如何使用TensorFlow Hub文本模塊構(gòu)建一個(gè)模型，以根據(jù)相關(guān)描述預(yù)測(cè)電影類型

將遷移學(xué)習(xí)應(yīng)用于計(jì)算機(jī)視覺模型的例子很常見，但如果將其用于文本分類，情況又會(huì)如何呢？不妨進(jìn)入TensorFlow Hub，這是通過遷移學(xué)習(xí)來增強(qiáng) TF 模型的內(nèi)容庫(kù)。遷移學(xué)習(xí)是這樣一種過程：選用已借助大量數(shù)據(jù)訓(xùn)練好的已有模型的權(quán)重和變量，并將其運(yùn)用于自己的數(shù)據(jù)和預(yù)測(cè)任務(wù)。

遷移學(xué)習(xí)具有諸多好處，其中之一就是您無需像從頭開始訓(xùn)練時(shí)一樣提供自己的大量訓(xùn)練數(shù)據(jù)。但這些已有模型又來自何處呢？這正是 TensorFlow Hub 大顯身手之處：它可以為各類模型（圖像、文本等）提供現(xiàn)有模型檢查點(diǎn)的完整存儲(chǔ)區(qū)。在本篇博文中，我將介紹如何使用 TensorFlow Hub 文本模塊構(gòu)建一個(gè)模型，以根據(jù)相關(guān)描述預(yù)測(cè)電影類型。

您可以使用Colab在瀏覽器中運(yùn)行此模型，無需任何設(shè)置。

導(dǎo)入數(shù)據(jù)并進(jìn)行預(yù)處理

在這個(gè)模型中，我們將使用Kaggle 電影數(shù)據(jù)集這個(gè)出色的公共領(lǐng)域資源。該數(shù)據(jù)集包含逾 45000 部電影的數(shù)據(jù)，每部電影均有大量相關(guān)數(shù)據(jù)。為簡(jiǎn)便起見，我們僅使用該數(shù)據(jù)集中的電影描述（稱作 “簡(jiǎn)介”）和電影類型。下面是該數(shù)據(jù)集在 Kaggle 中的預(yù)覽：

注：Kaggle 電影數(shù)據(jù)集鏈接

https://www.kaggle.com/rounakbanik/the-movies-dataset/home

首先，我們將導(dǎo)入要使用的內(nèi)容庫(kù)，以構(gòu)建此模型：

1import numpy as np

2import pandas as pd

3

4import tensorflow as tf

5import tensorflow_hub as hub

6

7from sklearn.preprocessing import MultiLabelBinarizer

我已經(jīng)將這個(gè)數(shù)據(jù)集的 CSV 文件放在一個(gè)公共 Cloud Storage 存儲(chǔ)分區(qū)中。我們可以運(yùn)行如下命令，將數(shù)據(jù)下載到我們的 Colab 實(shí)例中，并讀取為 Pandas dataframe 格式：

1!wget 'https://storage.googleapis.com/movies_data/movies_metadata.csv'

2data = pd.read_csv('movies_metadata.csv')

3

4descriptions = data['overview']

5genres = data['genres']

為簡(jiǎn)便起見，我們將可能的類型限定為下列幾種：

1top_genres = ['Comedy', 'Thriller', 'Romance', 'Action', 'Horror', 'Crime', 'Documentary', 'Adventure', 'Science Fiction']

我們將數(shù)據(jù)集限定為這些類型中描述非空白的電影，然后按照 80% 訓(xùn)練和 20% 測(cè)試的比例將數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集：

1train_size = int(len(descriptions) * .8)

2

3train_descriptions = descriptions[:train_size]

4train_genres = genres[:train_size]

5

6test_descriptions = descriptions[train_size:]

7test_genres = genres[train_size:]

使用 TF Hub 構(gòu)建嵌入層

以 TF Hub 創(chuàng)建嵌入層時(shí)僅需使用極少量代碼。我們的模型僅有一個(gè)特征（描述），并將表示為一個(gè)嵌入列。文本嵌入提供了在向量空間表示文本內(nèi)容的方法，如此一來，嵌入空間中相似的字詞或句子會(huì)更靠近（您可在此處閱讀更多相關(guān)內(nèi)容）。您可以完全使用自己的數(shù)據(jù)從頭開始構(gòu)建文本嵌入向量。TF Hub 可提供已使用各種文本數(shù)據(jù)訓(xùn)練過的文本嵌入，因而能夠簡(jiǎn)化這一過程。

