[nlp] 5. Convolutional neural network을 이용한 다중 클래스 분류 모델(pytorch)
업데이트:
5 - Multi-class Sentiment Analysis
2021/03/18 Happy-jihye
Reference : pytorch-sentiment-analysis/5 - Multi-class Sentiment Analysis
- (Github, )
- 이전까지의 튜토리얼에서는 positive(1)과 negative(0), 2개의 클래스만이 있는 dataset에 대해서 학습을 했습니다. 이 경우에는 모든 출력이 0과 1사이의 값으로 출력되었으며, 0.5이상에 대해서는 positive로, 0.5미만에 대해서는 negative로 분류했습니다.
- 이번 튜토리얼에서는 여러 개의 클래스를 가진 데이터 세트에 대해 분류하는 법을 학습할 예정입니다. (6개의 클래스를 가진 데이터셋으로 모델을 훈련)
1. Preparing Data
!apt install python3.7
!pip install torchtext==0.6.0
!python -m spacy download en
import torch
from torchtext import data
TEXT = data.Field(tokenize = 'spacy',
tokenizer_language = 'en')
LABEL = data.LabelField()
1) TREC Dataset
- torchtext.datasets의 TREC 의 dataset은 질문 분류(question clasffication)용 데이터셋입니다.
- TEC-6(6-클래스) 버전과 TEC-50(50-클래스) 버전이 있으며, 둘다 5,452개의 training examples과 500개의 test examples이 있습니다. 이번 노트북에서는 fine_grained를 False로 설정하여 6개의 클래스에 대해서만 질문 분류를 할 수 있도록 하였습니다.
from torchtext import datasets
import random
import numpy as np
SEED = 1234
random.seed(SEED)
np.random.seed(SEED)
torch.manual_seed(SEED)
torch.backends.cudnn.deterministic = True
train_data, test_data = datasets.TREC.splits(TEXT, LABEL, fine_grained = False) #5452, 500
train_data, valid_data = train_data.split(random_state = random.seed(SEED))
print(f'training examples 수 : {len(train_data)}')
print(f'validations examples 수 : {len(valid_data)}')
print(f'testing examples 수 : {len(test_data)}\n')
print(vars(train_data[-1]))
training examples 수 : 3816
validations examples 수 : 1636
testing examples 수 : 500
{'text': ['What', 'is', 'a', 'Cartesian', 'Diver', '?'], 'label': 'DESC'}
2) Build Vocabulary and load the pre-trained word embeddings
- glove.6B.100 의 학습된 임베딩 벡터를 사용합니다.
- 이번 예제에서 사용하는 dataset은 크기가 매우 작기 때문에(training data : 약 3800개) 이 dataset의 vocabulary역시 매우 작습니다. (~7500 unique tokens)
- 따라서 이전 예제들처럼 max_size를 지정하지 않아도 됩니다.
TEXT.build_vocab(train_data,
vectors = "glove.6B.100d",
unk_init = torch.Tensor.normal_)
LABEL.build_vocab(train_data)
print(f"Unique tokens in TEXT vocabulary: {len(TEXT.vocab)}")
print(f"Unique tokens in LABEL vocabulary: {len(LABEL.vocab)}")
Unique tokens in TEXT vocabulary: 7503
Unique tokens in LABEL vocabulary: 6
Label
- no-fine-grained case의 경우에는 총 6개의 label로 학습이 됩니다.
- dataset에는 6개의 유형의 question label이 있습니다.
- HUM for questions about humans
- ENTY for questions about entities
- DESC for questions asking you for a description
- NUM for questions where the answer is numerical
- LOC for questions where the answer is a location
- ABBR for questions asking about abbreviations
print(LABEL.vocab.stoi)
defaultdict(None, {'HUM': 0, 'ENTY': 1, 'DESC': 2, 'NUM': 3, 'LOC': 4, 'ABBR': 5})
3) Create the iterators
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
BATCH_SIZE = 64
train_iterator, valid_iterator, test_iterator = data.BucketIterator.splits(
(train_data, valid_data, test_data),
batch_size = BATCH_SIZE,
device = device
)
2. Build Model
- 이전 튜토리얼(Convolutional Sentiment Analysis)의 CNN model을 활용하여 다중 클래스를 분류하였습니다.
