這兩年做文本分類的時(shí)候我看了大量用“CNN-BiLSTM-Attention”搭模型的方案。這個(gè)組合幾乎是NLP入門到進(jìn)階繞不開的經(jīng)典結(jié)構(gòu)很多競賽demo和線上小模型都以它作為基線版本。我實(shí)際跑過幾個(gè)項(xiàng)目之后發(fā)現(xiàn)它確實(shí)比單純用TextCNN或者BiLSTM穩(wěn)得多尤其是在短文本分類、情感判斷、意圖識(shí)別這些場景下效果提升非常明顯。這篇我就直接拆開講為什么要這么組合、每一層到底在做什么、代碼怎么落地、有哪些訓(xùn)練細(xì)節(jié)和坑希望對(duì)正在做分類模型的朋友有幫助。這個(gè)模型適合誰看如果你已經(jīng)用過詞向量會(huì)一點(diǎn)深度框架但是不太清楚多層結(jié)構(gòu)怎么拼接、Attention怎么做、超參數(shù)怎么調(diào)那么這篇基本上能把整條鏈路講透。如果你是完全新手也可以照著代碼復(fù)現(xiàn)再慢慢理解每一層的邏輯。1. 為什么偏偏是這三個(gè)模塊組合在一起1.1 三者的分工定位先聊清楚一個(gè)核心問題CNN、BiLSTM、Attention這三樣?xùn)|西各自擅長什么組合之后為什么不是重復(fù)造輪子。我之前把這三者的關(guān)系比作一個(gè)團(tuán)隊(duì)協(xié)作的流程CNN是“局部信息掃描員”專門抓取連續(xù)詞窗口里的關(guān)鍵模式比如“非常棒”這種adjadv組合、“價(jià)格便宜”這種主謂短搭配這些特征往往在局部就能判斷出類別傾向。BiLSTM是“上下文閱讀員”它從左往右、從右往左讀全句把“雖然.....但是”、“之前覺得一般后來改觀了”這種全局轉(zhuǎn)折和長距離依賴記住。Attention則是“重點(diǎn)標(biāo)注員”在閱讀完整個(gè)句子后回過頭來決定哪些位置的輸出對(duì)判斷最終類別貢獻(xiàn)最大然后給這些位置分配更高的權(quán)重。如果只用CNN長距離信息捕獲能力不足超過窗口范圍內(nèi)的語義關(guān)系基本靠不住。如果只用BiLSTM雖然能記住全局信息但是會(huì)把每個(gè)位置的信息都均勻地往后傳遞關(guān)鍵位置的特征很容易被稀釋。加上Attention之后模型可以在所有BiLSTM輸出的隱藏狀態(tài)里做一次“信息篩查”把有價(jià)值的信號(hào)挑出來加權(quán)聚合。也就是說Attention不是在代替CNN或BiLSTM而是在它們的基礎(chǔ)上增加了一道抽象的“關(guān)鍵信息篩選”工序。1.2 組合結(jié)構(gòu)為什么能達(dá)到互補(bǔ)我測試過幾個(gè)消融版本包括純TextCNN、純BiLSTM、BiLSTM加Attention、CNN加BiLSTM但沒有Attention。結(jié)論比較穩(wěn)定CNN加BiLSTM再加Attention的組合在情感二分類和主題多分類任務(wù)上準(zhǔn)確率和F1都能比次優(yōu)版本高1到3個(gè)百分點(diǎn)。從信息流動(dòng)的角度解釋輸入詞向量后CNN先做一次局部n-gram特征的提取和壓縮它的感受野只覆蓋幾個(gè)詞但提取到的特征具有平移不變性力度大、速度快這些經(jīng)過CNN池化后的特征序列再進(jìn)入BiLSTMBiLSTM接收到的已經(jīng)是經(jīng)過激活和篩選的特征而不是原始稀疏詞向量這就減輕了長短期記憶網(wǎng)絡(luò)的建模負(fù)擔(dān)讓它可以更專注地建模序列順序和長距離依賴最后BiLSTM的每個(gè)時(shí)間步輸出通過Attention加權(quán)求和等同于在序列維度上做了一次自適應(yīng)池化把變長序列壓縮成一個(gè)定長語義向量。這里有個(gè)值得注意的設(shè)計(jì)點(diǎn)CNN部分不是簡單的conv1d加全局池化我建議保留卷積輸出的時(shí)間維度不要直接壓成單向量否則BiLSTM拿到的只是一堆孤立片段序列信息就丟了。具體做法是用Conv1d加同長度padding讓卷積后的序列長度和輸入保持相同這樣后面的BiLSTM依然可以按時(shí)間步處理。1.3 適用場景與預(yù)期收益這個(gè)結(jié)構(gòu)最適合文本分類任務(wù)常見的有情感判別、新聞主題分類、用戶評(píng)論多分類、垃圾信息識(shí)別、短文本意圖分類。在數(shù)據(jù)量中等萬級(jí)到十萬級(jí)的情況下表現(xiàn)最好因?yàn)樗奶卣魈崛∧芰?qiáng)不需要像大型預(yù)訓(xùn)練模型那樣依賴海量語料。如果數(shù)據(jù)量非常少只有幾千條建議先用靜態(tài)詞向量加簡單CNN避免復(fù)雜結(jié)構(gòu)過擬合。