注：文本嵌入鏈接

https://www.tensorflow.org/hub/modules/text

對(duì)于英文文本，TF Hub 提供了各種已使用不同種類文本數(shù)據(jù)訓(xùn)練過的嵌入：

通用語句編碼器 (Universal sentence encoder)：用于較長(zhǎng)的文本輸入

ELMo：使用十億單詞基準(zhǔn) (1B Word Benchmark) 訓(xùn)練過的深度嵌入

神經(jīng)網(wǎng)絡(luò)語言模型 (Neural Network Language Model)嵌入：通過 Google 新聞?dòng)?xùn)練

Word2vec：通過 Wikipedia 訓(xùn)練

您所選擇的預(yù)訓(xùn)練文本嵌入是您模型中的一個(gè)超參數(shù)，所以最好用不同的文本嵌入進(jìn)行試驗(yàn)，看看哪個(gè)的準(zhǔn)確性最高。先從用與您的文本最接近的文本訓(xùn)練過的模型開始。由于我們的電影描述都是較長(zhǎng)的輸入，因此，我發(fā)現(xiàn)使用通用語句編碼器嵌入的準(zhǔn)確性最高。這可以將我們的描述編碼為高維文本向量。請(qǐng)注意，這一特定模型很大，會(huì)占用 1GB 容量。

注：通用語句編碼器鏈接

https://www.tensorflow.org/hub/modules/google/universal-sentence-encoder/2

我們可以使用 hub.text_embedding_column，以一行代碼為該層創(chuàng)建一個(gè)特征列，并向其傳遞我們層的名稱 (“movie_descriptions”) 和要使用的 TF Hub 模型網(wǎng)址：

1description_embeddings = hub.text_embedding_column(

2"movie_descriptions",

3module_spec="https://tfhub.dev/google/universal-sentence-encoder/2"

4)

請(qǐng)注意，該單元正在下載預(yù)訓(xùn)練過的嵌入，因此需要一些時(shí)間來運(yùn)行。

此操作最大的好處在于，我們無需進(jìn)行任何預(yù)處理，即可將文本描述饋送至預(yù)訓(xùn)練過的字詞嵌入。如果從頭開始構(gòu)建此模型，我們就需要自己將描述轉(zhuǎn)換為向量，但使用 TF Hub 列，我們可以將描述字符串直接傳遞至模型。

將標(biāo)簽變?yōu)?multi-hot 編碼

由于一部電影往往具有多種類型，所以我們的模型會(huì)為每部電影返回多個(gè)可能的標(biāo)簽。我們的類型目前是每部電影有一個(gè)字符串列表（例如 [‘Action’, ‘Adventure’]）。由于每個(gè)標(biāo)簽的長(zhǎng)度必須相同，所以我們要將這些列表轉(zhuǎn)換為由 1 和 0（與特定描述中的類型相對(duì)應(yīng)）組成的 multi-hot 向量。動(dòng)作冒險(xiǎn)片的 multi-hot 向量如下所示：

注：多個(gè)可能的標(biāo)簽鏈接

https://en.wikipedia.org/wiki/Multi-label_classification

1# Genre lookup, each genre corresponds to an index

2top_genres = ['Comedy', 'Thriller', 'Romance', 'Action', 'Horror', 'Crime', 'Documentary', 'Adventure', 'Science Fiction']

3

4# Multi-hot label for an action and adventure movie

5[0 0 0 1 0 0 0 1 0]

要用短短幾行代碼將字符串標(biāo)簽轉(zhuǎn)換為 multi-hot 向量，我們需要使用名為 MultiLabelBinarizer 的 Scikit Learn 實(shí)用程序：

1encoder = MultiLabelBinarizer()

2encoder.fit_transform(train_genres)

3train_encoded = encoder.transform(train_genres)

4test_encoded = encoder.transform(test_genres)

5num_classes = len(encoder.classes_)

您可以打印 encoder.classes_，查看模型預(yù)測(cè)的所有字符串類列表。

構(gòu)建并訓(xùn)練 DNNEstimator 模型

針對(duì)我們的模型，我們將使用 DNNEstimator 構(gòu)建能夠返回 multi-hot 向量的深度神經(jīng)網(wǎng)絡(luò)，這是因?yàn)槊坎侩娪皶?huì)具有 0 個(gè)或多個(gè)可能的標(biāo)簽（這與每個(gè)輸出正好有一個(gè)標(biāo)簽的模型不同）。我們傳遞至 DNNEstimator 的第一個(gè)參數(shù)稱作 head，且此參數(shù)會(huì)定義我們的模型預(yù)期具有的標(biāo)簽類型。我們希望我們的模型可以輸出多個(gè)標(biāo)簽，所以我們?cè)谶@里使用 multi_label_head：

1multi_label_head = tf.contrib.estimator.multi_label_head(

2num_classes,

3loss_reduction=tf.losses.Reduction.SUM_OVER_BATCH_SIZE

4)

