http://blog.csdn.net/pirage/article/details/53424544

?

分詞原理

本小節內容參考待字閨中的兩篇博文：

97.5%準確率的深度學習中文分詞（字嵌入+Bi-LSTM+CRF）

如何深度理解Koth的深度分詞？

簡單的說，kcws的分詞原理就是：

對語料進行處理，使用word2vec對語料的字進行嵌入，每個字特征為50維。

得到字嵌入后，用字嵌入特征喂給雙向LSTM， 對輸出的隱層加一個線性層，然后加一個CRF就得到本文實現的模型。

于最優化方法，文本語言模型類的貌似Adam效果更好， 對于分類之類的，貌似AdaDelta效果更好。

另外，字符嵌入的表示可以是純預訓練的，但也可以在訓練模型的時候再fine-tune,一般而言后者效果更好。對于fine-tune的情形，可以在字符嵌入后，輸入雙向LSTM之前加入dropout進一步提升模型效果。

具體的解決方案，基于雙向LSTM與CRF的神經網絡結構：

如上圖所示，單層圓圈代表的word embedding輸入層，菱形代表學習輸入的決定性方程，雙層圓圈代表隨機變量。信息流將輸入層的word embedding送到雙向LSTM， l(i)代表word(i)和從左邊傳入的歷史信號，r(i)代表word(i)以及從右邊傳入的未來的信號，用c(i)連接這兩個向量的信息，代表詞word(i)。

先說Bi-LSTM這個雙向模型，LSTM的變種有很多，基本流程都是一樣的，文獻中同樣采用上一節說明的三個門，控制送入memory cell的輸入信息，以及遺忘之前階段信息的比例，再對細胞狀態進行更新，最后用tanh方程對更新后的細胞狀態再做處理，與sigmoid疊加相乘作為最終輸出。具體的模型公式見下圖，經過上一節的解釋，這些符號應該不太陌生了。

雙向LSTM說白了，就是先從左至右，順序學習輸入詞序列的歷史信息，再從右至左，學習輸入詞序列未來影響現在的信息，結合這兩種方式的最終表示有效地描述了詞的內容，在多種標注應用上取得了好效果。

如果說雙向LSTM并不特殊，這個結構中另一個新的嘗試，就是將深度神經網絡最后學出來的結果，作為特征，用CRF模型連接起來，用P來表示雙向LSTM神經網絡學習出來的打分輸出矩陣，它是一個 nxk 的矩陣，n是輸入詞序列個數，k是標記類型的數目， P(ij)指的是在一個輸入句子中，第i個詞在第j個tag標記上的可能性（打分）。另外一個特征函數是狀態轉移矩陣 A，A(ij) 代表從tag i轉移到tag j的可能性（打分），但這個轉移矩陣實際上有k+2維，其中包括句子的開始和結束兩個狀態，用公式表示如下圖：

?

s(X,y)=∑i=0nAyi,yi+1+∑i=1nPi,yi

?

在給定輸入序列X，最終定義的輸出y序列的概率，則使用softmax函數表示如下：

?

p(y|X)=es(X,y)∑y?∈YXes(X,y?)

?

而在訓練學習目標函數的時候，要優化的就是下面這個預測輸出標記序列的log概率，其中 Y(X)代表的是所有可能的tag標記序列集合，那么最后學習得到的輸出，就是概率最大的那個標記序列。如果只是模擬輸出的bigram交互影響方式，采用動態規劃即可求解下列方程。

?

log(p(y|X))=s(X,y)?log(∑y?∈YXes(X,y?))

?

=s(X,y)?logaddy?∈YXs(X,y?)

y?=argmaxy?∈YXs(X,y?)

?

至此，基于雙向LSTM與CRF的神經網絡結構已經介紹完畢，文獻中介紹的是在命名實體識別方面的一個實踐應用，這個思路同樣可以用在分詞上。具體的實踐和調參，也得應場景而異，Koth在上一篇博客中已經給出了自己的踐行，讀者們可以借鑒參考。

代碼結構與實踐

koth大神開源的項目地址為：https://github.com/koth/kcws

主要的代碼在目錄kcws/kcws/train路徑下。（寫這篇文章的時候發現K大神做了更新，我主要還是分析之前的代碼）

• process_anno_file.py 將人民網2014訓練語料進行單字切割，包括標點符號
• generate_training.py 生成單字的vector之后，處理每篇訓練語料，以“。”劃分為句子，對每個句子，如果長度大于MAX_LEN(默認設置為80，在代碼里改)，不處理，Long lines加一，如果長度小于MAX_LEN，則生成長度為160的vector，前80為單字在字典中的index，不足80的補0，后80為每個字對應的SBME標記（S表示單字，B表示開始，M表示中間，E表示結尾）。
• filter_sentence.py 將語料切分為訓練集和測試集，作者將含有兩個字以下的句子過濾掉，剩下的按照二八分，測試集最多8000篇。
• train_cws_lstm.py 主要訓練代碼。