如果數(shù)據(jù)量非常大且算力允許直接上預(yù)訓(xùn)練語言模型微調(diào)效果大概率更好CNN-BiLSTM-Attention的性價(jià)比就沒有那么突出了。換句話說這個(gè)模型的最佳適用區(qū)間是“數(shù)據(jù)量中等、希望快速落地、有可解釋性需求”的項(xiàng)目。2. 數(shù)據(jù)預(yù)處理與詞向量準(zhǔn)備2.1 文本清洗和序列化細(xì)節(jié)在模型開始工作之前文本必須轉(zhuǎn)成固定長度的索引序列。我那套處理流程大概是先做基礎(chǔ)清洗包括去HTML標(biāo)簽、去HTML實(shí)體、統(tǒng)一小寫、保留中英文數(shù)字、去掉連續(xù)重復(fù)標(biāo)點(diǎn)。這里要注意不要把所有標(biāo)點(diǎn)都干掉句號(hào)和感嘆號(hào)對(duì)情感分類是有意義的我一般用正則只保留[\u4e00-\u9fa5a-zA-Z0-9。!?]這類字符。清洗完之后分詞。中文場景我推薦直接用jieba分詞并且可以在自定義詞典里加入領(lǐng)域?qū)Ｓ忻~比如平臺(tái)名稱、商品系列名避免它們被切碎。分詞后做停用詞過濾但這個(gè)詞表要小心維護(hù)別把“不”“沒”“很”這些帶語義的詞刪掉否則情感判斷會(huì)出大問題。我見過有同學(xué)用通用停用詞表把“不”給過濾掉結(jié)果“不好”變成了“好”模型準(zhǔn)確率直接掉下去這種錯(cuò)誤非常低級(jí)但很難發(fā)現(xiàn)。序列化階段需要設(shè)置max_len大多數(shù)短文本場景我設(shè)置為128最長不會(huì)超過256。超過截?cái)唷⒉蛔阊a(bǔ)0并生成對(duì)應(yīng)的attention_mask供后續(xù)計(jì)算真實(shí)長度。截?cái)嗖呗陨蟽?yōu)先保留開頭和結(jié)尾因?yàn)橛^點(diǎn)類文本的關(guān)鍵信息往往在首尾兩處。2.2 詞向量的選擇與初始化詞向量是模型的第一層輸入質(zhì)量。我推薦三種方案按場景選數(shù)據(jù)量大、算力夠用自己在語料上訓(xùn)練的Word2Vec或FastText維度200或300這種適應(yīng)性最好。數(shù)據(jù)量中等加載通用開源詞向量中文可以用搜狗或騰訊開源的詞向量然后凍結(jié)或者微調(diào)。需要說明的是這些是公開的通用資源使用時(shí)注意授權(quán)。數(shù)據(jù)量少直接用隨機(jī)初始化詞向量讓模型在訓(xùn)練中自己學(xué)習(xí)配合足夠的Dropout和正則。初始化詞向量后Embedding層的詞表要覆蓋訓(xùn)練集和驗(yàn)證集全部詞匯。對(duì)于詞向量中未登錄的詞我采用隨機(jī)初始化范圍控制在均值為0、標(biāo)準(zhǔn)差0.1的正態(tài)分布內(nèi)。這里我建議不要對(duì)未登錄詞做太大范圍的隨機(jī)初始值否則它們在訓(xùn)練初期會(huì)影響梯度穩(wěn)定性。一個(gè)非常重要的操作細(xì)節(jié)訓(xùn)練初期要不要凍結(jié)詞向量層不能讓Embedding層在第一步就被打得亂七八糟。更大的模型是這樣的預(yù)訓(xùn)練模型依賴外來詞向量主要靠文本深度理解和這邊不太一樣。我這里就直接按經(jīng)驗(yàn)講。我的建議是先凍結(jié)預(yù)訓(xùn)練詞向量單獨(dú)訓(xùn)練網(wǎng)絡(luò)其他層跑兩三個(gè)epoch后再解凍詞向量用較小的學(xué)習(xí)率比如主學(xué)習(xí)率的0.1倍繼續(xù)微調(diào)。這樣既能避免災(zāi)難性遺忘又能讓領(lǐng)域特有詞匯逐步適配。3. 模型結(jié)構(gòu)逐層拆解與代碼實(shí)現(xiàn)3.1 整體架構(gòu)與數(shù)據(jù)流概覽我這里直接給一份基于Pytorch的實(shí)現(xiàn)代碼結(jié)構(gòu)清楚便于二次修改。模型整體分為四層Embedding層、CNN層、BiLSTM層、Attention層、分類輸出層。整體數(shù)據(jù)流如下輸入文本ID序列形狀為(batch_size, seq_len)Embedding后得到(batch_size, seq_len, embedding_dim)CNN層做一維卷積和同長padding輸出(batch_size, cnn_out_channels, seq_len)隨后經(jīng)維度置換為(batch_size, seq_len, cnn_out_channels)交給BiLSTMBiLSTM輸出(batch_size, seq_len, hidden_size x 2)Attention層在序列維度上加權(quán)聚合輸出(batch_size, hidden_size x 2)全連接層加Softmax得出類別概率這里用到的關(guān)鍵參數(shù)我建議先記下來Embedding維度取200CNN卷積核尺寸分別取[1,2,3,5]每個(gè)尺寸64個(gè)卷積核總輸出通道數(shù)256BiLSTM隱藏層維度128層數(shù)2層Dropout設(shè)0.3Attention采用加性注意力可學(xué)習(xí)參數(shù)為上下文向量。