版权声明:转载请说明来源,谢谢 https://blog.csdn.net/wsp_1138886114/article/details/82318815
文章目录
一、Tensorflow构建流程
1.1 Tensorflow的基本总结
(1). 使用图来表示计算;
(2). 在session中执行图;
(3). 使用tensor来表示数据;
(4). Variable维护状态
(5). 使用feed和fetch可以为任意的操作赋值和获取数据。
1.2 Tensorflow构建流程运行—保存模型—加载模型
- (1). 构建图
- 构图过程就是自己建立网络的过程。主要构建op和op之间的传递,通过tensor实现数据传输。Op右构造器构造(tf.constent、tf.Variable、tf.matmul等),构造器的输入是op的输入。
- (2). 执行图
-
构造完成后,首先创建一个session,创建是无参数传入,则表示启动默认图。
通过session.run()来执行图,可以添加参数,参数为op,执行完后返回op的执行后的结果。 - (3). 保存图
-
在训练创建图时,可以定义saver = tf.train.saver(),如果没有加参数,则会默认把所有变量全部保存,此时,保存的是图中的变量。
在执行完图后,做saver.save(session,save_path,…)即可把整个模型保存下来。 - (4). 恢复模型
-
在恢复模型前,也要先建图,在图中部署使用模型做计算的op和计算过程,此时定义的op需要与训练时定义的op对应(可以不完全复制,但此时要用的op要包含在训练op中),然后任然定义saver=tf.train.saver(),保存变量。
然后用saver.restore(session,save_path,…)加载模型,接下来,可以用session.run()执行图。
二、语言模型和词向量
直接使用预先训练好的词向量如word2vec, glove
省去数据读取以及预处理模块
1 随着模型不断更新
1.1 train文件中输入语句用index表示
#表示最长的句子长度max_document_length
max_document_length=max([len(x.split(" "))for xin x_text])
vocab_processor = learn.preprocessing\
.VocabularyProcessor(max_document_length)
#拿到句子中的index向量表示(注意这里是词的index)
x = list(vocab_processor.fit_transform(x_text))
1.2 模型文件中index向量转化为词向量
self.input_x = tf.placeholder(tf.int32, [None, sequence_length],name="input_x")
with tf.name_scope("embedding"):
#tf.random_uniform([vocab_size, embedding_size], -1.0,1.0)词向量采用均匀分布作为初始化
# trainable=Ture表示模型中不断迭代更新词向量的值,如果trainable=False表示采用第三方预先训练好的词向量结果
self.W = tf.Variable(tf.random_uniform([vocab_size, embedding_size], -1.0,1.0),trainable=True, name="W")
self.embedded_x = tf.nn.embedding_lookup(self.W,self.input_x)
2 直接使用预先训练好的词向量如word2vec, glove
如下以glove为例,格式如下,词以及其对应的词向量
2.1 train.py文件
# 读文件获取glove中的词汇,以及其对应的词向量
vocab, embd = data_helpers.loadGloVe(FLAGS.embedding_file,
FLAGS.embedding_dim)
embedding = np.asarray(embd)
def tokenizer(iterator):
for value in iterator:
yield re.split(r'\s', value)
# 将glove文件中的词转化为index
vocab_processor = learn.preprocessing.VocabularyProcessor(max_sequence_length,
tokenizer_fn=tokenizer)
vocab_processor.fit(vocab)
#拿到句子中的index向量表示(注意这里是词的index)
x = list(vocab_processor.fit_transform(x_text))
2.2 model.py文件
#传入glove的初始值的占位符
self.embedding_placeholder = tf.placeholder(tf.float32,
[self.vocab_size,self.embedding_size],
name="embedding")
self.input_x = tf.placeholder(tf.int32,
[None, sequence_length],
name="input_x")
with tf.variable_scope("embedding"):
#trainable=False的设置如1.2设置
self.W = tf.Variable(tf.constant(0.0,
shape=[self.vocab_size,self.embedding_size]),
trainable=False, name="W")
# 把glove初始值给self.W
self.embedding_init = tf.assign(self.W,self.embedding_placeholder)
self.embedded_x = tf.nn.embedding_lookup(self.W,input_x )
3 测试的时候测试数据向量化
#读取train时保存的vocab文件
vocab_path = os.path.join(FLAGS.checkpoint_dir, "..", "vocab")
vocab_processor = learn.preprocessing\
.VocabularyProcessor\
.restore(vocab_path)
x_combined_indexes = list(vocab_processor.transform(x_combined))