Модел Seq2seq (Sequence to Sequence) с PyTorch

Какво е НЛП?

НЛП или обработката на естествения език е един от популярните клонове на изкуствения интелект, който помага на компютрите да разбират, манипулират или отговарят на човек на естествения му език. НЛП е двигателят зад Google Translate което ни помага да разбираме други езици.

Какво е Seq2Seq?

Seq2Seq е метод за базиран на енкодер-декодер машинен превод и езикова обработка, който преобразува вход от последователност към изход от последователност с етикет и стойност за внимание. Идеята е да се използват 2 RNN, които ще работят заедно със специален токен и ще се опитат да предскажат следващата последователност от състояния от предишната последователност.

Как да предвидим последователност от предишната последователност

Следват стъпки за прогнозиране на последователност от предишната последователност с PyTorch.

Стъпка 1) Зареждане на нашите данни

За нашия набор от данни ще използвате набор от данни от Двуезични двойки изречения, разделени с табулатори. Тук ще използвам набора от данни от английски на индонезийски. Можете да изберете всичко, което искате, но не забравяйте да промените името на файла и директорията в кода.

from __future__ import unicode_literals, print_function, division
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F

import numpy as np
import pandas as pd

import os
import re
import random

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

Стъпка 2) Подготовка на данните

Не можете да използвате набора от данни директно. Трябва да разделите изреченията на думи и да ги конвертирате в One-Hot Vector. Всяка дума ще бъде уникално индексирана в класа Lang, за да се направи речник. Класът Lang ще съхранява всяко изречение и ще го разделя дума по дума с addSentence. След това създайте речник, като индексирате всяка непозната дума за моделите Sequence to sequence.

SOS_token = 0
EOS_token = 1
MAX_LENGTH = 20

#initialize Lang Class
class Lang:
   def __init__(self):
       #initialize containers to hold the words and corresponding index
       self.word2index = {}
       self.word2count = {}
       self.index2word = {0: "SOS", 1: "EOS"}
       self.n_words = 2  # Count SOS and EOS

#split a sentence into words and add it to the container
   def addSentence(self, sentence):
       for word in sentence.split(' '):
           self.addWord(word)

#If the word is not in the container, the word will be added to it, 
#else, update the word counter
   def addWord(self, word):
       if word not in self.word2index:
           self.word2index[word] = self.n_words
           self.word2count[word] = 1
           self.index2word[self.n_words] = word
           self.n_words += 1
       else:
           self.word2count[word] += 1

Класът Lang е клас, който ще ни помогне да направим речник. За всеки език всяко изречение ще бъде разделено на думи и след това добавено към контейнера. Всеки контейнер ще съхранява думите в съответния индекс, ще брои думата и ще добавя индекса на думата, така че да можем да го използваме, за да намерим индекса на дума или да намерим дума от нейния индекс.

Тъй като нашите данни са разделени с TAB, трябва да използвате панди като нашето устройство за зареждане на данни. Pandas ще прочете нашите данни като dataFrame и ще ги раздели на нашето изходно и целево изречение. За всяко изречение, което имате,

• ще го нормализирате до малки букви,
• премахнете всички несимволи
• конвертиране в ASCII от Unicode
• разделете изреченията, така че да имате всяка дума в него.

#Normalize every sentence
def normalize_sentence(df, lang):
   sentence = df[lang].str.lower()
   sentence = sentence.str.replace('[^A-Za-z\s]+', '')
   sentence = sentence.str.normalize('NFD')
   sentence = sentence.str.encode('ascii', errors='ignore').str.decode('utf-8')
   return sentence

def read_sentence(df, lang1, lang2):
   sentence1 = normalize_sentence(df, lang1)
   sentence2 = normalize_sentence(df, lang2)
   return sentence1, sentence2

def read_file(loc, lang1, lang2):
   df = pd.read_csv(loc, delimiter='\t', header=None, names=[lang1, lang2])
   return df

def process_data(lang1,lang2):
   df = read_file('text/%s-%s.txt' % (lang1, lang2), lang1, lang2)
   print("Read %s sentence pairs" % len(df))
   sentence1, sentence2 = read_sentence(df, lang1, lang2)

