tau
This commit is contained in:
parent
ecfafbf86c
commit
94247bd181
5272
dev-0/in.tsv
Normal file
5272
dev-0/in.tsv
Normal file
File diff suppressed because one or more lines are too long
5272
dev-0/out.tsv
Normal file
5272
dev-0/out.tsv
Normal file
File diff suppressed because it is too large
Load Diff
5152
test-A/in.tsv
Normal file
5152
test-A/in.tsv
Normal file
File diff suppressed because one or more lines are too long
5272
test-A/out.tsv
Normal file
5272
test-A/out.tsv
Normal file
File diff suppressed because it is too large
Load Diff
289579
train/in.tsv
Normal file
289579
train/in.tsv
Normal file
File diff suppressed because one or more lines are too long
421
zadanie.ipynb
Normal file
421
zadanie.ipynb
Normal file
@ -0,0 +1,421 @@
|
|||||||
|
{
|
||||||
|
"cells": [
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 1,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"name": "stderr",
|
||||||
|
"output_type": "stream",
|
||||||
|
"text": [
|
||||||
|
"[nltk_data] Downloading package stopwords to\n",
|
||||||
|
"[nltk_data] C:\\Users\\akida\\AppData\\Roaming\\nltk_data...\n",
|
||||||
|
"[nltk_data] Package stopwords is already up-to-date!\n",
|
||||||
|
"[nltk_data] Downloading package wordnet to\n",
|
||||||
|
"[nltk_data] C:\\Users\\akida\\AppData\\Roaming\\nltk_data...\n",
|
||||||
|
"[nltk_data] Package wordnet is already up-to-date!\n",
|
||||||
|
"[nltk_data] Downloading package punkt to\n",
|
||||||
|
"[nltk_data] C:\\Users\\akida\\AppData\\Roaming\\nltk_data...\n",
|
||||||
|
"[nltk_data] Package punkt is already up-to-date!\n"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"data": {
|
||||||
|
"text/plain": [
|
||||||
|
"True"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
"execution_count": 1,
|
||||||
|
"metadata": {},
|
||||||
|
"output_type": "execute_result"
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"source": [
|
||||||
|
"import csv\n",
|
||||||
|
"import numpy as np\n",
|
||||||
|
"import pandas as pd\n",
|
||||||
|
"import re\n",
|
||||||
|
"import string\n",
|
||||||
|
"import torch\n",
|
||||||
|
"\n",
|
||||||
|
"import nltk\n",
|
||||||
|
"from nltk.tokenize import word_tokenize\n",
|
||||||
|
"from nltk.corpus import stopwords # used for preprocessing\n",
|
||||||
|
"from nltk.stem import WordNetLemmatizer # used for preprocessing\n",
|
||||||
|
"nltk.download('stopwords')\n",
|
||||||
|
"nltk.download('wordnet')\n",
|
||||||
|
"nltk.download('punkt')"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 2,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"train_in = pd.read_csv(\"./train/in.tsv\", delimiter=\"\\t\", names=[\"text\", \"date\"], header=None)\n",
|
||||||
|
"train_exp = pd.read_csv(\"./train/expected.tsv\", delimiter=\"\\t\", header=None)\n",
|
||||||
|
"dev_in = pd.read_csv(\"./dev-0/in.tsv\", delimiter=\"\\t\", names=[\"text\", \"date\"],header=None)\n",
|
||||||
|
"dev_exp = pd.read_csv(\"./dev-0/expected.tsv\", delimiter=\"\\t\", header=None)\n",
|
||||||
|
"test_in = pd.read_csv(\"./test-A/in.tsv\", delimiter=\"\\t\", names=[\"text\", \"date\"], header=None)\n",
|
||||||
|
"\n",
|
||||||
|
"train_in.drop('date', axis=1, inplace=True)\n",
|
||||||
|
"dev_in.drop('date', axis=1, inplace=True)\n",
|
||||||
|
"test_in.drop('date', axis=1, inplace=True)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 3,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"train_set = train_in\n",
|
||||||
|
"train_set['result'] = train_exp\n",
|
||||||
|
"# train_set = train_set[:1000]\n",
|
||||||
|
"\n",
|
||||||
|
"dev_set = dev_in\n",
|
||||||
|
"dev_set['result'] = dev_exp\n",
|
||||||
|
"\n",
|
||||||
|
"test_set = test_in\n",
|
||||||
|
"test_set['result'] = pd.DataFrame(np.zeros(len(test_in), dtype=int))"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 4,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"data": {
|
||||||
|
"text/plain": [
|
||||||
|
"289541"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
"execution_count": 4,
|
||||||
|
"metadata": {},
|
||||||
|
"output_type": "execute_result"
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"source": [
|
||||||
|
"len(train_set)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 5,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"def remove_urls(text):\n",
