数据集文末分享。

模型：

做完padding之后，就可以转换为张量了。

bidirectional是是否使用双向RNN:

输出隐层两个：

代码：

import csvimport timeimport matplotlib.pyplot as pltimport numpy as npimport mathimport gzip  # 用于读取压缩文件import torchimport torch.optim as optimfrom torch.utils.data import Dataset, DataLoaderfrom torch.nn.utils.rnn import pack_padded_sequence​# 一些超参数HIDDEN_SIZE = 100BATCH_SIZE = 256  # 一次训练的样本数，为256个名字N_LAYER = 2  # RNN的层数N_EPOCHS = 100N_CHARS = 128  # ASCII码一共有128个字符USE_GPU = True​# 构造数据集class NameDataset(Dataset):def __init__(self, is_train_set=True):        filename = 'D:\\code1\\vue1\\yolov5\\dataset\\names_train.csv.gz' if is_train_set else 'D:\\code1\\vue1\\yolov5\\dataset\\names_test.csv.gz'        with gzip.open(filename, 'rt') as f:  # rt表示以只读模式打开文件，并将文件内容解析为文本形式            reader = csv.reader(f)       #读数据            rows = list(reader)  # rows是一个列表，每个元素是一个名字和国家名组成的列表。把csv中所有的行读进来self.names = [row[0] for row in rows]  # 一个很长的列表，每个元素是一个名字，字符串，长度不一，需要转化为数字（name,language）self.len = len(self.names)  # 训练集：13374  测试集：6700.记录样本数量self.countries = [row[1] for row in rows]  # 一个很长的列表，每个元素是一个国家名，字符串，需要编码成数字# 下面两行的作用其实就是把国家名编码成数字，因为后面要用到交叉熵损失函数self.country_list = list(sorted(set(self.countries)))  # 列表，按字母表顺序排序，去重后有18个国家名。set变为集合，去重self.country_dict = self.getCountryDict()  # 字典，key是国家名，value是country_list的国家名对应的索引(0-17)self.country_num = len(self.country_list)  # 18​# 根据样本的索引返回姓名和国家名对应的索引，可以理解为(特征,标签)，但这里的特征是姓名，后面还需要转化为数字，标签是国家名对应的索引def __getitem__(self, index):return self.names[index], self.country_dict[self.countries[index]]​# 返回样本数量def __len__(self):return self.len​# 返回一个key为国家名和value为索引的字典def getCountryDict(self):        country_dict = dict()  # 空字典for idx, country_name in enumerate(self.country_list):#遍历            country_dict[country_name] = idx  #构建键值对return country_dict​# 根据索引(标签值)返回对应的国家名def idx2country(self, index):return self.country_list[index]​# 返回国家名(标签类别)的个数，18def getCountriesNum(self):return self.country_num​# 实例化数据集trainset = NameDataset(is_train_set=True)trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True)   #构造加载器。batch_size=256testset = NameDataset(is_train_set=False)testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=False)​N_COUNTRY = trainset.getCountriesNum()  # 18个国家名，即18个类别。决定最终输出维度​# 设计神经网络模型class RNNClassifier(torch.nn.Module):    #模型设计def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):#“bidirectional”super(RNNClassifier, self).__init__()self.hidden_size = hidden_size  # 隐含层的大小，100self.n_layers = n_layers  # RNN的层数，2self.n_directions = 2 if bidirectional else 1  # 是否使用双向RNN​# 词嵌入层：input_size是输入的特征数(即不同词语的个数)，即128;embedding_size是词嵌入的维度(即将词语映射到的向量的维度)，这里让它等于了隐含层的大小，即100self.embedding = torch.nn.Embedding(input_size, hidden_size)# GRU层：input_size是输入的特征数(这里是embedding_size,其大小等于hidden_size)，即100;hidden_size是隐含层的大小，即100;n_layers是RNN的层数，2;bidirectional是是否使用双向RNNself.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)#bidirectional是是否使用双向RNN# 全连接层：hidden_size是隐含层的大小，即100;output_size是输出的特征数(即不同类别的个数)，即18self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)​def _init_hidden(self, batch_size):# 初始化隐含层，形状为(n_layers * num_directions, batch_size, hidden_size)        hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)  #全0张量return create_tensor(hidden)​def forward(self, input, seq_lengths):# input shape:B X S -> S X B        input = input.t()  # 转置，变成(seq_len,batch_size)        batch_size = input.size(1)  # 256，一次训练的样本数，为256个名字，即batch_size        hidden = self._init_hidden(batch_size)# 1、嵌入层处理，input:(seq_len,batch_size) -> embedding:(seq_len,batch_size,embedding_size)        embedding = self.embedding(input)   #扔到嵌入层里面​# pack them up        gru_input = pack_padded_sequence(embedding, seq_lengths)​# output:(*, hidden_size * num_directions)，*表示输入的形状(seq_len,batch_size)# hidden:(num_layers * num_directions, batch, hidden_size)        output, hidden = self.gru(gru_input, hidden)if self.n_directions == 2:            hidden_cat = torch.cat([hidden[-1], hidden[-2]],                                   dim=1)  # hidden[-1]的形状是(1,256,100)，hidden[-2]的形状是(1,256,100)，拼接后的形状是(1,256,200)else:            hidden_cat = hidden[-1]  # (1,256,100)        fc_output = self.fc(hidden_cat)  # 返回的是(1,256,18)return fc_output​# 下面该函数属于数据准备阶段的延续部分，因为神经网络只能处理数字，不能处理字符串，所以还需要把姓名转换成数字def make_tensors(names, countries):# 传入的names是一个列表，每个元素是一个姓名字符串，countries也是一个列表，每个元素是一个整数    sequences_and_lengths = [name2list(name) for name in # name2list：把每一个名字变成ascll列表                             names]  # 返回的是一个列表，每个元素是一个元组，元组的第一个元素是姓名字符串转换成的数字列表，第二个元素是姓名字符串的长度    name_sequences = [sl[0] for sl in sequences_and_lengths]  # 返回的是一个列表，每个元素是姓名字符串转换成的数字列表    seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths])  # 返回的是一个列表，每个元素是姓名字符串的长度    countries = countries.long()  # PyTorch 中，张量的默认数据类型是浮点型 (float)，这里转换成整型，可以避免浮点数比较时的精度误差，从而提高模型的训练效果​# make tensor of name, (Batch_size,Seq_len) 实现填充0的功能    seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths)):        seq_tensor[idx, :seq_len] = torch.LongTensor(seq)​# sort by length to use pack_padded_sequence。按照序列长度排序# perm_idx是排序后的数据在原数据中的索引,seq_tensor是排序后的数据,seq_lengths是排序后的数据的长度,countries是排序后的国家    seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)    seq_tensor = seq_tensor[perm_idx]    countries = countries[perm_idx]​return create_tensor(seq_tensor), create_tensor(seq_lengths), create_tensor(countries)​# 把名字转换成ASCII码，返回ASCII码值列表和名字的长度def name2list(name):    arr = [ord(c) for c in name]return arr, len(arr)​# 是否把数据放到GPU上def create_tensor(tensor):if USE_GPU:        device = torch.device('cuda:0')        tensor = tensor.to(device)return tensor​# 训练模型def trainModel():    total_loss = 0for i, (names, countries) in enumerate(trainloader, 1):        inputs, seq_lengths, target = make_tensors(names, countries)  #make_tensors每次拿到3个量        output = classifier(inputs, seq_lengths.cpu())        loss = criterion(output, target)        optimizer.zero_grad()        loss.backward()        optimizer.step()​        total_loss += loss.item()if i % 10 == 0:            print(f'[{timeSince(start)}] Epoch {epoch} ', end='')  # end=''表示不换行            print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')            print(f'loss={total_loss / (i * len(inputs))}')  # 打印每个样本的平均损失​return total_loss  # 返回的是所有样本的损失，我们并没有用上它​# 测试模型def testModel():    correct = 0    total = len(testset)    print('evaluating trained model ...')    with torch.no_grad():for i, (names, countries) in enumerate(testloader, 1):            inputs, seq_lengths, target = make_tensors(names, countries)            output = classifier(inputs, seq_lengths.cpu())            pred = output.max(dim=1, keepdim=True)[1]  # 返回每一行中最大值的那个元素的索引，且keepdim=True，表示保持输出的二维特性            correct += pred.eq(target.view_as(pred)).sum().item()  # 计算正确的个数        percent = '%.2f' % (100 * correct / total)        print(f'Test set: Accuracy {correct}/{total} {percent}%')​return correct / total  # 返回的是准确率，0.几几的格式，用来画图​def timeSince(since):    now = time.time()    s = now - since    m = math.floor(s / 60)  # math.floor()向下取整，除以60变成分钟    s -= m * 60return '%dmin %ds' % (m, s)  # 多少分钟多少秒​if __name__ == '__main__':    classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)   #RNN循环网络分类器，“N_CHARS”字符数量，“HIDDEN_SIZE”：GRU输出的隐层层数，“N_LAYER”：用几层的GRUif USE_GPU:        device = torch.device('cuda:0')        classifier.to(device)​# 定义损失函数和优化器    criterion = torch.nn.CrossEntropyLoss()    optimizer = optim.Adam(classifier.parameters(), lr=0.001)​    start = time.time()     #打印训练时间，距离开始时间过去了多少时间    print('Training for %d epochs...' % N_EPOCHS)    acc_list = []    #把测试结果记录到列表里面# 在每个epoch中，训练完一次就测试一次for epoch in range(1, N_EPOCHS + 1):# Train cycle        trainModel()        acc = testModel()        acc_list.append(acc)​# 绘制在测试集上的准确率    epoch = np.arange(1, len(acc_list) + 1)    acc_list = np.array(acc_list)    plt.plot(epoch, acc_list)    plt.xlabel('Epoch')    plt.ylabel('Accuracy')    plt.grid()    plt.show()