作者在項目主頁上很詳細的寫了構建和訓練的步驟，按照這些步驟來實踐一下不算難，我主要遇到了以下幾個問題：

之前安裝tensorflow的時候沒有用bazel，不了解bazel的工作方式和原理，但是這個項目必須要用，因為需要用到third_party中word2vec的類。（可以將word2vec的某些類構建為python可以import的類？）

已安裝的0.8.0版本的tensorflow沒有實現crf，需要升級。

安裝tensorflow 0.11.0版本后運行，出現PyUnicodeUCS4_AsUTF8String的錯誤，查找后發現是當前安裝的python默認是unicode=ucs2，需要重新編譯安裝python。編譯的時候設置./configure –enable-unicode=ucs4 。

numpy，scipy都需要重新build，setup。

主要代碼分析

def main(unused_argv):curdir = os.path.dirname(os.path.realpath(__file__))trainDataPath = tf.app.flags.FLAGS.train_data_pathif not trainDataPath.startswith("/"): trainDataPath = curdir + "/" + trainDataPath graph = tf.Graph() with graph.as_default(): model = Model(FLAGS.embedding_size, FLAGS.num_tags, FLAGS.word2vec_path, FLAGS.num_hidden) print("train data path:", trainDataPath) # 讀取訓練集batch大小的feature和label，各為80大小的數組 X, Y = inputs(trainDataPath) # 讀取測試集所有數據的feature和label，各為80大小的數組 tX, tY = do_load_data(tf.app.flags.FLAGS.test_data_path) # 計算訓練集的損失 total_loss = model.loss(X, Y) # 使用AdamOptimizer優化方法 train_op = train(total_loss) # 在測試集上做評測 test_unary_score, test_sequence_length = model.test_unary_score() # 創建Supervisor管理模型的分布式訓練 sv = tf.train.Supervisor(graph=graph, logdir=FLAGS.log_dir) with sv.managed_session(master='') as sess: # actual training loop training_steps = FLAGS.train_steps for step in range(training_steps): if sv.should_stop(): break try: _, trainsMatrix = sess.run( [train_op, model.transition_params]) # for debugging and learning purposes, see how the loss gets decremented thru training steps if step % 100 == 0: print("[%d] loss: [%r]" % (step, sess.run(total_loss))) if step % 1000 == 0: test_evaluate(sess, test_unary_score, test_sequence_length, trainsMatrix, model.inp, tX, tY) except KeyboardInterrupt, e: sv.saver.save(sess, FLAGS.log_dir + '/model', global_step=step + 1) raise e sv.saver.save(sess, FLAGS.log_dir + '/finnal-model') sess.close()

1

?

