数据集：train

 一.加载数据

import torch
import torch.nn as nn
import torchvision
from torchvision import transforms,datasets
import os,PIL,pathlib,warnings
 
warnings.filterwarnings("ignore")
 
 
device = torch.device("cuda"if torch.cuda.is_available() else"cpu")
device

#获取数据
import pandas as pd
train_data = pd.read_csv('D:/BaiduNetdiskDownload/train.csv',sep='\t',header=None)
train_data.head()

#构建数据的迭代器
def coustom_data_iter(texts,labels):
    for x,y in zip(texts,labels):
        yield x,y
        
train_iter = coustom_data_iter(train_data[0].values[:],train_data[1].values[:])

 二.数据处理

1.构建词典

from torchtext.data.utils import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
import jieba 
 
tokenizer =jieba.lcut
 
def yield_tokens(data_iter):
    for text,_ in data_iter:
        yield tokenizer(text)  
vocab = build_vocab_from_iterator(yield_tokens(train_iter),specials=[""])
vocab.set_default_index(vocab[""])

vocab(['随便','播放','一','首','歌','我'])
out：[173, 4, 181, 0, 108, 2]

text_pipeline = lambda x: vocab(tokenizer(x))
label_pipeline = lambda x: label_name.index(x)
label_name =list(set(train_data[1].values[:]))
print(label_name)

print(text_pipeline('我想看'))
print(label_pipeline('HomeAppliance-Control'))

创建了两个lambda函数，一个用于将文本转换成词汇索引，另一个用于将标签文本转换成它们在label_name列表中的索引。

除了一般使用def声明的函数外，Python中还支持lambda匿名函数，可以在任何场合替代def函数。

匿名函数，通常指的是运行时临时创建的，没有显示命名的函数，它允许快速定义简单的函数。

语法

lambda arguments ：expression

lambda argument1,argument2...,argumentn : expression using arguments

        lambda 是关键字

  arguments是参数，可以是0个或多个，用逗号分割

  expression是一个表达式，描述了函数的返回值

lambda关键字用于创建小巧的匿名函数。lambda a, b: a+b 函数返回两个参数的和。Lambda 函数可用于任何需要函数对象的地方。在语法上，匿名函数只能是单个表达式。在语义上，它只是常规函数定义的语法糖。与嵌套函数定义一样，lambda 函数可以引用包含作用域中的变量。

优点：

  简洁：lambda表达式可以快速定义简单的函数，无需使用def语句。

  匿名：由于lambda表达式没有正式的函数名称，因此它们是匿名的，可以用于需要短生命周期函数的情况。

  轻量级：lambda表达式只包含一个表达式，因此它们占用内存空间较小，适合用于小型任务。

  可嵌套：Lambda表达式可以嵌套在其他函数或代码块中使用，使代码更加紧凑。

缺点：

  只能包含一个表达式：Lambda表达式只能包含一个表达式，这意味着它们不能包含多个语句或复杂逻辑。

  调试困难：由于Lambda表达式通常很短，因此很难在调试时设置断点和查看执行流程。

  不支持变量定义：Lambda表达式不能定义变量，只能使用已存在的变量。这意味着它们在处理复杂逻辑时可能会受到限制。

  性能问题：Lambda表达式可能在性能方面不如使用def语句定义的函数。由于它们通常是轻量级的，因此可能不会进行优化。

2.生成数据批次和迭代器

from torch.utils.data import DataLoader
 
def collate_batch(batch):
    label_list,text_list,offsets=[],[],[0]
    
    for(_text,_label)in batch:
        label_list.append(label_pipeline(_label))
        
        processed_text= torch.tensor(text_pipeline(_text),dtype=torch.int64)
        text_list.append(processed_text)
        
        offsets.append(processed_text.size(0))
    
    label_list=torch.tensor(label_list,dtype=torch.int64)
    text_list=torch.cat(text_list)
    offsets=torch.tensor(offsets[:-1]).cumsum(dim=0)
    
    return text_list.to(device),label_list.to(device),offsets.to(device)
 
dataloader=DataLoader(train_iter,
                     batch_size=8,
                     shuffle =False,
                     collate_fn=collate_batch)

collate_batch函数用于处理数据加载器中的批次。它接收一个批次的数据，处理它，并返回适合模型训练的数据格式。在这个函数内部，它遍历批次中的每个文本和标签对，将标签添加到label_list，将文本通过text_pipeline函数处理后转换为tensor，并添加到text_list。

三.模型构建

1.搭建模型

from torch import nn
 
class TextClassificationModel(nn.Module):
    
    def __init__(self,vocab_size,embed_dim,num_class):
       super(TextClassificationModel,self).__init__()
        
       self.embedding = nn.EmbeddingBag(vocab_size,
                                        embed_dim,
                                        sparse=False)
        
       self.fc = nn.Linear(embed_dim,num_class)
       self.init_weights()
 
    def init_weights(self):
        initrange = 0.5
        self.embedding.weight.data.uniform_(-initrange,initrange)
        self.fc.weight.data.uniform_(-initrange,initrange)
        self.fc.bias.data.zero_()
 
    def forward(self,text,offsets):
        embedded=self.embedding(text,offsets)
        return self.fc(embedded)