import torch.nn as nn
import torch.nn.functional as F
class CNN(nn.Module):
def __init__(self, vocab_size, embedding_dim,
n_filters, filter_sizes,
output_dim,
dropout,
pad_idx #<pad> token
):
super().__init__()
self.embedding = nn.Embedding(vocab_size, embedding_dim, padding_idx = pad_idx)
self.convs = nn.ModuleList([
nn.Conv2d(in_channels = 1,
out_channels = n_filters,
kernel_size = (fs, embedding_dim))
for fs in filter_sizes
])
self.fc = nn.Linear(len(filter_sizes) * n_filters, output_dim)
self.dropout = nn.Dropout(dropout)
def forward(self, text):
# text = [sentence length, batch size]
## 이번 예제에서는 batch_first를 true로 바꾼 후 학습하지 않았으므로 batch size가 두번째 인자입니다.
text = text.permute(1, 0)
# text = [batch size, sentence length]
## RNN에서는 batch size의 입력을 두번째로 원하기 때문에 text가 [sentence length, batch size] 였다면,
## CNN에서는 batch size를 먼저 입력받아야하기 때문에 batch_first를 True로 설정하여 이렇게 데이터를 구성해주었습니다.
embedded = self.embedding(text).unsqueeze(1) # 두번째 위치에 1인 차원을 추가
# embedded = [batch size, sentence length, embedding dim]
# unsquezzed_embedded = [batch size, 1, sentence length, embedding dim]
conved = [F.relu(conv(embedded).squeeze(3)) for conv in self.convs]
# conved_n = [batch size, n_filters, sentence length - filter_sizes[n] + 1]
pooled = [F.max_pool1d(conv, conv.shape[2]).squeeze(2) for conv in conved]
# pooled_n = [batch size, n_filters]
cat = self.dropout(torch.cat(pooled, dim = 1))
# cat = [batch_size, n_filters * len(filter_sizes)]
return self.fc(cat)
Create an instance our CNN Class
- Multi-class 이므로 OUTPUT_DIM의 크기를 label의 개수로 설정해줍니다. 이 경우에는 6이 됩니다.
INPUT_DIM = len(TEXT.vocab)
EMBEDDING_DIM = 100
N_FILTERS = 100
FILTER_SIZES = [2, 3, 4]
OUTPUT_DIM = len(LABEL.vocab)
DROPOUT = 0.5
PAD_IDX = TEXT.vocab.stoi[TEXT.pad_token]
model = CNN(INPUT_DIM, EMBEDDING_DIM, N_FILTERS, FILTER_SIZES, OUTPUT_DIM, DROPOUT, PAD_IDX)
def count_parameters(model):
return sum(p.numel() for p in model.parameters() if p.requires_grad)
print(f'The model has {count_parameters(model):,} trainable parameters')
The model has 842,406 trainable parameters
- pre-trained embeddings을 load합니다.
pretrained_embeddings = TEXT.vocab.vectors
print(pretrained_embeddings.shape)
model.embedding.weight.data.copy_(pretrained_embeddings)
torch.Size([7503, 100])
tensor([[-0.1117, -0.4966, 0.1631, ..., 1.2647, -0.2753, -0.1325],
[-0.8555, -0.7208, 1.3755, ..., 0.0825, -1.1314, 0.3997],
[ 0.1638, 0.6046, 1.0789, ..., -0.3140, 0.1844, 0.3624],
...,
[-0.3110, -0.3398, 1.0308, ..., 0.5317, 0.2836, -0.0640],
[ 0.0091, 0.2810, 0.7356, ..., -0.7508, 0.8967, -0.7631],
[ 0.4306, 1.2011, 0.0873, ..., 0.8817, 0.3722, 0.3458]])
- unknown token과 padding token은 embedding weight를 0으로 초기화합니다.
# PAD_IDX = TEXT.vocab.stoi[TEXT.pad_token] : 1
UNK_IDX = TEXT.vocab.stoi[TEXT.unk_token] #0
model.embedding.weight.data[UNK_IDX] = torch.zeros(EMBEDDING_DIM)
model.embedding.weight.data[PAD_IDX] = torch.zeros(EMBEDDING_DIM)
print(model.embedding.weight.data)
tensor([[ 0.0000, 0.0000, 0.0000, ..., 0.0000, 0.0000, 0.0000],
[ 0.0000, 0.0000, 0.0000, ..., 0.0000, 0.0000, 0.0000],
[ 0.1638, 0.6046, 1.0789, ..., -0.3140, 0.1844, 0.3624],
...,
[-0.3110, -0.3398, 1.0308, ..., 0.5317, 0.2836, -0.0640],
[ 0.0091, 0.2810, 0.7356, ..., -0.7508, 0.8967, -0.7631],
[ 0.4306, 1.2011, 0.0873, ..., 0.8817, 0.3722, 0.3458]])
3. Train the Model
optimizer
- Adam 를 이용해서 model을 update하였습니다.