Class Model：

def __init__(self, embeddingSize, distinctTagNum, c2vPath, numHidden):self.embeddingSize = embeddingSizeself.distinctTagNum = distinctTagNumself.numHidden = numHiddenself.c2v = self.load_w2v(c2vPath)self.words = tf.Variable(self.c2v, name="words") with tf.variable_scope('Softmax') as scope: self.W = tf.get_variable( shape=[numHidden * 2, distinctTagNum], initializer=tf.truncated_normal_initializer(stddev=0.01), name="weights", regularizer=tf.contrib.layers.l2_regularizer(0.001)) self.b = tf.Variable(tf.zeros([distinctTagNum], name="bias")) self.trains_params = None self.inp = tf.placeholder(tf.int32, shape=[None, FLAGS.max_sentence_len], name="input_placeholder") pass def length(self, data): used = tf.sign(tf.reduce_max(tf.abs(data), reduction_indices=2)) length = tf.reduce_sum(used, reduction_indices=1) length = tf.cast(length, tf.int32) return length def inference(self, X, reuse=None, trainMode=True): word_vectors = tf.nn.embedding_lookup(self.words, X) # 按照X順序返回self.words中的第X行，返回的結果組成tensor。 length = self.length(word_vectors) # length是shape為[batch_size]大小值為句子長度的vector length_64 = tf.cast(length, tf.int64) if trainMode: # 訓練的時候啟用dropout，測試的時候關鍵dropout word_vectors = tf.nn.dropout(word_vectors, 0.5) # 將word_vectors按照50%的概率丟棄某些詞，tf增加的一個處理是將其余的詞scale 1/0.5 with tf.variable_scope("rnn_fwbw", reuse=reuse) as scope: forward_output, _ = tf.nn.dynamic_rnn( tf.nn.rnn_cell.LSTMCell(self.numHidden), word_vectors, dtype=tf.float32, sequence_length=length, scope="RNN_forward") backward_output_, _ = tf.nn.dynamic_rnn( tf.nn.rnn_cell.LSTMCell(self.numHidden), inputs=tf.reverse_sequence(word_vectors, length_64, seq_dim=1), # 訓練和測試的時候，inputs的格式不同。訓練時，tensor shape是[batch_size, max_time,input_size] # 測試時，tensor shape是[max_time,batch_size,input_size]. # tf.reverse_sequence作用就是指定在列上操作（batch_dim表示按行操作） dtype=tf.float32, sequence_length=length, scope="RNN_backword") # tf.nn.dynamic_rnn(cell, inputs, sequence_length,time_major,...)主要參數： # cell：搭建好的網絡，這里用LSTMCell(num_cell)，num_cell表示一個lstm單元輸出的維數（100） # inputs：word_vectors，它的shape由time_major決定，默認是false，即[batch_size，max_time，input_size]，如果是測試 # 過程，time_major設置為True，shape為[max_time，batch_size，input_size]，這里直接做了reverse，省去了time_major設置。 # 其中，batch_size=100, max_time=80句子最大長度，input_size字的向量的長度。 # sequence_length：shape[batch_size]大小的值為句子最大長度的tensor。 # 輸出： # outputs：[batch_size, max_time, cell.output_size] # state: shape取決于LSTMCell中state_size的設置，返回Tensor或者tuple。 backward_output = tf.reverse_sequence(backward_output_, length_64, seq_dim=1) # 這里的reverse_sequence同上。 output = tf.concat(2, [forward_output, backward_output]) # 連接兩個三維tensor，2表示按照列連接（0表示縱向，1表示行） # 連接后，output的shape:[batch_size, max_time, 2*cell.output_size],即[100， 80， 2*50] output = tf.reshape(output, [-1, self.numHidden * 2]) # reshape后，output的shape:[batch_size, self.numHidden * 2],即[100, 200] matricized_unary_scores = tf.batch_matmul(output, self.W) # 得到未歸一化的CRF輸出 # 點乘W的shape[ 100*2, 4],生成[batch_size, 4]大小的matricized_unary_scores unary_scores = tf.reshape( matricized_unary_scores, [-1, FLAGS.max_sentence_len, self.distinctTagNum]) # reshape后，unary_scores大小為[batch_size，80， 4] return unary_scores, length def loss(self, X, Y): P, sequence_length = self.inference(X) # CRF損失計算，訓練的時候使用，測試的時候用viterbi解碼 log_likelihood, self.transition_params = tf.contrib.crf.crf_log_likelihood( P, Y, sequence_length) # crf_log_likelihood參數(inputs,tag_indices, sequence_lengths) # inputs:大小為[100, 80, 4]的tensor，CRF層的輸入 # tag_indices:大小為[100, 80]的矩陣 # sequence_length：大小 [100]值為80的向量。 # 輸出： # log_likelihood：[batch_size]大小的vector，log-likelihood值 # transition_params：[4,4]大小的矩陣 loss = tf.reduce_mean(-log_likelihood) return loss def load_w2v(self, path): #返回（num+2）*50大小的二維矩陣，其中第一行全是0，最后一行是每個詞向量維度的平均值。 fp = open(path, "r") print("load data from:", path) line = fp.readline().strip() ss = line.split(" ") total = int(ss[0]) dim = int(ss[1]) assert (dim == (FLAGS.embedding_size)) ws = [] mv = [0 for i in range(dim)] # The first for 0 ws.append([0 for i in range(dim)]) for t in range(total): line = fp.readline().strip() ss = line.split(" ") assert (len(ss) == (dim + 1)) vals = [] for i in range(1, dim + 1): fv = float(ss[i]) mv[i - 1] += fv vals.append(fv) ws.append(vals) for i in range(dim): mv[i] = mv[i] / total ws.append(mv) fp.close() return np.asarray(ws, dtype=np.float32) def test_unary_score(self): P, sequence_length = self.inference(self.inp, reuse=True, trainMode=False) return P, sequence_length

其他的代碼比較簡單，個人覺得不必要做深入分析。

總結

近一兩個月開始學習TensorFlow，代碼看了一些，但是總感覺臨門差那么一腳。革命尚未完成，同志們仍需努力

轉載于:https://www.cnblogs.com/DjangoBlog/p/6756449.html

總結

以上是生活随笔為你收集整理的开源项目kcws代码分析--基于深度学习的分词技术的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。