FastText是一个三层的神经网络，输入层、隐含层和输出层。
FastText的优点：
使用浅层的神经网络实现了word2vec以及文本分类功能，效果与深层网络差不多，节约资源，且有百倍的速度提升
深度学习和机器学习的区别：
与传统机器学习不同，深度学习既提供特征提取功能，也可以完成分类的功能。机器学习需要再根据提取到的特征再进行分类。
安装FastText
使用pip安装
pip install fasttext
因为FastText依赖C 的环境，安装的时候可能会报错，有的是C 11
有的是C 14看报错里面缺少那个版本的C 环境就安装那个版本的环境就可以了
使用FastText进行文本分类的一般步骤
数据格式的要求：
__label__标签 文本内容 或 文本内容 __label__标签
__label__标签\t文本内容 或 文本内容\t__label__标签
文本内容和标签之间用\t或空格都可以
目前这几种形式都支持
数据预处理：
将原数据处理为数据要求的格式，分词以后词于词之间用空格连接
这个根据自己数据的情况自己进行处理
训练模型
import fasttext
model = fasttext.train_supervised('train.csv', lr=1.0, wordNgrams=2, verbose=2, minCount=1, epoch=25, loss="hs") # 训练模型
# train.csv 文件路径，也可以是txt文件，里面的参数根据需要调
"""
训练一个监督模型, 返回一个模型对象
input: 训练数据文件路径
lr: 学习率
dim: 向量维度
ws: cbow模型时使用
epoch: 次数
minCount: 词频阈值, 小于该值在初始化时会过滤掉
minCountLabel: 类别阈值，类别小于该值初始化时会过滤掉
minn: 构造subword时最小char个数
maxn: 构造subword时最大char个数
neg: 负采样
wordNgrams: n-gram个数
loss: 损失函数类型, softmax, ns: 负采样, hs: 分层softmax
bucket: 词扩充大小, [A, B]: A语料中包含的词向量, B不在语料中的词向量
thread: 线程个数, 每个线程处理输入数据的一段, 0号线程负责loss输出
lrUpdateRate: 学习率更新
t: 负采样阈值
label: 类别前缀
verbose: ??
pretrainedVectors: 预训练的词向量文件路径, 如果word出现在文件夹中初始化不再随机
model object
"""预测数据
使用predict预测数据，预测一段文本属于的类别
model.predict(x) # x文本内容 返回的数据格式(('__label__4',), array([0.99441689]))
# 可能性最大的标签和准确率使用test验证模型的准确率，传入的是一个文件，文件的格式和训练集一样
返回一个元组(样本数，精确率，找回率)
模型的保存
model.save_model("model_cooking.bin") # 文件路径模型读取
fasttext.load_model("model_cooking.bin") # 读取模型模型的优化
直接使用默认参数去训练模型一般都得不到特别好的结果，可以通过一些手段来优化模型。第一种可以采取的手段是去掉语料库当中的停止词，对于英文的语料库来说，还可以把所有的大写字母都转化成小写字母。另一种可以采取的手段是调整超参数，比如说修改学习速率、修改epoch等，大家可以参照着fastTest的文档去进行相应的调整，fastText的文档中介绍了一种更加方便的自动调参方法，只要我们同时提供训练集和测试集就可以了，带来的精确度提升还是非常显著的：
model = fasttext.train_supervised(input='train.csv', autotuneValidationFile='test.csv', autotuneDuration=600) """ autotuneValidationFile='test.csv', 测试集数据集 autotuneDuration=600 时间限制，单位为秒，默认为5分钟 """ # 如果想查看对应的参数，可以使用 对象.属性的方式进行查看
举例：
使用FastText进行文本分类的基本操作就是这些内容，关于深层次的学习大家可以参考
传送门
到此这篇关于Python深度学习之FastText实现文本分类详解的文章就介绍到这了,更多相关Python FastText内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！