這個(gè)配置在多種文本上表現(xiàn)穩(wěn)定后續(xù)可以根據(jù)任務(wù)微調(diào)。3.2 CNN層實(shí)現(xiàn)細(xì)節(jié)import torch import torch.nn as nn import torch.nn.functional as F class TextCNNLayer(nn.Module): def __init__(self, in_channels, out_channels, kernel_sizes, seq_len): super(TextCNNLayer, self).__init__() self.convs nn.ModuleList([ nn.Conv1d(in_channels, out_channels, kernel_sizek, paddingk // 2) for k in kernel_sizes ]) self.activation nn.ReLU() self.dropout nn.Dropout(0.2) def forward(self, x): # x: (batch, seq_len, embedding_dim) x x.transpose(1, 2) # (batch, embedding_dim, seq_len) outs [] for conv in self.convs: out self.activation(conv(x)) # (batch, out_channels, seq_len) outs.append(out) out torch.cat(outs, dim1) # (batch, sum(out_channels), seq_len) out self.dropout(out) out out.transpose(1, 2) # (batch, seq_len, sum(out_channels)) return out卷積核為什么要取多個(gè)尺寸因?yàn)椴煌叽绲木矸e核對(duì)應(yīng)不同長度的n-gram窗口。卷積核大小為1時(shí)相當(dāng)于對(duì)單個(gè)詞的特征變換卷積核大小為3時(shí)捕捉三詞連續(xù)短語大小為5時(shí)捕捉更長的語義片段。把它們拼接起來就能在不同粒度上覆蓋局部特征。padding設(shè)為k // 2是為了保證卷積前后序列維度不變這是后續(xù)接入BiLSTM的關(guān)鍵。這里有一個(gè)容易忽略的點(diǎn)多個(gè)卷積核的輸出通道會(huì)直接拼接最后一維是64 x 4 256也就是說每個(gè)時(shí)間步的向量維度從200被擴(kuò)展到了256。這一步在信息維度上做了一次拓寬會(huì)直接決定BiLSTM的輸入維度代碼里要對(duì)應(yīng)調(diào)整。3.3 BiLSTM層實(shí)現(xiàn)與維度管理class BiLSTMLayer(nn.Module): def __init__(self, input_size, hidden_size, num_layers, seq_len): super(BiLSTMLayer, self).__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, bidirectionalTrue, dropout0.2 if num_layers 1 else 0.0 ) def forward(self, x): # x: (batch, seq_len, input_size) lstm_out, _ self.lstm(x) # lstm_out: (batch, seq_len, hidden_size * 2) return lstm_outBiLSTM的輸出維度是hidden_size乘以2因?yàn)殡p向LSTM會(huì)把正向和反向兩個(gè)方向的隱藏狀態(tài)拼接所以每個(gè)時(shí)間步實(shí)際包含了過去和未來的信息。這里hidden_size128則每個(gè)時(shí)間步輸出維度為256。在LSTM層數(shù)選擇上我實(shí)驗(yàn)過1層到3層的差異。對(duì)大多數(shù)中小規(guī)模數(shù)據(jù)集2層是折中方案1層可能欠擬合3層則容易在訓(xùn)練初期出現(xiàn)梯度傳導(dǎo)問題而且訓(xùn)練速度明顯變慢。