Embedding 层 (nn.EmbeddingBag)：

通过 nn.EmbeddingBag 定义了一个嵌入层，用于将文本数据嵌入到低维空间中。

vocab_size 参数指定词典的大小，embed_dim 参数指定嵌入的维度，sparse=False 表示不使用稀疏张量。

全连接层 (nn.Linear)：

使用 nn.Linear 定义了一个全连接层，将嵌入后的文本表示映射到最终的类别分数。

输入维度为 embed_dim，输出维度为 num_class（类别的数量）。

初始化权重 (init_weights)：

在模型初始化时调用，用于初始化 Embedding 层和全连接层的权重和偏置。

使用均匀分布初始化权重，偏置值被归零。

前向传播 (forward)：

接受文本数据 text 和对应的偏移量 offsets 作为输入。

使用 Embedding 层将文本嵌入到低维空间，通过调用 self.embedding(text, offsets) 实现。

将嵌入后的文本表示传递给全连接层，得到最终的类别分数。

2.初始化模型

num_class = len(label_name)
vocab_size = len(vocab)
em_size = 64
model = TextClassificationModel(vocab_size,em_size,num_class).to(device)

3.定义训练和评估函数

import time
 
def train(dataloader):
    model.train()
    total_acc,train_loss,total_count =0,0,0
    log_interval = 50
    start_time =time.time()
    
    for idx,(text,label,offsets) in enumerate(dataloader):
        
        predicted_label = model(text,offsets)
        
        optimizer.zero_grad()
        loss= criterion(predicted_label,label)
        loss.backward()
        torch.nn.utils.clip_grad_norm_(model.parameters(),0.1)
        optimizer.step()
    
        total_acc +=(predicted_label.argmax(1)==label).sum().item()
        train_loss += loss.item()
        total_count += label.size(0)
        
        if idx % log_interval == 0 and idx >0:
            elapsed = time.time() - start_time
            print('| epoch {:1d}|{:4d}/{:4d} batches'
                  '| train_acc {:4.3f} train_loss{:4.5f}'.format(epoch,idx,len(dataloader),
                                             total_acc/total_count,train_loss/total_count))
            total_acc,train_loss,total_count = 0,0,0
            start_time =time.time()
 
def evaluate(dataloader):
    model.eval()
    total_acc,train_loss,total_count = 0,0,0
    
    with torch.no_grad():
        for idx, (text,label,offsets) in enumerate(dataloader):
            predicted_label =model(text,offsets)
            
            loss = criterion(predicted_label,label)
            
            total_acc +=(predicted_label.argmax(1) == label).sum().item()
            train_loss +=loss.item()
            total_count +=label.size(0)
            
    return total_acc/total_count,train_loss/total_count

train 和 evaluate分别用于训练和评估文本分类模型。

·训练函数 train 的工作流程如下：将模型设置为训练模式。初始化总准确率、训练损失和总计数变量。记录训练开始的时间。遍历数据加载器，对每个批次：进行预测、清零优化器的梯度、计算损失（使用一个损失函数，例如交叉熵）、反向传播计算梯度、通过梯度裁剪防止梯度爆炸、执行一步优化器更新模型权重、更新总准确率和总损失、每隔一定间隔，打印训练进度和统计信息。

·评估函数 evaluate 的工作流程如下：将模型设置为评估模式、初始化总准确率和总损失、不计算梯度（为了节省内存和计算资源）、遍历数据加载器，对每个批次：进行预测、计算损失、

更新总准确率和总损失、返回整体的准确率和平均损失。

四、训练模型 

1.拆分数据集并运行模型

from torch.utils.data.dataset import random_split
from torchtext.data.functional import to_map_style_dataset
 
EPOCHS = 10
LR = 5
BATCH_SIZE= 64
 
 
criterion = torch.nn.CrossEntropyLoss()
optimizer =torch.optim.SGD(model.parameters(),lr=LR)
scheduler =torch.optim.lr_scheduler.StepLR(optimizer,1.0,gamma=0.1)
total_accu =None
 
train_iter = coustom_data_iter(train_data[0].values[:],train_data[1].values[:])
train_dataset = to_map_style_dataset(train_iter)
 
 
split_train_,split_valid_=random_split(train_dataset,
                                      [int(len(train_dataset)*0.8),int(len(train_dataset)*0.2)])
 
train_dataloader =DataLoader(split_train_,batch_size=BATCH_SIZE,
                             shuffle=True,collate_fn=collate_batch)
valid_dataloader = DataLoader(split_valid_,batch_size=BATCH_SIZE,
                              shuffle=True,collate_fn=collate_batch)
for epoch in range(1,EPOCHS + 1):
    epoch_start_time =time.time()
    train(train_dataloader)
    val_acc,val_loss = evaluate(valid_dataloader)
    
    lr= optimizer.state_dict()['param_groups'][0]['lr']
    
    if total_accu is not None and total_accu > val_acc:
        scheduler.step()
    else:
        total_accu = val_acc
    print('-'* 69)
    print('|epoch {:1d} |time: {:4.2f}s | '
          'valid_acc{:4.3f} valid_loss{:4.3f} | lr{:4.6f}'.format(epoch,
                                       time.time()- epoch_start_time,
                                       val_acc,val_loss,lr))
    print('-'* 69)

2.测试数据

def predict(text,text_pipeline):
    with torch.no_grad():
        text = torch.tensor(text_pipeline(text))
        output =model(text,torch.tensor([0]))
        return output.argmax(1).item()
 
ex_text_str="还有双鸭山到淮阴的汽车票吗13号的"
 
model =model.to("cpu")
print("该文本的类别是：%s"%label_name[predict(ex_text_str,text_pipeline)])
该文本的类别是：Travel-Query