|
||||||
|
" return ' '.join(re.sub(\"(@[A-Za-z0-9]+)|([^0-9A-Za-z \\t])|(\\w+:\\/\\/\\S+)\",\" \",str(text)).split())\n",
|
||||||
|
"\n",
|
||||||
|
"def text_lowercase(text): \n",
|
||||||
|
" return text.lower()\n",
|
||||||
|
"\n",
|
||||||
|
"def remove_numbers(text):\n",
|
||||||
|
" return re.sub(r'\\d+', '', text)\n",
|
||||||
|
"\n",
|
||||||
|
"def remove_punctuation(text):\n",
|
||||||
|
" return text.translate(str.maketrans('', '', string.punctuation))\n",
|
||||||
|
"\n",
|
||||||
|
"def remove_stopwords(text):\n",
|
||||||
|
" stop_words = set(stopwords.words('english'))\n",
|
||||||
|
" return [i for i in text if not i in stop_words]\n",
|
||||||
|
"\n",
|
||||||
|
"def tokenize(text):\n",
|
||||||
|
" return word_tokenize(text)\n",
|
||||||
|
"\n",
|
||||||
|
"def lemmatize(text):\n",
|
||||||
|
" lemmatizer = WordNetLemmatizer() \n",
|
||||||
|
" return [lemmatizer.lemmatize(token) for token in text]\n",
|
||||||
|
"\n",
|
||||||
|
"def preprocess(dataset):\n",
|
||||||
|
" texts_column = []\n",
|
||||||
|
" for num, text in enumerate(dataset['text']):\n",
|
||||||
|
" if num % 10000 == 0:\n",
|
||||||
|
" print(num)\n",
|
||||||
|
" prep_text = remove_urls(text)\n",
|
||||||
|
" prep_text = text_lowercase(prep_text)\n",
|
||||||
|
" prep_text = remove_numbers(prep_text)\n",
|
||||||
|
" prep_text = remove_punctuation(prep_text)\n",
|
||||||
|
" prep_text = tokenize(prep_text)\n",
|
||||||
|
" prep_text = remove_stopwords(prep_text)\n",
|
||||||
|
" prep_text = lemmatize(prep_text)\n",
|
||||||
|
" pre_text = ' '.join(prep_text)\n",
|
||||||
|
" texts_column.append(pre_text)\n",
|
||||||
|
" dataset['text'] = texts_column\n",
|
||||||
|
" return dataset"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 7,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"name": "stdout",
|
||||||
|
"output_type": "stream",
|
||||||
|
"text": [
|
||||||
|
"0\n",
|
||||||
|
"0\n",
|
||||||
|
"0\n"
|
||||||
|
]
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"source": [
|
||||||
|
"train_set = train_set[:12000]\n",
|
||||||
|
"train_set = preprocess(train_set)\n",
|
||||||
|
"dev_set = preprocess(dev_set)\n",
|
||||||
|
"test_set = preprocess(dev_set)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 8,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"train_set_copy = train_set\n",
|
||||||
|
"dev_set_copy = dev_set\n",
|
||||||
|
"test_set_copy = test_set"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 9,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"name": "stdout",
|
||||||
|
"output_type": "stream",
|
||||||
|
"text": [
|
||||||
|
"0\n",
|
||||||
|
"5000\n"
|
||||||
|
]
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"source": [
|
||||||
|
"dictionary = set()\n",
|
||||||
|
"\n",
|
||||||
|
"for i, text_line in enumerate(train_set_copy['text']):\n",
|
||||||
|
" if i % 5000 == 0:\n",
|
||||||
|
" print(i)\n",
|
||||||
|
" for word in text_line.split():\n",
|
||||||
|
" dictionary.add(word)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 10,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"word_index_map = {}\n",
|
||||||
|
"i = 0\n",
|
||||||
|
"for w in dictionary:\n",
|
||||||
|
" word_index_map[w] = i\n",
|
||||||
|
" i += 1"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 11,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"data": {
|
||||||
|
"text/plain": [
|
||||||
|
"21120"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
"execution_count": 11,
|
||||||
|
"metadata": {},
|
||||||
|
"output_type": "execute_result"
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"source": [
|
||||||
|
"len(word_index_map)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 12,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"name": "stdout",
|
||||||
|
"output_type": "stream",
|
||||||
|
"text": [
|
||||||
|
"0\n"
|
||||||
|
]
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"source": [
|
||||||
|
"prep_x = []\n",
|
||||||
|
"for num, w in enumerate(train_set_copy['text']):\n",
|
||||||
|
" if num % 10000 == 0:\n",
|
||||||
|
" print(num)\n",
|
||||||
|
" a = np.zeros(len(word_index_map))\n",
|
||||||
|
" for word in w.split():\n",
|