另外要提醒的是LSTM內(nèi)部的dropout參數(shù)只有在num_layers大于1時(shí)才生效它作用于非最后一層的各層輸出之間不是對(duì)隱狀態(tài)做標(biāo)準(zhǔn)dropout別指望它替代全連接前的Dropout。LSTM里面還涉及一個(gè)初始狀態(tài)變量h_0和c_0。默認(rèn)不傳入時(shí)會(huì)自動(dòng)初始化為全零大多數(shù)情況沒問題。如果想要更好的性能也可以在訓(xùn)練時(shí)對(duì)初始狀態(tài)做隨機(jī)初始化或者在變長序列場景使用全零并配合pack_padded_sequence處理。這里我簡化處理不傳初始狀態(tài)代碼更干凈。3.4 Attention層實(shí)現(xiàn)要點(diǎn)class AttentionLayer(nn.Module): def __init__(self, hidden_size, seq_len): super(AttentionLayer, self).__init__() self.context_vector nn.Parameter( torch.randn(hidden_size * 2, 1) ) self.linear nn.Linear(hidden_size * 2, hidden_size * 2) self.softmax nn.Softmax(dim1) def forward(self, lstm_out): # lstm_out: (batch, seq_len, hidden_size * 2) u torch.tanh(self.linear(lstm_out)) # u: (batch, seq_len, hidden_size * 2) scores torch.matmul(u, self.context_vector).squeeze(-1) # scores: (batch, seq_len) attn_weights self.softmax(scores) # attn_weights: (batch, seq_len, 1) context torch.sum(lstm_out * attn_weights.unsqueeze(-1), dim1) # context: (batch, hidden_size * 2) return context, attn_weights這里用的是加性注意力Additive Attention的簡化版本。核心思路是把每個(gè)時(shí)間步的隱狀態(tài)先經(jīng)過一個(gè)線性層和tanh激活再和可學(xué)習(xí)的上下文向量做點(diǎn)乘得到該時(shí)間步的重要性分?jǐn)?shù)。所有時(shí)間步的分?jǐn)?shù)通過softmax歸一化成權(quán)重然后對(duì)原始隱狀態(tài)做加權(quán)求和得到最終的特征向量。有個(gè)細(xì)節(jié)值得展開注意力權(quán)重計(jì)算用的是線性變換后的u而不是直接用原始隱狀態(tài)。原因是原始隱狀態(tài)經(jīng)過tanh壓縮后和context_vector的點(diǎn)乘結(jié)果更容易被拉到一個(gè)合適的數(shù)值區(qū)間梯度更穩(wěn)定。如果你直接用原始狀態(tài)計(jì)算score多數(shù)情況下也能跑但收斂速度會(huì)慢一些。注意力機(jī)制為什么要放在LSTM之后而不是CNN之后因?yàn)長STM輸出已經(jīng)充分融合了全局上下文信息此時(shí)再計(jì)算注意力權(quán)重模型能判斷哪些時(shí)間段攜帶了類別判別力最強(qiáng)的信息。如果放在CNN后就計(jì)算每個(gè)位置的表示還是局部的權(quán)重分配的全局意義不夠強(qiáng)。我還建議在模型導(dǎo)出時(shí)把a(bǔ)ttn_weights保留下來做可視化分析后面在博文的評(píng)估部分再展開。3.5 分類輸出層與整體封裝class CNNBiLSTMAttention(nn.Module): def __init__(self, vocab_size, embedding_dim, kernel_sizes, out_channels, hidden_size, num_layers, num_classes, seq_len, freeze_embeddingFalse): super(CNNBiLSTMAttention, self).