10倍交叉验证

Question

在this article中有一个基于深度学习的模型，使用迁移学习和LSTM，作者使用了10倍交叉验证（如表3所示），并取结果的平均值。 我熟悉10倍交叉验证，因为我们需要划分数据并传递给模型，但是在这段代码（here）中，我不知道如何划分数据并传递它。你知道吗

有两个train/test/dev数据集（一个用于情感分析，另一个用于情感分析，我们都用于迁移学习，但我的重点是情感分析）。原始数据是以txt格式的几个文件，运行模型后，它会给出两个新的txt文件，一个用于预测标签，一个用于真实标签。你知道吗

在main file中有一行代码：

model = BiLstm(args, data, ckpt_path='./' + args.data_name + '_output/')

if args.mode=='train':
    model.train(data)
    sess = model.restore_last_session()
    model.predict(data, sess)
if args.mode=='test':
    sess = model.restore_last_session()
    model.predict(data, sess)

其中“data”是一类数据（code），包括test/train/dev数据集： 我想我需要把分割后的数据传递到这里。如果我是对的，我如何进行分区并执行10倍交叉验证？你知道吗

data = Data('./data/'+args.data_name+'data_sample.bin','./data/'+args.data_name+'vocab_sample.bin',
            './data/'+args.data_name+'word_embed_weight_sample.bin',args.batch_size)

class Data(object):
    def __init__(self,data_path,vocab_path,pretrained,batch_size):
            self.batch_size = batch_size

            data, vocab ,pretrained= self.load_vocab_data(data_path,vocab_path,pretrained)
            self.train=data['train']
            self.valid=data['valid']
            self.test=data['test']
            self.train2=data['train2']
            self.valid2=data['valid2']
            self.test2=data['test2']
            self.word_size = len(vocab['word2id'])+1
            self.max_sent_len = vocab['max_sent_len']
            self.max_topic_len = vocab['max_topic_len']
            self.word2id = vocab['word2id'] 
            word2id = vocab['word2id']                
            #self.id2word = dict((v, k) for k, v in word2id.iteritems())
            self.id2word = {}
            for k, v in six.iteritems(word2id):
                self.id2word[v]=k
            self.pretrained=pretrained

Answer 1

从外观上看，似乎train方法可以获得会话并从现有模型继续训练def train(self, data, sess=None)

因此，只需对现有代码和库进行非常小的更改，就可以像smth一样完成任务

首先加载所有数据并构建模型

data = Data('./data/'+args.data_name+'data_sample.bin','./data/'+args.data_name+'vocab_sample.bin',
            './data/'+args.data_name+'word_embed_weight_sample.bin',args.batch_size)

model = BiLstm(args, data, ckpt_path='./' + args.data_name + '_output/')

然后创建交叉验证数据集，如smth

def get_new_data_object():
  return data = Data('./data/'+args.data_name+'data_sample.bin','./data/'+args.data_name+'vocab_sample.bin',
            './data/'+args.data_name+'word_embed_weight_sample.bin',args.batch_size)

cross_validation = []
for i in range(10):
  tmp_data = get_new_data_object()
  tmp_data.train= #get 90% of tmp_data['train']
  tmp_data.valid= #get 90% of tmp_data['valid']
  tmp_data.test= #get 90% of tmp_data['test']
  tmp_data.train2= #get 90% of tmp_data['train2']
  tmp_data.valid2= #get 90% of tmp_data['valid2']
  tmp_data.test2= #get 90% of tmp_data['test2']
  cross_validation.append(tmp_data)

然后运行模型n次（10次用于10倍交叉验证）

sess = null
for data in cross_validation:
  model.train(data, sess)
  sess = model.restore_last_session()

记住要注意一些关键的想法

• 我不知道您的数据是如何精确地构造的，但这会影响将其拆分为test、train和（在您的情况下）valid的方式
• 数据的分割必须是test、train和valid的每个三元组的精确分割，可以随机进行，也可以每次进行不同的分割，只要保持一致
• 您可以使用交叉验证来训练模型n次，或者创建n模型，并选择最佳的模型来避免过度拟合

这段代码只是一个草稿，您可以按照自己的意愿实现它，有一些很好的库已经实现了这样的功能，当然可以进行优化（不是每次都读取整个数据文件）

另一个需要考虑的问题是将模型创建与数据分离，特别是模型构造函数的data参数，从快速查看来看，它似乎只使用数据的维度，因此不传递整个对象是一个很好的做法

此外，如果模型在它的状态（创建时）集成了data对象的其他属性，比如数据本身，那么我的代码可能无法工作，而且是一种更加外科化的方法

希望对你有所帮助，为你指明正确的方向