   source = Lang()
   target = Lang()
   pairs = []
   for i in range(len(df)):
       if len(sentence1[i].split(' ')) < MAX_LENGTH and len(sentence2[i].split(' ')) < MAX_LENGTH:
           full = [sentence1[i], sentence2[i]]
           source.addSentence(sentence1[i])
           target.addSentence(sentence2[i])
           pairs.append(full)

   return source, target, pairs

Друга полезна функция, която ще използвате, е преобразуването на двойки в Tensor. Това е много важно, защото нашата мрежа чете само данни от тензорен тип. Също така е важно, защото това е частта, че във всеки край на изречението ще има токен, който да каже на мрежата, че въвеждането е завършено. За всяка дума в изречението ще получи индекса от съответната дума в речника и ще добави токен в края на изречението.

def indexesFromSentence(lang, sentence):
   return [lang.word2index[word] for word in sentence.split(' ')]

def tensorFromSentence(lang, sentence):
   indexes = indexesFromSentence(lang, sentence)
   indexes.append(EOS_token)
   return torch.tensor(indexes, dtype=torch.long, device=device).view(-1, 1)

def tensorsFromPair(input_lang, output_lang, pair):
   input_tensor = tensorFromSentence(input_lang, pair[0])
   target_tensor = tensorFromSentence(output_lang, pair[1])
   return (input_tensor, target_tensor)

Модел Seq2Seq

Моделът PyTorch Seq2seq е вид модел, който използва PyTorch енкодер декодер върху модела. Енкодерът ще кодира изречението дума по дума в индексиран речник или известни думи с индекс, а декодерът ще предвиди изхода на кодирания вход чрез декодиране на входа последователно и ще се опита да използва последния вход като следващ вход, ако възможно е. С този метод също е възможно да се предвиди следващият вход за създаване на изречение. На всяко изречение ще бъде присвоен знак за отбелязване на края на поредицата. В края на прогнозата ще има и жетон, който да маркира края на изхода. И така, от енкодера, той ще предаде състояние на декодера, за да предвиди изхода.

Енкодерът ще кодира нашето въведено изречение дума по дума в последователност и накрая ще има токен, който да маркира края на изречението. Енкодерът се състои от слой за вграждане и слоеве GRU. Слоят за вграждане е справочна таблица, която съхранява вграждането на нашия вход в речник от думи с фиксиран размер. Ще бъде предадено на ниво GRU. Слоят GRU е Gated Recurrent Unit, който се състои от множество типове слоеве RNN който ще изчисли последователния вход. Този слой ще изчисли скритото състояние от предишния и ще актуализира нулирането, актуализирането и новите порти.

Декодерът ще декодира входа от изхода на енкодера. Той ще се опита да предвиди следващия изход и ще се опита да го използва като следващ вход, ако е възможно. Декодерът се състои от слой за вграждане, слой GRU и линеен слой. Слоят за вграждане ще направи справочна таблица за изхода и ще го прехвърли в GRU слой, за да изчисли прогнозираното изходно състояние. След това линеен слой ще помогне да се изчисли функцията за активиране, за да се определи истинската стойност на прогнозирания изход.

class Encoder(nn.Module):
   def __init__(self, input_dim, hidden_dim, embbed_dim, num_layers):
       super(Encoder, self).__init__()
      
       #set the encoder input dimesion , embbed dimesion, hidden dimesion, and number of layers 
       self.input_dim = input_dim
       self.embbed_dim = embbed_dim
       self.hidden_dim = hidden_dim
       self.num_layers = num_layers

       #initialize the embedding layer with input and embbed dimention
       self.embedding = nn.Embedding(input_dim, self.embbed_dim)
       #intialize the GRU to take the input dimetion of embbed, and output dimention of hidden and
       #set the number of gru layers
       self.gru = nn.GRU(self.embbed_dim, self.hidden_dim, num_layers=self.num_layers)
              
   def forward(self, src):
      
       embedded = self.embedding(src).view(1,1,-1)
       outputs, hidden = self.gru(embedded)
       return outputs, hidden

class Decoder(nn.Module):
   def __init__(self, output_dim, hidden_dim, embbed_dim, num_layers):
       super(Decoder, self).__init__()

