摘要：網(wǎng)址庫(kù)的安裝和使用自帶了等深度學(xué)習(xí)基礎(chǔ)庫(kù)。遍歷目錄列出根目錄的所有文件查詢(xún)條件教程詳見(jiàn)可以看到控制臺(tái)打印結(jié)果測(cè)試其中是接下來(lái)的教程獲取文件的唯一標(biāo)識(shí)。該示例演示的是對(duì)健康科技設(shè)計(jì)三個(gè)類(lèi)別的標(biāo)題進(jìn)行分類(lèi)。

原文鏈接 https://jinkey.ai/post/tech/x...
本文作者 Jinkey（微信公眾號(hào) jinkey-love，官網(wǎng) https://jinkey.ai）
文章允許非篡改署名轉(zhuǎn)載，刪除或修改本段版權(quán)信息轉(zhuǎn)載的，視為侵犯知識(shí)產(chǎn)權(quán)，我們保留追求您法律責(zé)任的權(quán)利，特此聲明！

Colab 是谷歌內(nèi)部類(lèi) Jupyter Notebook 的交互式 Python 環(huán)境，免安裝快速切換 Python 2和 Python 3 的環(huán)境，支持Google全家桶(TensorFlow、BigQuery、GoogleDrive等)，支持 pip 安裝任意自定義庫(kù)。
網(wǎng)址：
https://colab.research.google...

Colab 自帶了 Tensorflow、Matplotlib、Numpy、Pandas 等深度學(xué)習(xí)基礎(chǔ)庫(kù)。如果還需要其他依賴(lài)，如 Keras，可以新建代碼塊，輸入

# 安裝最新版本Keras
# https://keras.io/
!pip install keras
# 指定版本安裝
!pip install keras==2.0.9
# 安裝 OpenCV
# https://opencv.org/
!apt-get -qq install -y libsm6 libxext6 && pip install -q -U opencv-python
# 安裝 Pytorch
# http://pytorch.org/
!pip install -q http://download.pytorch.org/whl/cu75/torch-0.2.0.post3-cp27-cp27mu-manylinux1_x86_64.whl torchvision
# 安裝 XGBoost
# https://github.com/dmlc/xgboost
!pip install -q xgboost
# 安裝 7Zip
!apt-get -qq install -y libarchive-dev && pip install -q -U libarchive
# 安裝 GraphViz 和 PyDot
!apt-get -qq install -y graphviz && pip install -q pydot

對(duì)于同一個(gè) notebook，登錄操作只需要進(jìn)行一次，然后才可以進(jìn)度讀寫(xiě)操作。

# 安裝 PyDrive 操作庫(kù)，該操作每個(gè) notebook 只需要執(zhí)行一次
!pip install -U -q PyDrive
from pydrive.auth import GoogleAuth
from pydrive.drive import GoogleDrive
from google.colab import auth
from oauth2client.client import GoogleCredentials

# 授權(quán)登錄，僅第一次的時(shí)候會(huì)鑒權(quán)
auth.authenticate_user()
gauth = GoogleAuth()
gauth.credentials = GoogleCredentials.get_application_default()
drive = GoogleDrive(gauth)

執(zhí)行這段代碼后，會(huì)打印以下內(nèi)容，點(diǎn)擊連接進(jìn)行授權(quán)登錄，獲取到 token 值填寫(xiě)到輸入框，按 Enter 繼續(xù)即可完成登錄。

# 列出根目錄的所有文件
# "q" 查詢(xún)條件教程詳見(jiàn)：https://developers.google.com/drive/v2/web/search-parameters
file_list = drive.ListFile({"q": ""root" in parents and trashed=false"}).GetList()
for file1 in file_list:
  print("title: %s, id: %s, mimeType: %s" % (file1["title"], file1["id"], file1["mimeType"]))

可以看到控制臺(tái)打印結(jié)果

title: Colab 測(cè)試, id: 1cB5CHKSdL26AMXQ5xrqk2kaBv5LSkIsJ8HuEDyZpeqQ, mimeType: application/vnd.google-apps.document
title: Colab Notebooks, id: 1U9363A12345TP2nSeh2K8FzDKSsKj5Jj, mimeType: application/vnd.google-apps.folder

其中 id 是接下來(lái)的教程獲取文件的唯一標(biāo)識(shí)。根據(jù) mimeType 可以知道 Colab 測(cè)試 文件為 doc 文檔，而 Colab Notebooks 為文件夾（也就是 Colab 的 Notebook 儲(chǔ)存的根目錄），如果想查詢(xún) Colab Notebooks 文件夾下的文件，查詢(xún)條件可以這么寫(xiě)：

# "目錄 id" in parents
file_list = drive.ListFile({"q": ""1cB5CHKSdL26AMXQ5xrqk2kaBv5LBkIsJ8HuEDyZpeqQ" in parents and trashed=false"}).GetList()