__init__() self.embedding nn.Embedding(vocab_size, embedding_dim, padding_idx0) if freeze_embedding: self.embedding.weight.requires_grad False self.cnn TextCNNLayer( in_channelsembedding_dim, out_channelsout_channels, kernel_sizeskernel_sizes, seq_lenseq_len ) cnn_out_channels out_channels * len(kernel_sizes) self.bilstm BiLSTMLayer( input_sizecnn_out_channels, hidden_sizehidden_size, num_layersnum_layers, seq_lenseq_len ) self.attention AttentionLayer( hidden_sizehidden_size, seq_lenseq_len ) self.fc nn.Linear(hidden_size * 2, num_classes) self.dropout nn.Dropout(0.3) def forward(self, input_ids): emb self.embedding(input_ids) # (batch, seq_len, embedding_dim) cnn_out self.cnn(emb) # (batch, seq_len, cnn_out_channels) lstm_out self.bilstm(cnn_out) # (batch, seq_len, hidden_size*2) context, attn_weights self.attention(lstm_out) logits self.fc(self.dropout(context)) return logits, attn_weights整體封裝代碼并不復(fù)雜但有幾個(gè)維度細(xì)節(jié)要反復(fù)核對(duì)。一個(gè)最常見的問題是CNN輸出維度置換時(shí)搞混batch和seq的位置導(dǎo)致LSTM收到的輸入形狀不正確。建議每層forward后都隨手打印形狀驗(yàn)證尤其在你修改了kernel_sizes或者h(yuǎn)idden_size參數(shù)后。4. 訓(xùn)練配置與參數(shù)調(diào)優(yōu)4.1 損失函數(shù)、優(yōu)化器與學(xué)習(xí)率分類任務(wù)最常用的損失函數(shù)是交叉熵?fù)p失配合Softmax輸出即可。torch里的CrossEntropyLoss自帶Softmax計(jì)算所以網(wǎng)絡(luò)輸出層不需要額外加LogSoftmax這一點(diǎn)我剛用Pytorch時(shí)經(jīng)常搞混。優(yōu)化器我強(qiáng)烈建議用AdamW而不是原生Adam。AdamW把權(quán)重衰減和梯度更新解耦在防止過擬合上效果更好而且收斂比較穩(wěn)定。初始學(xué)習(xí)率一般設(shè)置在2e-3到5e-3之間這個(gè)范圍是我跑了多個(gè)數(shù)據(jù)集后得到的經(jīng)驗(yàn)值。學(xué)習(xí)率太大會(huì)導(dǎo)致LSTM部分梯度爆炸太小則整網(wǎng)收斂極慢。學(xué)習(xí)率調(diào)度器的話我建議用ReduceLROnPlateau監(jiān)控驗(yàn)證集損失連續(xù)兩個(gè)epoch沒有下降就把學(xué)習(xí)率乘以0.5。這比固定步長衰減更靈活適合不同規(guī)模的數(shù)據(jù)集。import torch.optim as optim from torch.optim.lr_scheduler import ReduceLROnPlateau optimizer optim.AdamW(model.parameters(), lr3e-3, weight_decay1e-4) scheduler ReduceLROnPlateau(optimizer, modemin, factor0.5, patience2, verboseTrue) criterion nn.CrossEntropyLoss()訓(xùn)練循環(huán)中每個(gè)epoch后調(diào)用一次scheduler.step(val_loss)讓調(diào)度器根據(jù)驗(yàn)證集損失動(dòng)態(tài)調(diào)整學(xué)習(xí)率。這里要注意一個(gè)經(jīng)驗(yàn)盡量不要在第一個(gè)epoch就用很高的學(xué)習(xí)率。我一般用warmup策略前500步或前2個(gè)epoch學(xué)習(xí)率從0線性增長到設(shè)定值。這樣可以讓Embedding層和LSTM層在訓(xùn)練初期穩(wěn)定適應(yīng)輸入分布減少震蕩。Pytorch里有現(xiàn)成的get_linear_schedule_with_warmup可以直接用。