Question

this article中有一个基于深度学习的模型，该模型使用Transfer Learning和LSTM，作者使用了10倍交叉验证（如表3所述）并取结果的平均值。我熟悉10折交叉验证，因为我们需要分割数据并传递给模型，但是在这段代码（here）中，我无法弄清楚如何对数据进行分区和传递。

有两个训练/测试/开发数据集（一个用于情感分析，一个用于情感分析，我们都将它们用于迁移学习，但我的重点是情感分析）。原始数据以txt格式存在于几个文件中，运行模型后，它将提供两个新的txt文件，一个用于预测标签，一个用于真实标签。

main file中有一行代码：

model = BiLstm(args, data, ckpt_path='./' + args.data_name + '_output/')

if args.mode=='train':
    model.train(data)
    sess = model.restore_last_session()
    model.predict(data, sess)
if args.mode=='test':
    sess = model.restore_last_session()
    model.predict(data, sess)

其中“数据”是一类数据（code），其中包括测试/训练/开发数据集：我想我需要在这里传递分割后的数据。如果我是对的，该如何分区并执行10倍交叉验证？

data = Data('./data/'+args.data_name+'data_sample.bin','./data/'+args.data_name+'vocab_sample.bin',
            './data/'+args.data_name+'word_embed_weight_sample.bin',args.batch_size)

class Data(object):
    def __init__(self,data_path,vocab_path,pretrained,batch_size):
            self.batch_size = batch_size

            data, vocab ,pretrained= self.load_vocab_data(data_path,vocab_path,pretrained)
            self.train=data['train']
            self.valid=data['valid']
            self.test=data['test']
            self.train2=data['train2']
            self.valid2=data['valid2']
            self.test2=data['test2']
            self.word_size = len(vocab['word2id'])+1
            self.max_sent_len = vocab['max_sent_len']
            self.max_topic_len = vocab['max_topic_len']
            self.word2id = vocab['word2id'] 
            word2id = vocab['word2id']                
            #self.id2word = dict((v, k) for k, v in word2id.iteritems())
            self.id2word = {}
            for k, v in six.iteritems(word2id):
                self.id2word[v]=k
            self.pretrained=pretrained

Answer 1

从外观上看，训练方法似乎可以获取会话并继续从现有模型def train(self, data, sess=None)进行训练

因此，只需对现有代码和库进行很小的更改，就可以做到

首先加载所有数据并构建模型

data = Data('./data/'+args.data_name+'data_sample.bin','./data/'+args.data_name+'vocab_sample.bin',
            './data/'+args.data_name+'word_embed_weight_sample.bin',args.batch_size)

model = BiLstm(args, data, ckpt_path='./' + args.data_name + '_output/')

然后创建类似的交叉验证数据集

def get_new_data_object():
  return data = Data('./data/'+args.data_name+'data_sample.bin','./data/'+args.data_name+'vocab_sample.bin',
            './data/'+args.data_name+'word_embed_weight_sample.bin',args.batch_size)

cross_validation = []
for i in range(10):
  tmp_data = get_new_data_object()
  tmp_data.train= #get 90% of tmp_data['train']
  tmp_data.valid= #get 90% of tmp_data['valid']
  tmp_data.test= #get 90% of tmp_data['test']
  tmp_data.train2= #get 90% of tmp_data['train2']
  tmp_data.valid2= #get 90% of tmp_data['valid2']
  tmp_data.test2= #get 90% of tmp_data['test2']
  cross_validation.append(tmp_data)

比运行模型n次（10次交叉验证要运行10次）

sess = null
for data in cross_validation:
  model.train(data, sess)
  sess = model.restore_last_session()

记住要注意一些关键思想

我不知道您的数据的确切结构，但是会影响将其拆分为test，train和（根据您的情况）valid
对于test，train和valid的每个三元组，数据的分割必须是精确的分割，它可以随机进行，也可以每次进行不同的处理，只要一致
您可以通过交叉验证训练模型n次或创建n模型并选择最佳模型以避免过度拟合

此代码只是草稿，您可以按自己的方式实现它，有一些很棒的库已经实现了这种功能，当然可以进行优化（不必每次都读取整个数据文件）

还有一个考虑因素是从数据中分离出模型的创建，尤其是模型构造函数的data arg，从快速的外观看，它似乎仅使用数据的维数，因此它不是一个好习惯通过整个物体

此外，如果模型在状态下（在创建时）集成data对象的其他属性（例如数据本身），则我的代码可能无法正常工作，并且会采用更具手术效果的方法

希望它会有所帮助，并为您指明正确的方向

10折交叉验证python

1 个答案: