全球人名分类案例 - 测试三种模型

1 课程概览

本课测试 RNN、LSTM、GRU 三种模型。流程包括：定义变量、加载数据、创建数据集和数据加载器、模型初始化。使用真实数据（从文件加载）而非随机生成的数据。数据加载器的批次大小只能为 1，因为人名长度不一致。

2 核心概念与定义

• 数据加载器（DataLoader）：按批次获取数据的工具。
• 批次大小（Batch Size）：每次获取的样本数，人名分类中只能为 1。
• NLLLoss（Negative Log Likelihood Loss）：负对数似然损失，与 LogSoftmax 组合使用。

3 模型与算法详解

测试流程

1. 定义变量：记录输入维度、隐藏状态、输出维度
2. 加载数据：从文件读取人名和国家标签
3. 创建数据集对象：NameClassDataset
4. 创建数据加载器：DataLoader
5. 模型初始化：实例化 RNN、LSTM、GRU 模型

变量定义

数据加载器参数

批次大小为什么为 1

人名长度不一致，无法批量处理。

• 人名 "丁" → 4 个字符
• 人名 "欧阳" → 6 个字符
• 人名 "张" → 15 个字符

不同长度的人名无法组成批次，因此 batch_size=1。

4 数学原理与推导

本课为测试流程，无数学推导。

5 代码示例

import torch
from torch.utils.data import DataLoader

# 1. 定义变量，记录输入维度、隐藏状态、输出维度
n_letters = 57       # 字符表大小
category_num = 18    # 国家数量
input_size = n_letters      # 57
hidden_size = 128           # 隐藏层维度
output_size = category_num  # 18

# 2. 加载数据
from name_classification import read_data
my_list_x, my_list_y = read_data()

# 3. 创建数据集对象
from name_classification import NameClassDataset
name_class_dataset = NameClassDataset(my_list_x, my_list_y)

# 4. 创建数据加载器
my_data_loader = DataLoader(
    name_class_dataset,
    batch_size=1,    # 批次大小必须为 1（人名长度不一致）
    shuffle=True     # 打乱数据
)

# 5. 模型初始化
# RNN
my_rnn = MyRNN(input_size, hidden_size, output_size, n_layers=1)

# LSTM
my_lstm = MyLSTM(input_size, hidden_size, output_size, n_layers=1)

# GRU
my_gru = MyGRU(input_size, hidden_size, output_size, n_layers=1)

# 6. 测试数据加载器
for x, y in my_data_loader:
    print("x shape:", x.shape)
    print("y:", y)
    break  # 只取第一个批次测试

数据加载流程

文件 → read_data() → my_list_x, my_list_y
    → NameClassDataset → name_class_dataset
    → DataLoader → my_data_loader
    → for x, y in my_data_loader

6 重难点与易错提醒

• ❗重点：批次大小 batch_size=1，因为人名长度不一致。
• ❗重点：使用真实数据（从文件加载），而非随机生成的数据。
• ⚠️易错：数据加载器需要传入数据集对象，而非直接传数据。
• 💡深入理解：n_letters 和 category_num 可替代硬编码的数字，提高代码可读性。
• 💡深入理解：shuffle=True 可以打乱数据顺序，提高训练效果。

7 课堂问答精选

Q1：为什么批次大小只能为 1？

A：因为人名长度不一致（如"丁"4 个字符，"欧阳"6 个字符），无法组成批次。不同长度的序列无法批量处理，因此 batch_size=1。

Q2：测试三种模型的流程是什么？

A：①定义变量（输入维度、隐藏状态、输出维度）；②加载数据；③创建数据集对象；④创建数据加载器；⑤模型初始化（RNN、LSTM、GRU）。

Q3：如何使用变量替代硬编码的数字？

A：定义 n_letters=57 和 category_num=18，然后用 input_size=n_letters 和 output_size=category_num 替代直接写数字，提高代码可读性。

Q4：数据加载器的作用是什么？

A：数据加载器按批次获取数据，支持 shuffle 打乱数据顺序，方便模型训练。

8 本课小结

• 测试流程：定义变量 → 加载数据 → 创建数据集 → 创建数据加载器 → 模型初始化。
• 批次大小：batch_size=1（人名长度不一致）。
• 使用真实数据：从文件加载，而非随机生成。
• 变量替代数字：n_letters、category_num。
• 三个模型：RNN、LSTM、GRU 同时初始化。

9 延伸思考

• 如何处理不同长度的序列以支持批次训练？
• 数据加载器的 shuffle 参数对训练有什么影响？