4.2 梯度裁剪與過擬合治理LSTM網(wǎng)絡(luò)有一個(gè)讓人頭疼的地方長期依賴建模過程中梯度有可能隨時(shí)間步累積而膨脹。所以訓(xùn)練循環(huán)里一定要做梯度裁剪clim_norm設(shè)置成2.0或5.0均可。clip_value 5.0 for batch in dataloader: optimizer.zero_grad() input_ids, labels batch logits, _ model(input_ids) loss criterion(logits, labels) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), clip_value) optimizer.step()如果不做梯度裁剪你會(huì)在訓(xùn)練日志里看到loss突然變成nan或者某個(gè)batch的loss猛增那就是梯度爆炸的信號(hào)。過擬合治理方面我通常會(huì)同時(shí)使用幾招Dropout設(shè)置在0.3到0.5之間注意CNN層、LSTM層和全連接前的Dropout構(gòu)成多重正則。Embedding層可以選擇靜態(tài)方式訓(xùn)練即在最開始凍結(jié)詞向量只訓(xùn)練上層。如果數(shù)據(jù)量很小我還會(huì)在Embedding層之后加一個(gè)SpatialDropout1d它和普通dropout不同會(huì)隨機(jī)丟掉整條Embedding通道對(duì)序列模型過擬合有比較好的抑制作用。早停機(jī)制也不要忘了。以驗(yàn)證集F1為準(zhǔn)連續(xù)5個(gè)epoch沒有提升就停止訓(xùn)練保存最好的模型參數(shù)。這樣能防止無意義的訓(xùn)練時(shí)間浪費(fèi)。4.3 類別不平衡處理與Batch Size選擇文本分類場景中類別不平衡非常常見比如投訴類文本數(shù)量遠(yuǎn)少于正常咨詢類。這時(shí)直接用CrossEntropyLoss會(huì)被多數(shù)類帶偏模型會(huì)傾向于把所有樣本預(yù)測為多數(shù)類。我這里的做法是把權(quán)重參數(shù)傳給CrossEntropyLoss讓少數(shù)類的loss適當(dāng)放大。權(quán)重可以按類別樣本數(shù)量的倒數(shù)做平滑例如取數(shù)的平方根。class_counts torch.tensor([counts[i] ** 0.5 for i in range(num_classes)], dtypetorch.float) class_weights 1.0 / class_counts class_weights class_weights / class_weights.sum() * num_classes criterion nn.CrossEntropyLoss(weightclass_weights.to(device))Batch Size的選擇上我建議32或64不要盲目追求大Batch Size。LSTM在反向傳播時(shí)需要沿著時(shí)間步展開計(jì)算大Batch Size會(huì)讓顯存占用成倍增加。如果顯存有限可以減小Batch Size同時(shí)適當(dāng)調(diào)低學(xué)習(xí)率。實(shí)踐中64的Batch Size配合3e-3學(xué)習(xí)率效果不錯(cuò)。如果你需要跑長文本例如序列長度512可以把Batch Size降到16甚至8然后使用梯度累積accumulation_steps 4 for i, batch in enumerate(dataloader): ... loss loss / accumulation_steps loss.backward() if (i 1) % accumulation_steps 0: optimizer.step() optimizer.zero_grad()梯度累積的思路是把多個(gè)小Batch的梯度疊加后再更新一次參數(shù)效果近似于大Batch訓(xùn)練但對(duì)顯存更友好。5. 評(píng)估、消融實(shí)驗(yàn)與可視化5.1 評(píng)估指標(biāo)與混淆矩陣分類任務(wù)不能只看準(zhǔn)確率。在類別不平衡場景下準(zhǔn)確率很容易騙人。我會(huì)同時(shí)看每個(gè)類別的精確率、召回率和F1并計(jì)算宏平均F1和加權(quán)平均F1。如果用sklearn一條命令就能輸出完整的classification_report。from sklearn.metrics import classification_report, confusion_matrix report classification_report(y_true, y_pred, target_nameslabel_names, digits4) print(report)混淆矩陣也要打印出來重點(diǎn)檢查哪些類別之間經(jīng)?