
最后是輸出層，本例中應(yīng)用了獨熱編碼的方式來對結(jié)果進行分類。這里所謂獨熱編碼是指每個向量中只有一個元素是 1，其他均為 0 的編碼方式。例如我們要將文本數(shù)據(jù)分為三個類別（體育、航空和電腦繪圖），則編碼結(jié)果為：
這里獨熱編碼的好處是：輸出結(jié)點的個數(shù)恰好等于輸出類別的個數(shù)。此外，輸出層和前面的隱蔽層結(jié)構(gòu)類似，我們也要為每個結(jié)點搭配一個權(quán)重值，加上恰當(dāng)?shù)钠?，最后通過激活函數(shù)的處理。
但本例中輸出層的激活函數(shù)與隱蔽層的激活函數(shù)不同。由于本例的最終目的是輸出每個文本對應(yīng)的類別信息，而這里所有類別之間又是互斥的關(guān)系?；谶@些特點，我們在輸出層選擇了 Softmax 函數(shù)作為激活函數(shù)。該函數(shù)的特點是可以將輸出值轉(zhuǎn)換為 0-1 之間的一個小數(shù)值，并且這些小數(shù)值的和為 1。于是正好可以用這些小數(shù)表示每個類別的可能性分布情況。假如剛才提到的三個類別原本的輸出值為 1.2、0.9 和 0.4，則通過 Softmax 函數(shù)的處理后，得到的結(jié)果為：
可以看到這三個小數(shù)的和正好為 1。
到目前為止，我們已經(jīng)明確了該神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)流圖，下面為具體的代碼實現(xiàn)：
# Network Parameters
n_hidden_1 = 10 # 1st layer number of features
n_hidden_2 = 5 # 2nd layer number of features
n_input = total_words # Words in vocab
n_classes = 3 # Categories: graphics, space and baseballdef multilayer_perceptron(input_tensor, weights, biases):
layer_1_multiplication = tf.matmul(input_tensor, weights['h1'])
layer_1_addition = tf.add(layer_1_multiplication, biases['b1'])
layer_1_activation = tf.nn.relu(layer_1_addition)# Hidden layer with RELU activation
layer_2_multiplication = tf.matmul(layer_1_activation, weights['h2'])
layer_2_addition = tf.add(layer_2_multiplication, biases['b2'])
layer_2_activation = tf.nn.relu(layer_2_addition)# Output layer with linear activation
out_layer_multiplication = tf.matmul(layer_2_activation, weights['out'])
out_layer_addition = out_layer_multiplication + biases['out']return out_layer_addition
如前所述，模型訓(xùn)練中一項非常重要的任務(wù)就是調(diào)整結(jié)點的權(quán)重。本節(jié)我們將介紹如何在 TensorFlow 中實現(xiàn)這一過程。
在 TensorFlow 中，結(jié)點權(quán)重和偏差值以變量的形式存儲，即 tf.Variable 對象。在數(shù)據(jù)流圖調(diào)用 run() 函數(shù)的時候，這些值將保持不變。在一般的機器學(xué)習(xí)場景中，權(quán)重值和偏差值的初始取值都通過正太分布確定。具體代碼如下圖所示：
weights = {
'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}
biases = {
'b1': tf.Variable(tf.random_normal([n_hidden_1])),
'b2': tf.Variable(tf.random_normal([n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_classes]))
}
以初始值運行神經(jīng)網(wǎng)絡(luò)之后，會得到一個實際輸出值 z，而我們的期望輸出值是 expected，這時我們需要做的就是計算兩者之間的誤差，并通過調(diào)整權(quán)重等參數(shù)使之最小化。一般計算誤差的方法有很多，這里因為我們處理的是分類問題，因此采用交叉熵誤差。（關(guān)于為什么分類問題選用交叉熵，參見：連接）
在 TensorFlow 中，我們可以通過調(diào)用 tf.nn.softmax_cross_entropy_with_logits() 函數(shù)來計算交叉熵誤差，因為這里我們的激活函數(shù)選擇了 Softmax ，因此誤差函數(shù)中出現(xiàn)了 softmax_ 前綴。具體代碼如下（代碼中我們同時調(diào)用了 tf.reduced_mean() 函數(shù)來計算平均誤差）：
# Construct model
prediction = multilayer_perceptron(input_tensor, weights, biases)
# Define loss
entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor)
loss = tf.reduce_mean(entropy_loss)
得到誤差之后，下面的任務(wù)是如何使之最小化。這里我們選擇的方法是最常用的隨機梯度下降法，其直觀的原理圖如下所示：
同樣，用來計算梯度下降的方法也有很多，這里我們采用了 Adaptive Moment Estimation (Adam) 優(yōu)化法，即自適應(yīng)矩估計的優(yōu)化方法，具體在 TensorFlow 中的體現(xiàn)是 tf.train.AdamOptimizer(learning_rate).minimize(loss) 函數(shù)。這里我們需要傳入 learning_rate 參數(shù)以決定計算梯度時的步進長度。
