【NLP入门系列三】NLP文本嵌入(以Embedding和EmbeddingBag为例)

在这里插入图片描述

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

博主简介：努力学习的22级本科生一枚 🌟；探索AI算法，C++，go语言的世界；在迷茫中寻找光芒🌸
博客主页：羊小猪~~-CSDN博客
内容简介：NLP入门三，Embedding和EmbeddingBag嵌入.
🌸箴言🌸：去寻找理想的“天空“”之城
上一篇内容：【NLP入门系列二】NLP分词和字典构建-CSDN博客

文章目录

NLP文本嵌入
- 前言
- 1、Embedding嵌入
- 2、EmbeddingBag嵌入
- 3、参考资料

NLP文本嵌入

前言

📄 大模型语言理解文字方式： 将每一个词当做一个数字，然后不断地进行做计算题，从而不断地输出文字；

⛈ 举例：

如果用一个数字表示一个词，这里用1表示男人，2表示女人，这样的作用是给词进行了编号，但是表示无法表示词与词之间的关系。

但是，如果用两位数字表示呢？

👀 参考b站大佬视频：

在数学中，向量是有方向的，可以做运算，这里也一样，如图：

在这里插入图片描述
在数学中，向量是有方向的，可以做运算，这里也一样，如图：

这样就实现了：将每一个词当做一个数字，然后进行做计算题，从而输出文字；

💠 词嵌入： 用向量表示词。**原理：**将词嵌入到数学的维度空间，如果词用二维表示，那么嵌入到一个二维空间里，以此类推；

本质： 将离散的词汇映射到一个低维连续的向量空间中，这样词汇之间的关系就可以在向量空间中得到体现。

📘 大模型语言训练过程

大模型语言训练是一个很复杂的过程，但是了解最基本过程还是简单的，如下图表示(刚开始不同词随机分布在二维空间中不同位置)：
在这里插入图片描述

经过模型训练后：
在这里插入图片描述

将语义相近的分布在一起，但是也有一些中立词，如苹果这个词，吃苹果和苹果手机是不同意思的，所以苹果就是中立的，具体的意思需要根据模型训练过程中结合上下文进行运算得出结果。

Embedding和EmbeddingBag是pytorch处理文本数据词嵌入的工具。

1、Embedding嵌入

Embedding是pytorch中最基本的词嵌入操作。

输入：一整张向量，每个整数都代表一个词汇的索引

输出：是一个浮点型的张量，每个浮现数都代表着对应词汇的词嵌入向量。

维度变化：

输入shape：[batch, seqSize] ，seqSize表示单个文本长度(注意：同一批次中每个样本的序列长度（seq_len）必须相同)；
输出shape：[batch, seqSize, embed_dim] ，embed_bim 表示嵌入维度。

👙 注意：嵌入层被定义为网络的第一个隐藏层，采用随机权重初始化的方式，既可以作为深度学习模型的一部分，一起训练，也可以用于用于加载训练好的词嵌入模型。

函数原型：

torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None,                     max_norm=None,norm_type=2.0,scale_grad_by_freq=False,                     sparse=False,_weight=None,_freeze=False, device=None,                     dtype=None)

常见参数：

num_embeddings：词汇表大小，即，最大整数 index + 1。
embedding_dim：词向量的维度。

📚 以一个二分类案例为例：

1、导入库和自定义数据格式

import torch
import torch.nn as nn 
import torch.nn.functional as F 
import torch.optim as optim 
from torch.utils.data import Dataset, DataLoader# 自定义数据维度
class MyDataset(Dataset):def __init__(self, texts, labels):super().__init__()self.texts = textsself.labels = labelsdef __len__(self):return len(self.labels)def __getitem__(self, idx):text = self.texts[idx]label = self.labels[idx]return text, label

2、定义填充函数(将所有词长度变成一致)

def collate_batch(batch):# 解包texts, labels = zip(*batch) # texts、labels存储在不同[]/()这样的数据结构# 获取最大长度max_len = max(len(text) for text in texts)# 填充， 不够的填充为0padding_texts = [F.pad(text, (0, max_len - len(text)), value=0) for text in texts] # 采用右填充# 改变维度--> (batch_size, max_len)padding_texts = torch.stack(padding_texts)# 标签格式化(改变维度)--> (batch_size) --> (batch_size, 1), 不改变值labels = torch.tensor(labels, dtype=torch.float).unsqueeze(1)return padding_texts, labels

3、定义数据

# 定义三个样本
data = [torch.tensor([1, 1, 1], dtype=torch.long), torch.tensor([2, 2, 2], dtype=torch.long),torch.tensor([3, 3], dtype=torch.long)
]# 定义标签
labels = torch.tensor([1, 2, 3], dtype=torch.float)# 创建数据
data = MyDataset(data, labels)
data_loader = DataLoader(data, batch_size=2, shuffle=True, collate_fn=collate_batch)# 展示
for batch in data_loader:print(batch)print("shape:", batch)

(tensor([[1, 1, 1],[3, 3, 0]]), tensor([[1.],[3.]]))
shape: (tensor([[1, 1, 1],[3, 3, 0]]), tensor([[1.],[3.]]))
(tensor([[2, 2, 2]]), tensor([[2.]]))
shape: (tensor([[2, 2, 2]]), tensor([[2.]]))

4、定义模型

class EmbeddingModel(nn.Module):def __init__(self, vocab_size, embed_dim):super(EmbeddingModel, self).__init__()# 定义模型self.embedding = nn.Embedding(vocab_size, embed_dim) # 词汇表大小 + 嵌入维度self.fc = nn.Linear(embed_dim, 1)  # 这里假设做二分类任务def forward(self, text):print("Embedding输入文本是: ", text)print("Embedding输入文本shape: ", text.shape)embedding = self.embedding(text)embedding_mean = embedding.mean(dim=1)print("embedding输出文本维度: ", embedding_mean.shape)return self.fc(embedding_mean)

注意：
如果使用embedding_mean = embedding.mean(dim=1)语句对每个样本的嵌入向量求平均，输出shape为[batch, embed_dim]。若注释掉该语句，输出shape则为[batch, seqSize, embed_dim]。

5、模型训练

# 定义词表大小和嵌入维度
vacab_size = 10
embed_dim = 6# 创建模型
model = EmbeddingModel(vacab_size, embed_dim)# 设置超参数
cirterion = nn.BCEWithLogitsLoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)# 模型训练
for epoch in range(1):for batch in data_loader:text, label = batch# 前向传播outputs = model(text)loss = cirterion(outputs, label)# 方向传播optimizer.zero_grad()loss.backward()optimizer.step()print(f'Epoch {epoch+1}, Loss: {loss.item()}')

Embedding输入文本是:  tensor([[2, 2, 2],[1, 1, 1]])
Embedding输入文本shape:  torch.Size([2, 3])
embedding输出文本维度:  torch.Size([2, 6])
Epoch 1, Loss: 0.6635428667068481
Embedding输入文本是:  tensor([[3, 3]])
Embedding输入文本shape:  torch.Size([1, 2])
embedding输出文本维度:  torch.Size([1, 6])
Epoch 1, Loss: 0.5667202472686768

2、EmbeddingBag嵌入

EmbeddingBag是在Embedding基础上进一步优化的工具，其核心思想是将每个输入序列的嵌入向量进行合并，能够处理可变长度的输入序列，并且减少了计算和存储的开销，并且可以计算句子中所有词汇的词嵌入向量的均值或总和。

减少计算量：因为embedding嵌入中需要要求每一个词向量长度需要一样。

在PyTorch中，EmbeddingBag的输入是一个 整数张量 和一个 偏移量张量，每个整数都代表着一个词汇的索引，偏移量则表示句子中每个词汇的位置，输出是一个浮点型的张量，每个浮点数都代表着对应句子的词嵌入向量的均值或总和。

输入shape：[seqsSize]（seqsSize为单个batch文本总长度）
输出shape：[batch, embed_dim]（embed_dim嵌入维度）

📐 假设原始输入数据为 [[1, 1, 1, 1], [2, 2, 2], [3, 3]]