- 이전 tutorial에서 사용했던 SGD는 동일한 학습속도로 parameter를 업데이트하기 때문에 학습속도를 선택하기 어렵지만, Adam은 각 매개변수에 대해 학습속도를 조정해주기 때문에 자주 학습되는 parameter에 낮은 learning rate를 update하고 자주 학습되지 않는 parameter에 높은 learning rate를 update할 수 있습니다.
import torch.optim as optim
optimizer =optim.Adam(model.parameters())
loss function
- loss function 으로는 다중 분류를 위한 대표적인 손실함수 cross entropy with logits을 사용하였습니다.
- 이전까지의 튜토리얼에서는 BCEWithLogitsLoss함수를 많이 사용했었는데, 이는 우리의 예제가 오직 2개의 클래스만을 분류하였기 때문입니다. BCEWithLogitsLoss는 보통 0과 1만 있는 binary class를 분류할 때 쓰이고, CrossEntropyLoss는 다중 클래스를 분류할 때 많이 사용합니다.
- torch.nn.CrossEntropyLoss는 nn.LogSoftmax와 nn.NLLLoss의 연산의 조합입니다. 자세한 설명은 이 링크를 참고하시면 좋을 것 같습니다.
criterion = nn.CrossEntropyLoss()
# GPU
model = model.to(device)
criterion = criterion.to(device)
Accuracy function
- class의 개수가 여러개이므로 정확도를 측정하는 함수 역시 binary_accuracy 함수와는 다릅니다.
- argmax함수를 이용하여 batch의 각 요소에 대한 prediction 최댓값의 index를 가져온 후에 이를 실제 label과 비교하여 정확도를 계산하였습니다.
- 예를 들어 각 class에 대한 라벨링이 [‘HUM’ = 0, ‘ENTY’ = 1, ‘DESC’ = 2, ‘NUM’ = 3, ‘LOC’ = 4, ‘ABBR’ = 5]와 같이 되어있을 때, output값이 [5.1, 0.3, 0.1, 2.1, 0.2, 0.6]라면 우리의 model은 ‘HUM’이라고 예측할 것입니다.
def categorical_accuracy(preds, y):
top_pred = preds.argmax(1, keepdim = True)
correct = top_pred.eq(y.view_as(top_pred)).sum()
acc = correct.float() / y.shape[0]
return acc
1) Train
def train(model, iterator, optimizer, criterion):
epoch_loss = 0
epoch_acc = 0
model.train()
for batch in iterator:
# 모든 batch마다 gradient를 0으로 초기화합니다.
optimizer.zero_grad()
# batch of sentences인 batch.text를 model에 입력합니다.
predictions = model(batch.text)
# prediction결과와 batch.label을 비교하여 loss값 계산합니다.
loss = criterion(predictions, batch.label)
# 정확도를 계산합니다.
acc = categorical_accuracy(predictions, batch.label)
# backward()를 사용하여 역전파 수행합니다.
loss.backward()
# 최적화 알고리즘을 사용하여 parameter를 update합니다.
optimizer.step()
epoch_loss += loss.item()
epoch_acc += acc.item()
return epoch_loss / len(iterator), epoch_acc / len(iterator)
2) Evaluate
def evaluate(model, iterator, criterion):
epoch_loss = 0
epoch_acc = 0
# "evaluation mode" : dropout이나 batch nomalizaation을 끔
model.eval()
# pytorch에서 gradient가 계산되지 않도록 해서 memory를 적게 쓰고 computation 속도를 높임
with torch.no_grad():
for batch in iterator :
predictions = model(batch.text).squeeze(1)
loss = criterion(predictions, batch.label)
acc = categorical_accuracy(predictions, batch.label)
epoch_loss += loss.item()
epoch_acc += acc.item()
return epoch_loss / len(iterator), epoch_acc / len(iterator)
- epoch 시간을 계산하기 위한 함수
import time
def epoch_time(start_time, end_time):
elapsed_time = end_time - start_time
elapsed_mins = int(elapsed_time / 60)
elapsed_secs = int(elapsed_time - (elapsed_mins * 60))
return elapsed_mins, elapsed_secs
Train the model through multiple epochs
- 데이터 사이즈가 크지 않으므로 학습속도가 빠릅니다.
