TextCNN-THUCNews/Classification/README.md

# TextCNN 可视化实验脚本

基于原始 Chinese-Text-Classification-Pytorch 仓库重构的 TextCNN 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**: TextCNN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：
```bash
# 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
```bash
cd scripts
python get_label.py --config train.yaml --output ../dataset
```

### 3. 训练模型
```bash
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：
```yaml
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：
```python
# 自动使用所有可用GPU
if torch.cuda.device_count() > 1:
    model = nn.DataParallel(model)
```

## 依赖要求

```bash
pip install torch numpy scikit-learn tqdm pyyaml
```