；ハ嗷煜１热缥以鲞^一個(gè)用戶評(píng)論多分類任務(wù)模型經(jīng)常把“投訴”判別成“咨詢”因?yàn)閮烧叩拇朕o都很禮貌開頭句式高度相似?？吹交煜仃嚭笪覍ｉT給“投訴”類的樣本加了更多特征數(shù)據(jù)情況有所改善。5.2 注意力權(quán)重可視化的用處Attention層產(chǎn)出的權(quán)重可以做非常好的可解釋性分析。具體做法是取一條測試樣本把每個(gè)位置詞對(duì)應(yīng)的注意力權(quán)重提取出來畫成熱度圖或打印成列表就能直觀看到模型在判斷時(shí)重點(diǎn)看了哪些詞。在實(shí)際項(xiàng)目里我用這種可視化發(fā)現(xiàn)過一個(gè)有趣現(xiàn)象在情感分類任務(wù)中模型對(duì)“還”這個(gè)字賦予了很高的權(quán)重有時(shí)甚至超過“好”本身。原因可能是“還”在“還行”“還不錯(cuò)”這些語境中出現(xiàn)頻繁模型把它當(dāng)成了模糊情感的觸發(fā)詞。這種發(fā)現(xiàn)對(duì)業(yè)務(wù)方了解模型行為、調(diào)試規(guī)則都很有價(jià)值。代碼層面只需要讓模型返回attention_weights然后把權(quán)重和分詞后的文本映射起來即可model.eval() with torch.no_grad(): logits, attn_weights model(input_ids) attn_weights attn_weights.squeeze(0).cpu().numpy() token_list tokens for token, score in sorted(zip(token_list, attn_weights), keylambda x: x[1], reverseTrue)[:10]: print(f{token}: {score:.4f})5.3 消融實(shí)驗(yàn)的設(shè)計(jì)方法很多朋友做完模型就直接交差我覺得這是很可惜的。在項(xiàng)目里做一輪消融實(shí)驗(yàn)只需要多花半天時(shí)間但對(duì)模型的可信度提升很大。方法很直白在相同的數(shù)據(jù)和訓(xùn)練參數(shù)下分別訓(xùn)練完整版、去掉Attention版、去掉BiLSTM版、去掉CNN版然后對(duì)比指標(biāo)。我復(fù)現(xiàn)過的一個(gè)典型結(jié)果如下模型版本準(zhǔn)確率宏F1訓(xùn)練耗時(shí)完整版(CNN-BiLSTM-Attention)0.91820.9124約18分鐘去掉Attention0.90370.8951約12分鐘去掉BiLSTM(即CNNAttention直連)0.88750.8789約8分鐘去掉CNN(即BiLSTMAttention)0.89530.8860約16分鐘光看結(jié)果每個(gè)模塊對(duì)小幅度的指標(biāo)都有貢獻(xiàn)其中Attention的貢獻(xiàn)最明顯。說明這個(gè)任務(wù)中關(guān)鍵信息篩選很重要而CNN和BiLSTM分別提供了局部和全局的上下文特征。消融實(shí)驗(yàn)做出來的數(shù)據(jù)在技術(shù)選型和報(bào)告評(píng)審中非常有用。6. 常見問題與故障排查6.1 訓(xùn)練不收斂或Loss變成NaN這類問題多半是學(xué)習(xí)率過大、梯度爆炸或者初始權(quán)重范圍不合適導(dǎo)致的。排查順序是先看loss曲線是否在某一輪急劇升高如果是大概率是梯度爆炸把grad_clip加上就好。再把學(xué)習(xí)率降到1e-3甚至5e-4跑幾個(gè)step觀察loss是否穩(wěn)定。如果加入梯度裁剪后Loss還是NaN就要檢查Embedding層是否用了巨大的隨機(jī)初始化值。我之前踩過一個(gè)坑單詞數(shù)量很大的時(shí)候隨機(jī)初始化embedding如果標(biāo)準(zhǔn)差設(shè)置到1.0第一個(gè)前向傳播就會(huì)出現(xiàn)數(shù)值溢出。所以隨機(jī)初始化范圍務(wù)必控制在0.05到0.1之間。數(shù)據(jù)層面也需要檢查檢查是否存在空文本序列。如果某條文本分詞后長度為0經(jīng)過Embedding后整行向量全是0會(huì)讓LSTM輸出異常。這類臟數(shù)據(jù)要在預(yù)處理階段直接過濾。6.2 模型過擬合怎么辦過擬合的典型表現(xiàn)是訓(xùn)練loss持續(xù)下降驗(yàn)證loss卻穩(wěn)著不動(dòng)或者上升。這時(shí)候可以從數(shù)據(jù)、模型、訓(xùn)練三個(gè)角度處理。