||||||
|
" index = word_index_map[word]\n",
|
||||||
|
" a[index] = 1.\n",
|
||||||
|
" prep_x.append(a)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 13,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"train_y = train_set_copy['result'].astype(float).tolist()\n",
|
||||||
|
"x = torch.tensor(prep_x, dtype=torch.float)\n",
|
||||||
|
"y = torch.tensor(train_y, dtype=torch.float)\n",
|
||||||
|
"k = torch.randn(len(dictionary), requires_grad=True)\n",
|
||||||
|
"rate = torch.tensor(0.001)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 21,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"name": "stdout",
|
||||||
|
"output_type": "stream",
|
||||||
|
"text": [
|
||||||
|
"0\n",
|
||||||
|
"200\n",
|
||||||
|
"400\n",
|
||||||
|
"600\n",
|
||||||
|
"800\n",
|
||||||
|
"1000\n",
|
||||||
|
"1200\n",
|
||||||
|
"1400\n"
|
||||||
|
]
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"source": [
|
||||||
|
"for i in range(1500):\n",
|
||||||
|
" y_predicted = torch.sigmoid(x @ k)\n",
|
||||||
|
" price = (-1 / y.size()[0]) * torch.sum(y * torch.log(y_predicted + 1e-10) + (1 - y) * torch.log(1 - y_predicted + 1e-10))\n",
|
||||||
|
" price.backward()\n",
|
||||||
|
" with torch.no_grad():\n",
|
||||||
|
" k -= rate * k.grad\n",
|
||||||
|
" k.requires_grad = True\n",
|
||||||
|
" if i % 200 == 0:\n",
|
||||||
|
" print(i)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 22,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"def prepare_data(dataset):\n",
|
||||||
|
" prep_x = []\n",
|
||||||
|
" for num, w in enumerate(dataset['text']):\n",
|
||||||
|
" if num % 1000 == 0:\n",
|
||||||
|
" print(num)\n",
|
||||||
|
" a = np.zeros(len(word_index_map))\n",
|
||||||
|
" for word in w.split():\n",
|
||||||
|
" if word in word_index_map:\n",
|
||||||
|
" index = word_index_map[word]\n",
|
||||||
|
" a[index] = 1.\n",
|
||||||
|
" prep_x.append(a)\n",
|
||||||
|
" return torch.tensor(prep_x, dtype=torch.float)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 23,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"def predict(x, weights, save_path):\n",
|
||||||
|
" with open(save_path + '/out.tsv', 'wt', newline='') as f:\n",
|
||||||
|
" writer = csv.writer(f, delimiter='\\t')\n",
|
||||||
|
" y = torch.sigmoid(x @ weights)\n",
|
||||||
|
" for value in y:\n",
|
||||||
|
" if value > 0.90:\n",
|
||||||
|
" value = torch.tensor([0.90])\n",
|
||||||
|
" elif value < 0.10:\n",
|
||||||
|
" value = torch.tensor([0.10])\n",
|
||||||
|
" writer.writerow([str(value.item())])"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 24,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"name": "stdout",
|
||||||
|
"output_type": "stream",
|
||||||
|
"text": [
|
||||||
|
"0\n",
|
||||||
|
"1000\n",
|
||||||
|
"2000\n",
|
||||||
|
"3000\n",
|
||||||
|
"4000\n",
|
||||||
|
"5000\n",
|
||||||
|
"0\n",
|
||||||
|
"1000\n",
|
||||||
|
"2000\n",
|
||||||
|
"3000\n",
|
||||||
|
"4000\n",
|
||||||
|
"5000\n"
|
||||||
|
]
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"source": [
|
||||||
|
"x_dev = prepare_data(dev_set_copy)\n",
|
||||||
|
"x_test = prepare_data(test_set_copy)"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 25,
|
||||||
|
"metadata": {
|
||||||
|
"scrolled": true
|
||||||
|
},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"predict(x_dev, k, './dev-0')"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 26,
|
||||||
|
"metadata": {},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"predict(x_test, k, './test-A')"
|
||||||
|
]
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"kernelspec": {
|
||||||
|
"display_name": "Python 3",
|
||||||
|
"language": "python",
|
||||||
|
"name": "python3"
|
||||||
|
},
|
||||||
|
"language_info": {
|
||||||
|
"codemirror_mode": {
|
||||||
|
"name": "ipython",
|
||||||
|
"version": 3
|
||||||
|
},
|
||||||
|
"file_extension": ".py",
|
||||||
|
"mimetype": "text/x-python",
|
||||||
|
"name": "python",
|
||||||
|
"nbconvert_exporter": "python",
|
||||||
|
"pygments_lexer": "ipython3",
|
||||||
|
"version": "3.8.3"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"nbformat": 4,
|
||||||
|
"nbformat_minor": 4
|
||||||
|
}
|
||||||
Loading…
Reference in New Issue
Block a user