【神经网络】CNN在Pytorch中的使用

因为研究方向为关系抽取，所以在文本的处理方面，一维卷积方法是很有必要掌握的，简单介绍下加深学习印象。

Pytorch官方参数说明：

Conv1d

class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

• in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度
• out_channels(int) – 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积
• kernel_size(int or tuple) - 卷积核的尺寸，卷积核的大小为(k,)，第二个维度是由in_channels来决定的，所以实际上卷积大小为kernel_size*in_channels
• stride(int or tuple, optional) - 卷积步长
• padding (int or tuple, optional)- 输入的每一条边补充0的层数
• dilation(int or tuple, `optional``) – 卷积核元素之间的间距
• groups(int, optional) – 从输入通道到输出通道的阻塞连接数
• bias(bool, optional) - 如果bias=True，添加偏置

有一位博主解释的很清楚，我附上他的内容，阅读连接我会在下方提供。

conv1 = nn.Conv1d(in_channels=256，out_channels=100,kernel_size=2)
input = torch.randn(32,35,256)
# batch_size x text_len x embedding_size -> batch_size x embedding_size x text_len
input = input.permute(0,2,1)
out = conv1(input)
print(out.size())

这里32为batch_size，35为句子最大长度，256为词向量

再输入一维卷积的时候，需要将32*35*256变换为32*256*35，因为一维卷积是在最后维度上扫的，最后out的大小即为：32*100*（35-2+1）=32*100*34

图中输入的词向量维度为5，输入大小为7*5，一维卷积和的大小为2、3、4，每个都有两个，总共6个特征。

对于k=4，见图中红色的大矩阵，卷积核大小为4*5，步长为1。这里是针对输入从上到下扫一遍，输出的向量大小为((7-4)/1+1)*1=4*1，最后经过一个卷积核大小为4的max_pooling，变成1个值。最后获得6个值，进行拼接，在经过一个全连接层，输出2个类别的概率。

 附上的代码详解如下：

其中，embedding_size=256, feature_size=100, window_sizes=[3,4,5,6], max_text_len=35

class TextCNN(nn.Module):
    def __init__(self, config):
        super(TextCNN, self).__init__()
        self.is_training = True
        self.dropout_rate = config.dropout_rate
        self.num_class = config.num_class
        self.use_element = config.use_element
        self.config = config
 
        self.embedding = nn.Embedding(num_embeddings=config.vocab_size, 
                                embedding_dim=config.embedding_size)
        self.convs = nn.ModuleList([
                nn.Sequential(nn.Conv1d(in_channels=config.embedding_size, 
                                        out_channels=config.feature_size, 
                                        kernel_size=h),
#                              nn.BatchNorm1d(num_features=config.feature_size), 
                              nn.ReLU(),
                              nn.MaxPool1d(kernel_size=config.max_text_len-h+1))
                     for h in config.window_sizes
                    ])
        self.fc = nn.Linear(in_features=config.feature_size*len(config.window_sizes),
                            out_features=config.num_class)
        if os.path.exists(config.embedding_path) and config.is_training and config.is_pretrain:
            print("Loading pretrain embedding...")
            self.embedding.weight.data.copy_(torch.from_numpy(np.load(config.embedding_path)))    
    
    def forward(self, x):
        embed_x = self.embedding(x)
        
        #print('embed size 1',embed_x.size())  # 32*35*256
　　　　 # batch_size x text_len x embedding_size  -> batch_size x embedding_size x text_len
        embed_x = embed_x.permute(0, 2, 1)
        #print('embed size 2',embed_x.size())  # 32*256*35
        out = [conv(embed_x) for conv in self.convs]  #out[i]:batch_size x feature_size*1
        #for o in out:
        #    print('o',o.size())  # 32*100*1
        out = torch.cat(out, dim=1)  # 对应第二个维度（行）拼接起来，比如说5*2*1,5*3*1的拼接变成5*5*1
        #print(out.size(1)) # 32*400*1
        out = out.view(-1, out.size(1)) 
        #print(out.size())  # 32*400 
        if not self.use_element:
            out = F.dropout(input=out, p=self.dropout_rate)
            out = self.fc(out)
        return out

embed_x一开始大小为32*35*256，32为batch_size。经过permute，变为32*256*35，输入到自定义的网络后，out中的每一个元素，大小为32*100*1，共有4个元素。在dim=1维度上进行拼接后，变为32*400*1，在经过view，变为32*400，最后通过400*num_class大小的全连接矩阵，变为32*2。

我在关系抽取的论文阅读中，作者使用CNN卷积代码如下：

class CNN3(nn.Module):
    def __init__(self, config):
        super(CNN3, self).__init__()
        self.config = config
        self.word_emb = nn.Embedding(config.data_word_vec.shape[0], config.data_word_vec.shape[1])
        self.word_emb.weight.data.copy_(torch.from_numpy(config.data_word_vec))
        self.word_emb.weight.requires_grad = False

        # self.char_emb = nn.Embedding(config.data_char_vec.shape[0], config.data_char_vec.shape[1])
        # self.char_emb.weight.data.copy_(torch.from_numpy(config.data_char_vec))
        # char_dim = config.data_char_vec.shape[1]
        # char_hidden = 100
        # self.char_cnn = nn.Conv1d(char_dim,  char_hidden, 5)

        self.coref_embed = nn.Embedding(config.max_length, config.coref_size, padding_idx=0)
        self.ner_emb = nn.Embedding(7, config.entity_type_size, padding_idx=0)
        input_size = config.data_word_vec.shape[1] + config.coref_size + config.entity_type_size #+ char_hidden
        #140维
        self.out_channels = 200
        self.in_channels = input_size
        self.kernel_size = 3
        self.stride = 1
        self.padding = int((self.kernel_size - 1) / 2)
        self.cnn_1 = nn.Conv1d(self.in_channels, self.out_channels, self.kernel_size, self.stride, self.padding)
        self.cnn_2 = nn.Conv1d(self.out_channels, self.out_channels, self.kernel_size, self.stride, self.padding)
        self.cnn_3 = nn.Conv1d(self.out_channels, self.out_channels, self.kernel_size, self.stride, self.padding)
        self.max_pooling = nn.MaxPool1d(self.kernel_size, stride=self.stride, padding=self.padding)
        self.relu = nn.ReLU()
        self.dropout = nn.Dropout(config.cnn_drop_prob)
        self.bili = torch.nn.Bilinear(self.out_channels+config.dis_size, self.out_channels+config.dis_size, config.relation_num)
        self.dis_embed = nn.Embedding(20, config.dis_size, padding_idx=10)

    # model(context_idxs, context_pos, context_ner, context_char_idxs, input_lengths, h_mapping, t_mapping, relation_mask, dis_h_2_t, dis_t_2_h)
    def forward(self, context_idxs, pos, context_ner, context_char_idxs, context_lens, h_mapping, t_mapping, relation_mask, dis_h_2_t, dis_t_2_h):
        # para_size, char_size, bsz = context_idxs.size(1), context_char_idxs.size(2), context_idxs.size(0)
        # context_ch = self.char_emb(context_char_idxs.contiguous().view(-1, char_size)).view(bsz * para_size, char_size, -1)
        # context_ch = self.char_cnn(context_ch.permute(0, 2, 1).contiguous()).max(dim=-1)[0].view(bsz, para_size, -1)

        # self.word_emb(context_idxs).shape = [40,512,config.data_word_vec.shape[1]]
        # self.coref_embed(pos) = [40,512,config.coref_size]
        # self.coref_embed(pos) = [40,512,config.coref_size]
        sent = torch.cat([self.word_emb(context_idxs), self.coref_embed(pos), self.ner_emb(context_ner)], dim=-1)
        sent = sent.permute(0, 2, 1)#torch.Size([40, 140, 512])

        # batch * embedding_size * max_len
        x = self.cnn_1(sent)  #（b,140,512）->(b,200,512)
        x = self.max_pooling(x)#(b,200,512)->（b,200,512）
        x = self.relu(x)
        x = self.dropout(x)

        x = self.cnn_2(x)#(b,200,512)->(b,200,512)
        x = self.max_pooling(x)#(b,200,512)->(b,200,512)
        x = self.relu(x)
        x = self.dropout(x)

        x = self.cnn_3(x)#(b,200,512)->(b,200,512)
        x = self.max_pooling(x)#(b,200,512)->(b,200,512)
        x = self.relu(x)
        x = self.dropout(x)
        context_output = x.permute(0, 2, 1)     #(b,512,200)  因为每一步都pading=1加了两列，所以最后输出没有区别
        start_re_output = torch.matmul(h_mapping, context_output)       #(b,1800,512)*(b,512,200) ->(b,1800,200)
        end_re_output = torch.matmul(t_mapping, context_output)
        s_rep = torch.cat([start_re_output, self.dis_embed(dis_h_2_t)], dim=-1)   #(b,1800,200+20)
        t_rep = torch.cat([end_re_output, self.dis_embed(dis_t_2_h)], dim=-1)
        predict_re = self.bili(s_rep, t_rep)   #(b,1800,97)
        return predict_re

作者定义了三层CNN，第一层通过增加通道数并使用大小为3的卷积核来提取特征，为了使句子最大长度维度每次经过卷积层不变而设计了padding

并不是直接通过CNN进行关系分类，先通过第一层提取特征，后经过两层CNN（数据shape未变化，功能？），将通过3层CNN得到的context_ouput，此时context_output已经含有了一些文档级信息，然后将h_mapping中含有的头实体mask的信息与ontext_ouput相乘，将t_mapping中含有的尾实体mask的信息与ontext_ouput相乘。

接着将头实体到尾实体的距离特征与start_re_output的特征维度上进行拼接，将尾实体到头实体的距离特征与end_re_output的特征维度上进行拼接

最后将两个数据均送入与定义好的双线性层进行预测，得到预测的结果。

可以看到35-37行代码作者尝试使用Glove训练好的字符的预训练量，可能遇到问题放弃了。因此效果并不好。

Conv2d

 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

in_channels	Number of channels in the input image
out_channels	Number of channels produced by the convolution
kernel_size	卷积核尺寸
stride	步长，控制cross-correlation的步长，可以设为1个int型数或者一个(int, int)型的tuple。
padding	(补0)：控制zero-padding的数目。
dilation	(扩张)：控制kernel点（卷积核点）的间距
groups	(卷积核个数)：通常来说，卷积个数唯一，但是对某些情况，可以设置范围在1 —— in_channels中数目的卷积核：
bias	adds a learnable bias to the output.

 实例：

import torch
x = torch.randn(2,1,7,3)
conv = torch.nn.Conv2d(1,8,(2,3))
res = conv(x)
print(res.shape)    # shape = (2, 8, 6, 1)

输入x：

[ batch_size, channels, height_1, width_1 ]

batch_size	一个batch中样例的个数	2
channels	通道数，也就是当前层的深度	1
height_1	图片的高	7
width_1	图片的宽	3

Conv2d的参数

[ channels, output, height_2, width_2 ] 

channels	通道数，和上面保持一致，也就是当前层的深度	1
output	输出的深度	8
height_2	过滤器filter的高	2
weight_2	过滤器filter的宽	3

输出res

[batch_size,output,height_3,width_3]

batch_size	一个batch中样例的个数，同上	2
output	输出的深度	8
height_3	卷积结果的高度	h1-h2+1 = 7-2+1 = 6
weight_3	卷积结果的宽度	w1-w2+1 = 3-3+1 = 1

 Shape:

　　$(N,C_{in},H_{in},W_{in})$

　　$(N,C_{out},H_{out},W_{out})$

　　$H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[0] - \text{dilation}[0] \times (\text{kernel_size}[0] - 1) - 1}{\text{stride}[0]} + 1\right\rfloor$

　　$W_{out} = \left\lfloor\frac{W_{in} + 2 \times \text{padding}[1] - \text{dilation}[1] \times (\text{kernel_size}[1] - 1) - 1}{\text{stride}[1]} + 1\right\rfloor$

 

 

参考：

 

pytorch 中nn.MaxPool1d() 和nn.MaxPool2d()对比: https://www.jianshu.com/p/c5b8e02bedbe

pytorch中的nn.Bilinear的计算原理详解： https://blog.csdn.net/nihate/article/details/90480459

pytorch之nn.Conv1d详解：https://blog.csdn.net/sunny_xsc1994/article/details/82969867

pytorch中的matmul: https://blog.csdn.net/yu_1628060739/article/details/102720385

torch.nn.Conv2d()函数详解：https://blog.csdn.net/m0_37586991/article/details/87855342