Question

我有一个网络，是我从this教程中学到的，我想将句子作为输入（已经完成），结果只有一个线张量。

在教程中，这句话“约翰的狗喜欢食物”，返回了一个1列张量：

tensor([[-3.0462, -4.0106, -0.6096],
[-4.8205, -0.0286, -3.9045],
[-3.7876, -4.1355, -0.0394],
[-0.0185, -4.7874, -4.6013]])

...和班级列表：

tag_list[ “name”, “verb”, “noun”]

每行都有标签与单词相关联的可能性。（第一个单词具有 [-3.0462，-4.0106， -0.6096 ] 向量，其中最后一个元素对应于最大得分标记“名词”）

该教程的数据集如下：

training_data = [
    ("The dog ate the apple".split(), ["DET", "NN", "V", "DET", "NN"]),
    ("Everybody read that book".split(), ["NN", "V", "DET", "NN"])
]

我希望我的格式如下：

training_data = [
    ("Hello world".split(), ["ONE"]),
    ("I am dog".split(), ["TWO"]),
    ("It's Britney glitch".split(), ["THREE"])
]

参数定义为：

class LSTMTagger(nn.Module):
    def __init__(self, embedding_dim, hidden_dim, vocab_size, tagset_size):
        super(LSTMTagger, self).__init__()
        self.hidden_dim = hidden_dim
        self.word_embeddings = nn.Embedding(vocab_size, embedding_dim)
        self.lstm = nn.LSTM(embedding_dim, hidden_dim)
        self.hidden2tag = nn.Linear(hidden_dim, tagset_size)

    def forward(self, sentence):
        embeds      = self.word_embeddings(sentence)
        lstm_out, _ = self.lstm(embeds.view(len(sentence), 1, -1))
        tag_space   = self.hidden2tag(lstm_out.view(len(sentence), -1))
        tag_scores  = F.log_softmax(tag_space, dim=1)
        return tag_scores

截至目前，输入和输出的大小不匹配，我得到： ValueError：预期输入的batch_size（2）与目标batch_size（1）相匹配。

由于大小不匹配，标准函数不接受输入：

loss        = criterion(tag_scores, targets)

我已经读到最后一层可以定义为nn.Linear以便压缩输出，但是我似乎无法获得任何结果。尝试了其他损失函数

如何更改它，以使模型能够对句子（而不是每个单词）进行分类，就像原始教程中那样？

Answer 1

我通过简单地获取最后一个的隐藏状态来解决了这个问题

tag_space   = self.hidden2tag(lstm_out[-1])

使用pytorch进行句子分类的多类（使用nn.LSTM）

1 个答案: