CoolNLTK

文本分类工具集

特点

1. 多模型,相对统一的数据输入,方便效果对比
2. 可直接用于生产
3. 使用相对简单

已实现模型

1. TextCNN
2. TextRNN
3. CLstm

模型训练

1.train file

使用和fastText一样的数据输入

测试数据可以从fastText的代码中下载然后copy到./datasets/dbpedia目录下 具体方法, 参照fatText的文档，运行其中的classification-example.sh就能得到dbpedia.train 和dbpedia.test

注意：类别标签是从１开始的，因为在后面训练的时候需要做pad 0 的操作,为了避免混淆。

一个例子如下:

__label__7 , joseph purdy homestead
__label__13 , forever young ( 1992 film )
__label__11 , nepenthes ' boca rose
__label__6 , mv eilean bhearnaraigh

在train/main.sh指定相关的训练样本路径

TRAIN_FILE=./datasets/dbpedia/dbpedia.train
TEST_FILE=./datasets/dbpedia/dbpedia.test

# 使用的模型 可选cnn, bilstm, clstm
MODEL=cnn

# 中间文件输出路径
DATA_OUT_DIR=./datasets/dbpedia/


# 模型输出路径
MODEL_OUT_DIR=./results/dbpedia/

2.embedding

生成word2vec的训练数据

./main.sh pre

训练词向量

./main.sh vec

3.map file

这一步产生需要的映射文件

./main.sh map

4.tfrecord

产生tfrecord 文件

./main.sh data

5.train

模型训练

./main.sh train

6.模型导出

导出成pb文件，可用Java，Go语言读取

./main export

模型使用

在predict.py中有例子，读取上面训练好导出的模型，和产生的vocab.json文件

TextRNN、TextCNN,CLstm 模型能共用这个模块

todo

• 根据最新的tensorflow重构代码
• 修改tfrecord 文件的格式，产生多分而不是一份
• 添加tensorboard　

计划实现更多模型，包括但不限于下面这些

1. HAM
2. RCNN
3. Recurrent Entity Network
4. Dynamic Memory Network