現(xiàn)在，當(dāng)我們實(shí)例化 DNNEstimator 時(shí)，便可對(duì)其進(jìn)行傳遞。hidden_units 參數(shù)表示我們網(wǎng)絡(luò)中的層數(shù)。此模型有 2 個(gè)層，第一層有 64 個(gè)神經(jīng)元，第二層有 10 個(gè)。層數(shù)和層大小是超參數(shù)，所以您應(yīng)當(dāng)嘗試不同的值，看看哪個(gè)最適合您的數(shù)據(jù)集。最后，我們將特征列傳遞至估算器。在本例中，我們只有一個(gè)特征列（即描述），而且在上文中已將其定義為 TF Hub 嵌入列，所以在此我們可以將其作為列表傳遞：

1estimator = tf.contrib.estimator.DNNEstimator(

2head=multi_label_head,

3hidden_units=[64,10],

4feature_columns=[description_embeddings]

5)

我們基本準(zhǔn)備就緒，很快就可以開始訓(xùn)練模型了。在訓(xùn)練估算器實(shí)例之前，我們需要定義訓(xùn)練輸入函數(shù)。輸入函數(shù)可以將我們的數(shù)據(jù)與模型聯(lián)系起來。在這里，我們將使用 numpy_input_fn，并將我們的數(shù)據(jù)作為 Numpy 數(shù)組饋送至模型：

1# Format our data for the numpy_input_fn

2features = {

3"descriptions": np.array(train_descriptions)

4}

5labels = np.array(train_encoded)

6

7train_input_fn = tf.estimator.inputs.numpy_input_fn(

8features,

9labels,

10shuffle=True,

11batch_size=32,

12num_epochs=20

13)

我們輸入函數(shù)中的 batch_size 和 num_epochs 參數(shù)都是超函數(shù)。batch_size 可告知我們的模型在一次迭代中會(huì)有多少示例傳遞至模型，而 num_epochs 是指我們的模型完成整個(gè)訓(xùn)練集的次數(shù)。

現(xiàn)在可以開始訓(xùn)練我們的模型了。只用一行代碼即可：

1estimator.train(input_fn=train_input_fn)

為了評(píng)估模型的準(zhǔn)確性，我們用自己的測(cè)試數(shù)據(jù)創(chuàng)建一個(gè) eval 函數(shù) input_function，然后調(diào)用 estimator.evaluate()：

1eval_input_fn = tf.estimator.inputs.numpy_input_fn({"descriptions": np.array(test_descriptions).astype(np.str)}, test_encoded.astype(np.int32), shuffle=False)

2

3estimator.evaluate(input_fn=eval_input_fn)

此模型的 AUC 達(dá)到 91.5%，而查準(zhǔn)率/查全率為 74%。您的結(jié)果可能稍有不同。

使用我們已訓(xùn)練的模型生成預(yù)測(cè)結(jié)果

現(xiàn)在到了最精彩的部分：根據(jù)我們的模型從未見過的數(shù)據(jù)生成預(yù)測(cè)結(jié)果。首先，我們?cè)O(shè)置一個(gè)包含一些描述的數(shù)組（我從 IMDB 中獲取這些描述）：

1raw_test = [

2"An examination of our dietary choices and the food we put in our bodies. Based on Jonathan Safran Foer's memoir.", # Documentary

3"A teenager tries to survive the last week of her disastrous eighth-grade year before leaving to start high school.", # Comedy

4"Ethan Hunt and his IMF team, along with some familiar allies, race against time after a mission gone wrong." # Action, Adventure

5]

然后，我們定義預(yù)測(cè)輸入函數(shù)并調(diào)用 predict()：

1predict_input_fn = tf.estimator.inputs.numpy_input_fn({"descriptions": np.array(raw_test).astype(np.str)}, shuffle=False)

2

3results = estimator.predict(predict_input_fn)

最后，我們可以迭代訪問結(jié)果，并顯示為每部電影找到的前 2 個(gè)類型及其置信度值：

1for movie_genres in results:

2top_2 = movie_genres['probabilities'].argsort()[-2:][::-1]

3for genre intop_2:

4text_genre = encoder.classes_[genre]

5print(text_genre + ': ' + str(round(movie_genres['probabilities'][genre] * 100, 2)) + '%')

我們的模型能夠正確標(biāo)記上述所有電影描述。

使用入門

想用 TF Hub 開始構(gòu)建自己的模型嗎？請(qǐng)參閱此文檔和教程。您可以在GitHub或Colab上找到本文所述的完整模型代碼。在之后的博文中，我會(huì)介紹如何導(dǎo)出此模型，以用于 TensorFlow Serving 或 Cloud ML Engine，并構(gòu)建可根據(jù)新描述生成預(yù)測(cè)結(jié)果的應(yīng)用。