其他分享
首页 > 其他分享> > fastText 训练和使用

fastText 训练和使用

作者:互联网

fastText是一种Facebook AI Research在16年开源的一个文本分类器。 其特点就是fast。相对于其它文本分类模型,如SVM,Logistic Regression和neural network等模型,fastText在保持分类效果的同时,大大缩短了训练时间。
fastText专注于文本分类,在许多标准问题上的分类效果非常好。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 trainDataFile = 'train.txt'   classifier = fasttext.train_supervised(     input = trainDataFile,     label_prefix = '__label__',     dim = 256,     epoch = 50,     lr = 1,     lr_update_rate = 50,     min_count = 3,     loss = 'softmax',     word_ngrams = 2,     bucket = 1000000) classifier.save_model("Model.bin")

在训练fastText的时候有两点需要特别注意,一个是word_ngrams,一个是loss,这两个是fastText的精髓所在,之后会提到。

在使用fastText进行文本训练的时候需要提前分词,这里的ngrams是根据分词的结果来组织架构的;

事实上在训练文本分类的时候有个副产物就是word2vec,fastText在实现文本分类的时候其实和cbow非常类似,就是把word2vec求和之后过了一个fc进行的分类。

 

使用fastText进行预测是非常简单的,可以直接使用下述的代码进行预测。

1 2 3 4 5 6 7 8 testDataFile = 'test.txt'   classifier = fasttext.load_model('Model.bin'   result = classifier.test(testDataFile) print '测试集上数据量', result[0] print '测试集上准确率', result[1] print '测试集上召回率', result[2]

 

1)分层softmax:对于类别过多的类目,fastText并不是使用的原生的softmax过交叉熵,而是使用的分层softmax,这样会大大提高模型的训练和预测的速度。

2)n-grams:fastText使用了字符级别的n-grams来表示一个单词。对于单词“apple”,假设n的取值为3,则它的trigram有

“<ap”, “app”, “ppl”, “ple”, “le>”

其中,<表示前缀,>表示后缀。于是,我们可以用这些trigram来表示“apple”这个单词,进一步,我们可以用这5个trigram的向量叠加来表示“apple”的词向量。

这带来两点好处:

1. 对于低频词生成的词向量效果会更好。因为它们的n-gram可以和其它词共享。

2. 对于训练词库之外的单词,仍然可以构建它们的词向量。我们可以叠加它们的字符级n-gram向量。

 

1)多线程训练:fastText在训练的时候是采用的多线程进行训练的。每个训练线程在更新参数时并没有加锁,这会给参数更新带来一些噪音,但是不会影响最终的结果。无论是 google 的 word2vec 实现,还是 fastText 库,都没有加锁。线程的默认是12个,可以手动的进行设置。

2)分层softmax:fastText在计算softmax的时候采用分层softmax,这样可以大大提高运行的效率。

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 The following arguments are mandatory:   -input              training file path   -output             output file path   The following arguments are optional:   -verbose            verbosity level [2]   The following arguments for the dictionary are optional:   -minCount           minimal number of word occurrences [1]   -minCountLabel      minimal number of label occurrences [0]   -wordNgrams         max length of word ngram [1]   -bucket             number of buckets [2000000]   -minn               min length of char ngram [0]   -maxn               max length of char ngram [0]   -t                  sampling threshold [0.0001]   -label              labels prefix [__label__]   The following arguments for training are optional:   -lr                 learning rate [0.1]   -lrUpdateRate       change the rate of updates for the learning rate [100]   -dim                size of word vectors [100]   -ws                 size of the context window [5]   -epoch              number of epochs [5]   -neg                number of negatives sampled [5]   -loss               loss function {ns, hs, softmax} [softmax]   -thread             number of threads [12]   -pretrainedVectors  pretrained word vectors for supervised learning []   -saveOutput         whether output params should be saved [0]   The following arguments for quantization are optional:   -cutoff             number of words and ngrams to retain [0]   -retrain            finetune embeddings if a cutoff is applied [0]   -qnorm              quantizing the norm separately [0]   -qout               quantizing the classifier [0]   -dsub               size of each sub-vector [2]

标签:word,训练,fastText,number,softmax,使用,arguments
来源: https://www.cnblogs.com/yang520ming/p/14429559.html