非常方便的一點是，AdamOptimizer() 函數(shù)封裝了兩種功能：一是計算梯度，二是更新梯度。換句話說，調(diào)用該函數(shù)不但能計算梯度值，還能將計算結(jié)果更新到所有 tf.Variables 對象中，這一點大大降低了編程復(fù)雜度。
具體模型訓(xùn)練部分的代碼如下所示：
learning_rate = 0.001
# Construct model
prediction = multilayer_perceptron(input_tensor, weights, biases)
# Define loss
entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor)
loss = tf.reduce_mean(entropy_loss)
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)
本例中，我們得到的原始數(shù)據(jù)是許多英文的文本片段，為了將這些數(shù)據(jù)導(dǎo)入模型中，我們需要對原始數(shù)據(jù)進行必要的預(yù)處理過程。這里具體包括兩個部分：
● 為每個單詞編碼；
● 為每個文本片段創(chuàng)建對應(yīng)的張量表示，其中以數(shù)字 1 代表出現(xiàn)了某個單詞，0 表示沒有該單詞。
具體實現(xiàn)代碼如下：
import numpy as np #numpy is a package for scientific computing
from collections import Counter
vocab = Counter()
text = "Hi from Brazil"
#Get all words
for word in text.split(' '):
vocab[word]+=1
#Convert words to indexes
def get_word_2_index(vocab):
word2index = {}
for i,word in enumerate(vocab):
word2index[word] = i
return word2index
#Now we have an index
word2index = get_word_2_index(vocab)
total_words = len(vocab)
#This is how we create a numpy array (our matrix)
matrix = np.zeros((total_words),dtype=float)
#Now we fill the values
for word in text.split():
matrix[word2index[word]] += 1
print(matrix)
>>> [ 1. 1. 1.]
從以上代碼可以看到，當(dāng)輸入文本是“Hi from Brazil”時，輸出矩陣是 [ 1. 1. 1.]。而當(dāng)輸入文本只有“Hi”時又會怎么樣呢，具體代碼和結(jié)果如下：
matrix = np.zeros((total_words),dtype=float)
text = "Hi"
for word in text.split():
matrix[word2index[word.lower()]] += 1
print(matrix)
>>> [ 1. 0. 0.]
可以看到，這時的輸出是 [ 1. 0. 0.]。
相應(yīng)的，我們也可以對類別信息進行編碼，只不過這時使用的是獨熱編碼：
y = np.zeros((3),dtype=float)
if category == 0:
y[0] = 1. # [ 1. 0. 0.]
elif category == 1:
y[1] = 1. # [ 0. 1. 0.]
else:
y[2] = 1. # [ 0. 0. 1.]
至此我們已經(jīng)對 TensorFlow、神經(jīng)網(wǎng)絡(luò)模型、模型訓(xùn)練和數(shù)據(jù)預(yù)處理等方面有了初步的了解，下面我們將演示如何將這些知識應(yīng)用于實際的數(shù)據(jù)。
這里我們的數(shù)據(jù)來源是 20 Newsgroups，其中包括了 18000 篇新聞稿，覆蓋率 20 個類別，開源免費，下載地址為：
首先，為了導(dǎo)入這些數(shù)據(jù)集，我們需要借助 scikit-learn 庫。它也是個開源的函數(shù)庫，基于 Python 語言，主要進行機器學(xué)習(xí)相關(guān)的數(shù)據(jù)處理任務(wù)。本例中我們只使用了其中的三個類：comp.graphics，sci.space 和 rec.sport.baseball。
最終數(shù)據(jù)會被分為兩個子集，一個是數(shù)據(jù)訓(xùn)練集，一個是測試集。這里的建議是最好不要提前查看測試數(shù)據(jù)集。因為提前查看測試數(shù)據(jù)會影響我們對模型參數(shù)的選擇，從而影響模型對其他未知數(shù)據(jù)的通用性。
具體的數(shù)據(jù)導(dǎo)入代碼如下：
from sklearn.datasets import fetch_20newsgroups
categories = ["comp.graphics","sci.space","rec.sport.baseball"]
newsgroups_train = fetch_20newsgroups(subset='train', categories=categories)
newsgroups_test = fetch_20newsgroups(subset='test', categories=categories)
在神經(jīng)網(wǎng)絡(luò)術(shù)語中，一個 epoch 過程就是對所有訓(xùn)練數(shù)據(jù)的一個前向傳遞（forward pass）加后向傳遞（backward pass）的完整循環(huán)。這里前向是指根據(jù)現(xiàn)有權(quán)重得到實際輸出值的過程，后向是指根據(jù)誤差結(jié)果反過來調(diào)整權(quán)重的過程。下面我們重點介紹一下 tf.Session.run() 函數(shù)，實際上它的完整調(diào)用形式如下：
