Я пытаюсь реализовать код предварительной обработки для этой бумаги (код в этом репозитории ). Код предварительной обработки описан в документе здесь:
«Сверточная нейронная сеть (Kim, 2014) используется для извлечения текстовых функций из транскрипции высказываний. Мы используем единственный сверточный слой, за которым следует максимальное объединение и полностью связанный слой для получения представлений признаков для высказываний. Вход в эту сеть - это 300-мерные предварительно обученные векторы GloVe 840B (Pennington et al., 2014). Мы используем фильтры размера 3, 4 и 5 с 50 картами признаков Затем запутанные объекты объединяются в максимальный пул с размером окна 2, за которым следует активация ReLU (Nair and Hinton, 2010). Затем они объединяются и передаются на 100-мерный полностью связанный слой, активация которого формирует представление высказывания. Эта сеть обучается на уровне высказывания с помощью меток эмоций.
Авторы статьи заявляют, что код извлечения характеристик CNN можно найти в этом репозитории . Однако этот код предназначен для полной модели, которая выполняет классификацию последовательностей. Он делает все, что указано в приведенной выше цитате, за исключением выделенной жирным шрифтом части (и идет дальше, чтобы завершить классификацию). Я хочу, чтобы отредактировал код для сборки, который объединяется и подает на слой 100d, а затем извлекает активации. Данные для обучения находятся в репозитории (это набор данных IMDB).
На выходе должен быть тензор (100,) для каждой последовательности.
Вот код для модели CNN:
import tensorflow as tf
import numpy as np
class TextCNN(object):
"""
A CNN for text classification.
Uses an embedding layer, followed by a convolutional, max-pooling and softmax layer.
"""
def __init__(
self, sequence_length, num_classes, vocab_size,
embedding_size, filter_sizes, num_filters, l2_reg_lambda=0.0):
# Placeholders for input, output and dropout
self.input_x = tf.placeholder(tf.int32, [None, sequence_length], name="input_x")
self.input_y = tf.placeholder(tf.float32, [None, num_classes], name="input_y")
self.dropout_keep_prob = tf.placeholder(tf.float32, name="dropout_keep_prob")
# Keeping track of l2 regularization loss (optional)
l2_loss = tf.constant(0.0)
# Embedding layer
with tf.device('/cpu:0'), tf.name_scope("embedding"):
self.W = tf.Variable(
tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
name="W")
self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)
# Create a convolution + maxpool layer for each filter size
pooled_outputs = []
for i, filter_size in enumerate(filter_sizes):
with tf.name_scope("conv-maxpool-%s" % filter_size):
# Convolution Layer
filter_shape = [filter_size, embedding_size, 1, num_filters]
W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name="W")
b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name="b")
conv = tf.nn.conv2d(
self.embedded_chars_expanded,
W,
strides=[1, 1, 1, 1],
padding="VALID",
name="conv")
# Apply nonlinearity
h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
# Maxpooling over the outputs
pooled = tf.nn.max_pool(
h,
ksize=[1, sequence_length - filter_size + 1, 1, 1],
strides=[1, 1, 1, 1],
padding='VALID',
name="pool")
pooled_outputs.append(pooled)
# Combine all the pooled features
num_filters_total = num_filters * len(filter_sizes)
self.h_pool = tf.concat(pooled_outputs, 3)
self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total])
# Add dropout
with tf.name_scope("dropout"):
self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)
# Final (unnormalized) scores and predictions
with tf.name_scope("output"):
W = tf.get_variable(
"W",
shape=[num_filters_total, num_classes],
initializer=tf.contrib.layers.xavier_initializer())
b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
l2_loss += tf.nn.l2_loss(W)
l2_loss += tf.nn.l2_loss(b)
self.scores = tf.nn.xw_plus_b(self.h_drop, W, b, name="scores")
self.predictions = tf.argmax(self.scores, 1, name="predictions")
# Calculate mean cross-entropy loss
with tf.name_scope("loss"):
losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss
# Accuracy
with tf.name_scope("accuracy"):
correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")
Я хочу выполнить конкатенацию на уровне 100d, чтобы получить активации, я думаю вокруг строки 59 (прямо перед # Add Dropout раздел внизу, а затем закомментируйте остальное под ним). Как мне это сделать?