數(shù)據(jù)層面檢查訓(xùn)練集和驗(yàn)證集是否有重復(fù)或泄漏。有一次我發(fā)現(xiàn)驗(yàn)證集準(zhǔn)確率異常高后來定位原因是數(shù)據(jù)切分前沒有打亂相同來源的樣本全都進(jìn)了訓(xùn)練集模型相當(dāng)于用相似分布的數(shù)據(jù)評(píng)估自己。這個(gè)錯(cuò)誤提示數(shù)據(jù)劃分要添加shuffle并檢查類別分布。模型層面增大Dropout建議從0.2提到0.4再到0.5嘗試。同時(shí)減少BiLSTM的hidden_size降低模型容量。我見過用hidden_size256在幾千條樣本上訓(xùn)練過擬合得非?？旖档?28就恢復(fù)正常。訓(xùn)練層面早停必須啟用。同時(shí)可以考慮凍結(jié)Embedding層讓它不參與更新。因?yàn)轭A(yù)訓(xùn)練詞向量在大規(guī)模語料上練出來的空間結(jié)構(gòu)在小數(shù)據(jù)集上被反向傳播更新后很容易被扭曲效果反而變差。6.3 處理變長序列時(shí)長度選擇的問題max_len設(shè)置太短會(huì)截?cái)嚓P(guān)鍵句設(shè)置太長則會(huì)額外增大計(jì)算量。這里我可以給你一套經(jīng)驗(yàn)做法統(tǒng)計(jì)訓(xùn)練集所有樣本的token數(shù)量分布取P95作為max_len比如95%的樣本都在100個(gè)token以內(nèi)就把max_len設(shè)為100或128。另一個(gè)隱藏問題是長度對(duì)padding的影響。LSTM處理padding部分同樣會(huì)計(jì)算隱狀態(tài)如果padding太長會(huì)把Attention權(quán)重稀釋。有兩個(gè)解決辦法一是用torch.nn.utils.rnn.pack_padded_sequence對(duì)真實(shí)長度進(jìn)行壓縮二是在Attention計(jì)算score時(shí)把padding位置的score減掉一個(gè)很大的負(fù)數(shù)。前者推薦它能在訓(xùn)練和推理時(shí)都大幅減少無效計(jì)算。pack_padded_sequence的使用略微繁瑣需要把樣本按真實(shí)長度降序排列并傳給LSTM然后pad_packed_sequence還原。如果你不熟悉可以先用masked attention做替代方案把padding位置的注意力權(quán)重強(qiáng)制置為0效果也不差。6.4 推理速度優(yōu)化建議部署階段如果對(duì)推理延遲敏感有幾個(gè)實(shí)用的優(yōu)化路徑。第一把文本preprocessing里的jieba分詞放到多進(jìn)程里避免GIL鎖限制。第二模型推理時(shí)使用torch.no_grad()上下文可以明顯降低顯存開銷。第三開啟torch.backends.cudnn.benchmark True讓cudnn自動(dòng)選擇最優(yōu)卷積算法。如果想把模型導(dǎo)入ONNX或者TorchScript需要確保所有前向操作都兼容。這里唯一的麻煩點(diǎn)就是LSTM的動(dòng)態(tài)特性導(dǎo)出時(shí)需要固定序列長度并處理好batch_first等參數(shù)。建議在導(dǎo)出前先完成一次前向驗(yàn)證確保參數(shù)都綁定好了。說實(shí)話我最初做這個(gè)模型的時(shí)候也是從網(wǎng)上零散代碼拼起調(diào)通框架就花了不少時(shí)間。真正讓我提升的是動(dòng)手做消融實(shí)驗(yàn)理解了每個(gè)模塊為什么能提高效果。拿這版結(jié)構(gòu)去處理文本分類不管你是做情感判斷、主題分類還是意圖識(shí)別先把數(shù)據(jù)和超參數(shù)跑穩(wěn)再接上可視化和統(tǒng)計(jì)對(duì)比這套流程用個(gè)幾次就會(huì)很熟練。最后分享一個(gè)來自實(shí)際項(xiàng)目的小經(jīng)驗(yàn)遇到分類效果不理想不要第一反應(yīng)就換模型。先拿著錯(cuò)誤樣本做一次錯(cuò)誤分析看看是數(shù)據(jù)標(biāo)簽問題、分詞問題還是特征缺失很多時(shí)候調(diào)整預(yù)處理比換模型結(jié)構(gòu)更有效。CNN-BiLSTM-Attention這個(gè)組合在文本分類上的能力上限非常高差的往往不是結(jié)構(gòu)而是對(duì)它每一層細(xì)節(jié)的把握。如果某次訓(xùn)練效果不佳檢查一下你是不是急著跳過了前面某個(gè)細(xì)節(jié)重新過一遍參數(shù)和數(shù)據(jù)往往比盲目升級(jí)復(fù)雜模型更管用。