- 정확도도 약 85%정도가 나오는 것으로 보아 이 모델이 괜찮은 성능을 내고 있음을 확인할 수 있습니다.
N_EPOCHS = 5
best_valid_loss = float('inf')
for epoch in range(N_EPOCHS):
start_time = time.time()
train_loss, train_acc = train(model, train_iterator, optimizer, criterion)
valid_loss, valid_acc = evaluate(model, valid_iterator, criterion)
end_time = time.time()
epoch_mins, epoch_secs = epoch_time(start_time, end_time)
if valid_loss < best_valid_loss:
best_valid_loss = valid_loss
torch.save(model.state_dict(), 'tut5-model.pt')
print(f'Epoch: {epoch+1:02} | Epoch Time: {epoch_mins}m {epoch_secs}s')
print(f'\tTrain Loss: {train_loss:.3f} | Train Acc: {train_acc*100:.2f}%')
print(f'\t Val. Loss: {valid_loss:.3f} | Val. Acc: {valid_acc*100:.2f}%')
Epoch: 01 | Epoch Time: 0m 0s
Train Loss: 0.294 | Train Acc: 91.03%
Val. Loss: 0.470 | Val. Acc: 84.02%
Epoch: 02 | Epoch Time: 0m 0s
Train Loss: 0.211 | Train Acc: 94.76%
Val. Loss: 0.457 | Val. Acc: 83.25%
Epoch: 03 | Epoch Time: 0m 0s
Train Loss: 0.173 | Train Acc: 95.55%
Val. Loss: 0.438 | Val. Acc: 84.38%
Epoch: 04 | Epoch Time: 0m 0s
Train Loss: 0.137 | Train Acc: 96.57%
Val. Loss: 0.431 | Val. Acc: 85.69%
Epoch: 05 | Epoch Time: 0m 0s
Train Loss: 0.100 | Train Acc: 97.79%
Val. Loss: 0.428 | Val. Acc: 85.33%
model.load_state_dict(torch.load('tut5-model.pt'))
test_loss, test_acc = evaluate(model, test_iterator, criterion)
print(f'Test Loss: {test_loss:.3f} | Test Acc: {test_acc*100:.2f}%')
Test Loss: 0.337 | Test Acc: 87.53%
Test
import torch
model.load_state_dict(torch.load('tut5-model.pt'))
<All keys matched successfully>
- 주어진 질문의 클래스를 예측하는 test sample을 만들었습니다.
import spacy
nlp = spacy.load('en_core_web_sm')
def predict_class(model, sentence, min_len = 4):
model.eval()
tokenized = [tok.text for tok in nlp.tokenizer(sentence)]
if len(tokenized) < min_len:
tokenized += ['<pad>'] * (min_len - len(tokenized))
indexed = [TEXT.vocab.stoi[t] for t in tokenized]
tensor = torch.LongTensor(indexed).to(device)
tensor = tensor.unsqueeze(1)
preds = model(tensor)
max_preds = preds.argmax(dim = 1)
return max_preds.item()
pred_class = predict_class(model, "Who is Keyser Söze?")
print(f'Predicted class is: {pred_class} = {LABEL.vocab.itos[pred_class]}')
Predicted class is: 0 = HUM
pred_class = predict_class(model, "How many minutes are in six hundred and eighteen hours?")
print(f'Predicted class is: {pred_class} = {LABEL.vocab.itos[pred_class]}')
Predicted class is: 3 = NUM
pred_class = predict_class(model, "What continent is Bulgaria in?")
print(f'Predicted class is: {pred_class} = {LABEL.vocab.itos[pred_class]}')
Predicted class is: 4 = LOC
pred_class = predict_class(model, "What does WYSIWYG stand for?")
print(f'Predicted class is: {pred_class} = {LABEL.vocab.itos[pred_class]}')
Predicted class is: 5 = ABBR
댓글남기기