本篇文章主要记录对之前用神经网络做文本识别的初步优化，进一步将准确率由原来的65%提高到80%，这里优化的几个方面包括：
● 随机打乱训练数据
● 增加隐层，和验证集
● 正则化
● 对原数据进行PCA预处理
● 调节训练参数（迭代次数，batch大小等）
随机化训练数据
观察训练数据集，发现训练集是按类别存储，读进内存后在仍然是按类别顺序存放。这样顺序取一部分作为验证集，很大程度上会减少一个类别的训练样本数，对该类别的预测准确率会有所下降。所以首先考虑打乱训练数据。
在已经向量化的训练数据的基础上打乱数据，首先合并data和label，打乱后再将数据和标签分离为trian.txt和train_label.txt。这里可以直接使用shell命令：
1、将labels加到trian.txt的第一列
paste -d" " train_labels.txt train.txt > train_to_shuf.txt
2、随机打乱文件行
shuf train_to_shuf.txt -o train.txt
3、 提取打乱后文件的第一列，保存到train_labels.txt
cat train.txt | awk '{print $1}' > train_labels.txt
4、删除第一列label.
awk '{$1="";print $0}' train.txt
这样再次以相同方式训练，准确率由65%上升到75% 。
改变网络结构，增加隐层
之前的网络直接对输入数据做softmax回归，这里考虑增加隐层，数量并加入验证集观察准确率的变化情况。这里加入一个隐层，隐层节点数为500，激励函数使用Relu。替换原来的网络结构，准确率进一步上升。
正则化，改善过拟合
观察模型对训练集的拟合程度到90%+，而通过上步对训练数据的准确率为76%，一定程度上出现了过拟合的现象，这里在原有cost function中上加入正则项，希望减轻过拟合的现象。这里使用L2正则。连同上步部分的代码如下：
#!/usr/bin/python #-*-coding:utf-8-*- LAYER_NODE1 = 500 # layer1 node num INPUT_NODE = 5000 OUTPUT_NODE = 10 REG_RATE = 0.01 import tensorflow as tf from datasets import datasets def interface(inputs, w1, b1, w2,b2): """ compute forword progration result """ lay1 = tf.nn.relu(tf.matmul(inputs, w1) + b1) return tf.nn.softmax(tf.matmul(lay1, w2) + b2) # need softmax?? data_sets = datasets() data_sets.read_train_data(".", True) sess = tf.InteractiveSession() x = tf.placeholder(tf.float32, [None, INPUT_NODE], name="x-input") y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name="y-input") w1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER_NODE1], stddev=0.1)) b1 = tf.Variable(tf.constant(0.0, shape=[LAYER_NODE1])) w2 = tf.Variable(tf.truncated_normal([LAYER_NODE1, OUTPUT_NODE], stddev=0.1)) b2 = tf.Variable(tf.constant(0.0, shape=[OUTPUT_NODE])) y = interface(x, w1, b1, w2, b2) cross_entropy = -tf.reduce_sum(y_ * tf.log(y + 1e-10)) regularizer = tf.contrib.layers.l2_regularizer(REG_RATE) regularization = regularizer(w1) + regularizer(w2) loss = cross_entropy + regularization train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss) #training tf.global_variables_initializer().run() saver = tf.train.Saver() cv_feed = {x: data_sets.cv.text, y_: data_sets.cv.label} correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) acc = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) for i in range(5000): if i % 200 == 0: cv_acc = sess.run(acc, feed_dict=cv_feed) print "train steps: %d, cv accuracy is %g " % (i, cv_acc) batch_xs, batch_ys = data_sets.train.next_batch(100) train_step.run({x: batch_xs, y_: batch_ys}) path = saver.save(sess, "./model4/model.md")
PCA处理
一方面对文本向量集是严重稀疏的矩阵，而且维度较大，一方面影响训练速度，一方面消耗内存。这里考虑对数据进行PCA处理。该部分希望保存99%的差异率，得到相应的k，即对应的维度。
#!/usr/bin/python #-*-coding:utf-8-*- """ PCA for datasets """ import os import sys import commands import numpy from contextlib import nested from datasets import datasets ORIGIN_DIM = 5000 def pca(origin_mat): """ gen matrix using pca row of origin_mat is one sample of dataset col of origin_mat is one feature return matrix U, s and V """ # mean,normaliza1on avg = numpy.mean(origin_mat, axis=0) # covariance matrix cov = numpy.cov(origin_mat-avg,rowvar=0) #Singular Value Decomposition U, s, V = numpy.linalg.svd(cov, full_matrices=True) k = 1; sigma_s = numpy.sum(s) # chose smallest k for 99% of variance retained for k in range(1, ORIGIN_DIM+1): variance = numpy.sum(s[0:k]) / sigma_s print "k = %d, variance is %f" % (k, variance) if variance >= 0.99: break if k == ORIGIN_DIM: print "some thing unexpected , k is same as ORIGIN_DIM" exit(1) return U[:, 0:k], k if __name__ == '__main__': """ main, read train.txt, and do pca save file to train_pca.txt """ data_sets = datasets() train_text, _ = data_sets.read_from_disk(".", "train", one_hot=False) U, k = pca(train_text) print "U shpae: ", U.shape print "k is : ", k text_pca = numpy.dot(train_text, U) text_num = text_pca.shape[0] print "text_num in pca is ", text_num with open("./train_pca.txt", "a+") as f: for i in range(0, text_num): f.write(" ".join(map(str, text_pca[i,:])) + "\n")
最终得到k=2583。该部分准确率有所提高但影响不大。
调整网络参数
该部分主要根据严重集和测试集的表现不断调整网路参数，包括学习率、网路层数、每层节点个数、正则损失、迭代次数、batch大小等。最终得到80%的准确率。
小结
对神经网路进行初步优化，由原来的65%的准确率提高到80%，主要的提高在于训练数据的随机化，以及网络结构的调整。为提升训练速度，同时减少内存消耗，对数据进行了降维操作。
之后对代码的结构进行了整理，这里没有提及，该部分代码包括 nn_interface.py 和 nn_train.py 分别实现对网络结构的定义以及训练流程的管理。
后面会结合tensorflow的使用技巧对训练进行进一步优化。