目前測(cè)試過(guò)可以直接讀取內(nèi)容的格式為 .txt（mimeType: text/plain），讀取代碼：

file = drive.CreateFile({"id": "替換成你的 .txt 文件 id"}) 
file.GetContentString()

而 .csv 如果用GetContentString()只能打印第一行的數(shù)據(jù)，要用``

file = drive.CreateFile({"id": "替換成你的 .csv 文件 id"}) 
#這里的下載操作只是緩存，不會(huì)在你的Google Drive 目錄下多下載一個(gè)文件
file.GetContentFile("iris.csv", "text/csv") 

# 直接打印文件內(nèi)容
with open("iris.csv") as f:
  print f.readlines()
# 用 pandas 讀取
import pandas
pd.read_csv("iris.csv", index_col=[0,1], skipinitialspace=True)

Colab 會(huì)直接以表格的形式輸出結(jié)果（下圖為截取 iris 數(shù)據(jù)集的前幾行）， iris 數(shù)據(jù)集地址為 http://aima.cs.berkeley.edu/d... ，學(xué)習(xí)的同學(xué)可以執(zhí)行上傳到自己的 Google Drive。

# 創(chuàng)建一個(gè)文本文件
uploaded = drive.CreateFile({"title": "示例.txt"})
uploaded.SetContentString("測(cè)試內(nèi)容")
uploaded.Upload()
print("創(chuàng)建后文件 id 為 {}".format(uploaded.get("id")))

更多操作可查看 http://pythonhosted.org/PyDri...

對(duì)于同一個(gè) notebook，登錄操作只需要進(jìn)行一次，然后才可以進(jìn)度讀寫(xiě)操作。

!pip install --upgrade -q gspread
from google.colab import auth
auth.authenticate_user()

import gspread
from oauth2client.client import GoogleCredentials

gc = gspread.authorize(GoogleCredentials.get_application_default())

把 iris.csv 的數(shù)據(jù)導(dǎo)入創(chuàng)建一個(gè) Google Sheet 文件來(lái)做演示，可以放在 Google Drive 的任意目錄

worksheet = gc.open("iris").sheet1

# 獲取一個(gè)列表[
# [第1行第1列, 第1行第2列, ... , 第1行第n列], ... ,[第n行第1列, 第n行第2列, ... , 第n行第n列]]
rows = worksheet.get_all_values()
print(rows)

#  用 pandas 讀取
import pandas as pd
pd.DataFrame.from_records(rows)

打印結(jié)果分別為

[["5.1", "3.5", "1.4", "0.2", "setosa"], ["4.9", "3", "1.4", "0.2", "setosa"], ...

sh = gc.create("谷歌表")

# 打開(kāi)工作簿和工作表
worksheet = gc.open("谷歌表").sheet1
cell_list = worksheet.range("A1:C2")

import random
for cell in cell_list:
  cell.value = random.randint(1, 10)
worksheet.update_cells(cell_list)

with open("example.txt", "w") as f:
  f.write("測(cè)試內(nèi)容")
files.download("example.txt")

這里以我在 Github 的開(kāi)源LSTM 文本分類(lèi)項(xiàng)目為例子https://github.com/Jinkeycode...
把 master/data 目錄下的三個(gè)文件存放到 Google Drive 上。該示例演示的是對(duì)健康、科技、設(shè)計(jì)三個(gè)類(lèi)別的標(biāo)題進(jìn)行分類(lèi)。

在 Colab 上新建 Python2 的筆記本

!pip install keras
!pip install jieba
!pip install h5py

import h5py
import jieba as jb
import numpy as np
import keras as krs
import tensorflow as tf
from sklearn.preprocessing import LabelEncoder

授權(quán)登錄

# 安裝 PyDrive 操作庫(kù)，該操作每個(gè) notebook 只需要執(zhí)行一次
!pip install -U -q PyDrive
from pydrive.auth import GoogleAuth
from pydrive.drive import GoogleDrive
from google.colab import auth
from oauth2client.client import GoogleCredentials

def login_google_drive():
  # 授權(quán)登錄，僅第一次的時(shí)候會(huì)鑒權(quán)
  auth.authenticate_user()
  gauth = GoogleAuth()
  gauth.credentials = GoogleCredentials.get_application_default()
  drive = GoogleDrive(gauth)
  return drive

列出 GD 下的所有文件

def list_file(drive):
  file_list = drive.ListFile({"q": ""root" in parents and trashed=false"}).GetList()
  for file1 in file_list:
    print("title: %s, id: %s, mimeType: %s" % (file1["title"], file1["id"], file1["mimeType"]))
    

drive = login_google_drive()
list_file(drive)