展平的词汇索引张量

将所有样本的数据合并成一个一维数组。如 [1, 1, 1, 1, 2, 2, 2, 3, 3]。

偏移量

偏移量表示每个样本在展平张量中的起始位置。如本案例： [0, 4, 7]，

合并操作

根据偏移量进行合并
合并操作可以是求和、平均或取最大值，默认是平均（mean）。以平均为例：
第一个样本的平均值：(1 + 1 + 1 + 1) / 4 = 1
第二个样本的平均值：(2 + 2 + 2) / 3 = 2
第三个样本的平均值：(3 + 3) / 2 = 3
最后结果为 [1, 2, 3]，即batch维度

📑 一个简单的案例如下：

1、导入库和自定义数据格式

import torch
import torch.nn as nn 
import torch.nn.functional as F 
import torch.optim as optim 
from torch.utils.data import Dataset, DataLoader# 自定义数据维度
class MyDataset(Dataset):def __init__(self, texts, labels):super().__init__()self.texts = textsself.labels = labelsdef __len__(self):return len(self.labels)def __getitem__(self, idx):text = self.texts[idx]label = self.labels[idx]return text, label

2、定义数据

# 定义三个样本
data = [torch.tensor([1, 1, 1], dtype=torch.long), torch.tensor([2, 2, 2], dtype=torch.long),torch.tensor([3, 3], dtype=torch.long)
]# 定义标签
labels = torch.tensor([1, 2, 3], dtype=torch.float)# 创建数据
data = MyDataset(data, labels)
data_loader = DataLoader(data, batch_size=2, shuffle=True, collate_fn=lambda x : x)# 展示
for batch in data_loader:print(batch)

[(tensor([1, 1, 1]), tensor(1.)), (tensor([3, 3]), tensor(3.))]
[(tensor([2, 2, 2]), tensor(2.))]

3、定义模型

class EmbeddingModel(nn.Module):def __init__(self, vocab_size, embed_dim):super(EmbeddingModel, self).__init__()# 定义模型self.embedding_bag = nn.EmbeddingBag(vocab_size, embed_dim, mode='mean')self.fc = nn.Linear(embed_dim, 1)  # 这里假设做二分类任务def forward(self, text, offsets):print("Embedding输入文本是: ", text)print("Embedding输入文本shape: ", text.shape)embedding_bag = self.embedding_bag(text, offsets)print("embedding_bag输出文本维度: ", embedding_bag.shape)return self.fc(embedding_bag)

4、模型训练

# 定义词表大小和嵌入维度
vacab_size = 10
embed_dim = 6# 创建模型
model = EmbeddingModel(vacab_size, embed_dim)# 设置超参数
cirterion = nn.BCEWithLogitsLoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)# 模型训练
for epoch in range(1):for batch in data_loader:# 展平和计算偏移量texts, labels = zip(*batch)# 偏移量计算，就是统计文本长度offset = [0] + [len(text) for text in texts[:-1]] # 统计长度offset = torch.tensor(offset).cumsum(dim=0) # 生成偏移量，累计求和texts = torch.cat(texts)  # 合并文本labels = torch.tensor(labels).unsqueeze(1)  # 增加维度-->(batch_size, 1)# 前向传播outputs = model(texts, offset)loss = cirterion(outputs, labels)# 方向传播optimizer.zero_grad()loss.backward()optimizer.step()print(f'Epoch {epoch+1}, Loss: {loss.item()}')

Embedding输入文本是:  tensor([2, 2, 2, 1, 1, 1])
Embedding输入文本shape:  torch.Size([6])
embedding_bag输出文本维度:  torch.Size([2, 6])
Epoch 1, Loss: 0.07764509320259094
Embedding输入文本是:  tensor([3, 3])
Embedding输入文本shape:  torch.Size([2])
embedding_bag输出文本维度:  torch.Size([1, 6])
Epoch 1, Loss: 3.315852642059326

3、参考资料

【大模型靠啥理解文字？通俗解释：词嵌入embedding】https://www.bilibili.com/video/BV1bfoQYCEHC?vd_source=1fd424333dd77a7d3e2e741f7d6fd4ee
PyTorch 简单易懂的 Embedding 和 EmbeddingBag - 解析与实践_nn.embeddingbag-CSDN博客
小团体～第十二波