tf.Session.run(fetches, feed_dict=None, options=None, run_metadata=None)
在文章開頭介紹該函數(shù)時，我們只通過 fetches 參數(shù)傳入了加法操作，但其實它還支持一次傳入多種操作的用法。在面向?qū)嶋H數(shù)據(jù)的模型訓(xùn)練環(huán)節(jié)，我們就傳入了兩種操作：一個是誤差計算（即隨機梯度下降），另一個是優(yōu)化函數(shù)（即自適應(yīng)矩估計）。
run() 函數(shù)中另一個重要的參數(shù)是 feed_dict，我們就是通過這個參數(shù)傳入模型每次處理的輸入數(shù)據(jù)。而為了輸入數(shù)據(jù)，我們又必須先定義 tf.placeholders。
按照官方文檔的解釋，這里 placeholder 僅僅是一個空客，用于引用即將導(dǎo)入模型的數(shù)據(jù)，既不需要初始化，也不存放真實的數(shù)據(jù)。本例中定義 tf.placeholders 的代碼如下：
n_input = total_words # Words in vocab
n_classes = 3 # Categories: graphics, sci.space and baseball
input_tensor = tf.placeholder(tf.float32,[None, n_input],name="input")
output_tensor = tf.placeholder(tf.float32,[None, n_classes],name="output")
在進行實際的模型訓(xùn)練之前，還需要將數(shù)據(jù)分成 batch，即一次計算處理數(shù)據(jù)的量。這時就體現(xiàn)了之前定義 tf.placeholders 的好處，即可以通過 placeholders 定義中的“None”參數(shù)指定一個維度可變的 batch。也就是說，batch 的具體大小可以等后面使用時再確定。這里我們在模型訓(xùn)練階段傳入的 batch 更大，而測試階段可能會做一些改變，因此需要使用可變 batch。隨后在訓(xùn)練中，我們通過 get_batches() 函數(shù)來獲取每次處理的真實文本數(shù)據(jù)。具體模型訓(xùn)練部分的代碼如下：
training_epochs = 10
# Launch the graph
with tf.Session() as sess:
sess.run(init) #inits the variables (normal distribution, remember?)
# Training cycle
for epoch in range(training_epochs):
avg_cost = 0.
total_batch = int(len(newsgroups_train.data)/batch_size)
# Loop over all batches
for i in range(total_batch):
batch_x,batch_y = get_batch(newsgroups_train,i,batch_size)
# Run optimization op (backprop) and cost op (to get loss value)
c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x, output_tensor:batch_y})
至此我們已經(jīng)針對實際數(shù)據(jù)完成了模型訓(xùn)練，下面到了應(yīng)用測試數(shù)據(jù)對模型進行測試的時候。在測試過程中，和之前的訓(xùn)練部分類似，我們同樣要定義圖元素，包括操作和數(shù)據(jù)兩類。這里為了計算模型的精度，同時還因為我們對結(jié)果引入了獨熱編碼，因此需要同時得到正確輸出的索引，以及預(yù)測輸出的索引，并檢查它們是否相等，如果不等，要計算相應(yīng)的平均誤差。具體實現(xiàn)代碼和結(jié)果如下：
# Test model
index_prediction = tf.argmax(prediction, 1)
index_correct = tf.argmax(output_tensor, 1)
correct_prediction = tf.equal(index_prediction, index_correct)
# Calculate accuracy
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
total_test_data = len(newsgroups_test.target)
batch_x_test,batch_y_test = get_batch(newsgroups_test,0,total_test_data)
print("Accuracy:", accuracy.eval({input_tensor: batch_x_test, output_tensor: batch_y_test}))
>>> Epoch: 0001 loss= 1133.908114347
Epoch: 0002 loss= 329.093700409
Epoch: 0003 loss= 111.876660109
Epoch: 0004 loss= 72.552971845
Epoch: 0005 loss= 16.673050320
Epoch: 0006 loss= 16.481995190
Epoch: 0007 loss= 4.848220565
Epoch: 0008 loss= 0.759822878
Epoch: 0009 loss= 0.000000000
Epoch: 0010 loss= 0.079848485
Optimization Finished!
Accuracy: 0.75
最終可以看到，我們的模型預(yù)測精度達到了 75%，對于初學(xué)者而言，這個成績還是不錯的。至此，我們已經(jīng)通過 TensorFlow 實現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)模型的文本分類任務(wù)。
來源：medium，雷鋒網(wǎng)編譯
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