緩存數(shù)據(jù)到工作環(huán)境

def cache_data():
  # id 替換成上一步讀取到的對(duì)應(yīng)文件 id
  health_txt = drive.CreateFile({"id": "117GkBtuuBP3wVjES0X0L4wVF5rp5Cewi"}) 
  tech_txt = drive.CreateFile({"id": "14sDl4520Tpo1MLPydjNBoq-QjqOKk9t6"})
  design_txt = drive.CreateFile({"id": "1J4lndcsjUb8_VfqPcfsDeOoB21bOLea3"})
  #這里的下載操作只是緩存，不會(huì)在你的Google Drive 目錄下多下載一個(gè)文件
  
  health_txt.GetContentFile("health.txt", "text/plain")
  tech_txt.GetContentFile("tech.txt", "text/plain")
  design_txt.GetContentFile("design.txt", "text/plain")
  
  print("緩存成功")
  
cache_data()

讀取工作環(huán)境的數(shù)據(jù)

def load_data():
    titles = []
    print("正在加載健康類(lèi)別的數(shù)據(jù)...")
    with open("health.txt", "r") as f:
        for line in f.readlines():
            titles.append(line.strip())

    print("正在加載科技類(lèi)別的數(shù)據(jù)...")
    with open("tech.txt", "r") as f:
        for line in f.readlines():
            titles.append(line.strip())


    print("正在加載設(shè)計(jì)類(lèi)別的數(shù)據(jù)...")
    with open("design.txt", "r") as f:
        for line in f.readlines():
            titles.append(line.strip())

    print("一共加載了 %s 個(gè)標(biāo)題" % len(titles))

    return titles
  
titles = load_data()

加載標(biāo)簽

def load_label():
    arr0 = np.zeros(shape=[12000, ])
    arr1 = np.ones(shape=[12000, ])
    arr2 = np.array([2]).repeat(7318)
    target = np.hstack([arr0, arr1, arr2])
    print("一共加載了 %s 個(gè)標(biāo)簽" % target.shape)

    encoder = LabelEncoder()
    encoder.fit(target)
    encoded_target = encoder.transform(target)
    dummy_target = krs.utils.np_utils.to_categorical(encoded_target)

    return dummy_target
  
target = load_label()

max_sequence_length = 30
embedding_size = 50

# 標(biāo)題分詞
titles = [".".join(jb.cut(t, cut_all=True)) for t in titles]

# word2vec 詞袋化
vocab_processor = tf.contrib.learn.preprocessing.VocabularyProcessor(max_sequence_length, min_frequency=1)
text_processed = np.array(list(vocab_processor.fit_transform(titles)))

# 讀取詞標(biāo)簽
dict = vocab_processor.vocabulary_._mapping
sorted_vocab = sorted(dict.items(), key = lambda x : x[1])

這里使用 Embedding 和 lstm 作為前兩層，通過(guò) softmax 激活輸出結(jié)果

# 配置網(wǎng)絡(luò)結(jié)構(gòu)
def build_netword(num_vocabs):
    # 配置網(wǎng)絡(luò)結(jié)構(gòu)
    model = krs.Sequential()
    model.add(krs.layers.Embedding(num_vocabs, embedding_size, input_length=max_sequence_length))
    model.add(krs.layers.LSTM(32, dropout=0.2, recurrent_dropout=0.2))
    model.add(krs.layers.Dense(3))
    model.add(krs.layers.Activation("softmax"))
    model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])

    return model
  
num_vocabs = len(dict.items())
model = build_netword(num_vocabs=num_vocabs)

import time
start = time.time()
# 訓(xùn)練模型
model.fit(text_processed, target, batch_size=512, epochs=10, )
finish = time.time()
print("訓(xùn)練耗時(shí)：%f 秒" %(finish-start))

sen 可以換成你自己的句子，預(yù)測(cè)結(jié)果為[健康類(lèi)文章概率, 科技類(lèi)文章概率, 設(shè)計(jì)類(lèi)文章概率], 概率最高的為那一類(lèi)的文章，但最大概率低于 0.8 時(shí)判定為無(wú)法分類(lèi)的文章。

sen = "做好商業(yè)設(shè)計(jì)需要學(xué)習(xí)的小技巧"
sen_prosessed = " ".join(jb.cut(sen, cut_all=True))
sen_prosessed = vocab_processor.transform([sen_prosessed])
sen_prosessed = np.array(list(sen_prosessed))
result = model.predict(sen_prosessed)

catalogue = list(result[0]).index(max(result[0]))
threshold=0.8
if max(result[0]) > threshold:
    if catalogue == 0:
        print("這是一篇關(guān)于健康的文章")
    elif catalogue == 1:
        print("這是一篇關(guān)于科技的文章")
    elif catalogue == 2:
        print("這是一篇關(guān)于設(shè)計(jì)的文章")
    else:
        print("這篇文章沒(méi)有可信分類(lèi)")