TextRNN 可视化实验脚本
基于原始 Chinese-Text-Classification-Pytorch 仓库重构的 TextRNN 训练脚本，专门用于可视化实验。
目录结构
Classification/
├── scripts/ # 脚本文件
│ ├── model.py # 模型定义，包含feature、get_prediction、prediction函数
│ ├── train.py # 训练脚本，支持多卡训练
│ ├── train.yaml # 训练配置文件
│ ├── dataset_utils.py # 数据集处理工具
│ └── get_label.py # 标签提取脚本
├── dataset/ # 数据集文件
│ ├── train.txt # 训练数据
│ ├── dev.txt # 验证数据
│ ├── test.txt # 测试数据
│ ├── class.txt # 类别列表
│ ├── vocab.pkl # 词汇表
│ └── labels.npy # 提取的标签
└── epochs/ # 按epoch存放模型文件和特征向量
├── epoch_1/
│ ├── model.pt # 模型权重
│ ├── embeddings.npy # 特征向量
│ └── predictions.npy # 预测值
└── epoch_2/
└── ...
功能说明
1. model.py
- Model类: TextRNN模型实现
- feature(): 提取中间层特征向量（dropout层输出），用于可视化
- get_prediction(): 获取模型最终层输出向量（logits）
- prediction(): 根据中间特征向量预测结果
2. train.py
- 支持多GPU训练
- 每个epoch自动保存模型、特征向量、预测值到
epochs/epoch_N/ - 支持配置文件驱动训练
- 实时显示训练进度和验证结果
3. dataset_utils.py
- 数据集加载和预处理
- 词汇表构建
- 数据迭代器实现
4. get_label.py
- 提取数据集标签并保存为
labels.npy - 生成类别名称映射文件
使用方法
1. 准备数据集
将THUCNews数据集放入 dataset/ 目录：
# 数据格式：每行一个样本，用tab分隔文本和标签
text1\t0
text2\t1
...
2. 提取标签
cd scripts
python get_label.py --config train.yaml --output ../dataset
3. 训练模型
cd scripts
python train.py --config train.yaml
4. 配置文件说明
编辑 scripts/train.yaml 来调整训练参数：
dataset_path: "../dataset" # 数据集路径
num_epochs: 20 # 训练轮数
batch_size: 128 # 批次大小
learning_rate: 0.001 # 学习率
use_word: false # false=字符级，true=词级
epochs_dir: "../epochs" # 模型保存路径
可视化数据
训练完成后，每个epoch的数据保存在 epochs/epoch_N/ 中：
model.pt: 模型权重文件embeddings.npy: 特征向量矩阵 (N_samples, feature_dim)predictions.npy: 预测值矩阵 (N_samples, num_classes)
这些数据可以直接用于可视化分析，如t-SNE降维、特征分布分析等。
多GPU训练
脚本自动检测可用GPU数量并启用多GPU训练：
# 自动使用所有可用GPU
if torch.cuda.device_count() > 1:
model = nn.DataParallel(model)
依赖要求
pip install torch numpy scikit-learn tqdm pyyaml