#set the encoder output dimension, embed dimension, hidden dimension, and number of layers 
       self.embbed_dim = embbed_dim
       self.hidden_dim = hidden_dim
       self.output_dim = output_dim
       self.num_layers = num_layers

# initialize every layer with the appropriate dimension. For the decoder layer, it will consist of an embedding, GRU, a Linear layer and a Log softmax activation function.
       self.embedding = nn.Embedding(output_dim, self.embbed_dim)
       self.gru = nn.GRU(self.embbed_dim, self.hidden_dim, num_layers=self.num_layers)
       self.out = nn.Linear(self.hidden_dim, output_dim)
       self.softmax = nn.LogSoftmax(dim=1)
      
   def forward(self, input, hidden):

# reshape the input to (1, batch_size)
       input = input.view(1, -1)
       embedded = F.relu(self.embedding(input))
       output, hidden = self.gru(embedded, hidden)       
       prediction = self.softmax(self.out(output[0]))
      
       return prediction, hidden

class Seq2Seq(nn.Module):
   def __init__(self, encoder, decoder, device, MAX_LENGTH=MAX_LENGTH):
       super().__init__()
      
#initialize the encoder and decoder
       self.encoder = encoder
       self.decoder = decoder
       self.device = device
     
   def forward(self, source, target, teacher_forcing_ratio=0.5):

       input_length = source.size(0) #get the input length (number of words in sentence)
       batch_size = target.shape[1] 
       target_length = target.shape[0]
       vocab_size = self.decoder.output_dim
      
#initialize a variable to hold the predicted outputs
       outputs = torch.zeros(target_length, batch_size, vocab_size).to(self.device)

#encode every word in a sentence
       for i in range(input_length):
           encoder_output, encoder_hidden = self.encoder(source[i])

#use the encoder’s hidden layer as the decoder hidden
       decoder_hidden = encoder_hidden.to(device)
  
#add a token before the first predicted word
       decoder_input = torch.tensor([SOS_token], device=device)  # SOS

#topk is used to get the top K value over a list
#predict the output word from the current target word. If we enable the teaching force,  then the #next decoder input is the next word, else, use the decoder output highest value. 

       for t in range(target_length):   
           decoder_output, decoder_hidden = self.decoder(decoder_input, decoder_hidden)
           outputs[t] = decoder_output
           teacher_force = random.random() < teacher_forcing_ratio
           topv, topi = decoder_output.topk(1)
           input = (target[t] if teacher_force else topi)
           if(teacher_force == False and input.item() == EOS_token):
               break

       return outputs

Стъпка 3) Обучение на модела

Процесът на обучение в моделите Seq2seq започва с преобразуване на всяка двойка изречения в тензори от техния Lang индекс. Нашият модел последователност към последователност ще използва SGD като оптимизатор и функция NLLLoss за изчисляване на загубите. Процесът на обучение започва с подаването на двойката на изречение към модела, за да се предскаже правилният резултат. На всяка стъпка изходът от модела ще се изчислява с верните думи, за да се намерят загубите и да се актуализират параметрите. Тъй като ще използвате 75000 75000 итерации, нашият модел последователност към последователност ще генерира произволни XNUMX XNUMX двойки от нашия набор от данни.

teacher_forcing_ratio = 0.5

def clacModel(model, input_tensor, target_tensor, model_optimizer, criterion):
   model_optimizer.zero_grad()

   input_length = input_tensor.size(0)
   loss = 0
   epoch_loss = 0
   # print(input_tensor.shape)

   output = model(input_tensor, target_tensor)

   num_iter = output.size(0)
   print(num_iter)

#calculate the loss from a predicted sentence with the expected result
   for ot in range(num_iter):
       loss += criterion(output[ot], target_tensor[ot])

   loss.backward()
   model_optimizer.step()
   epoch_loss = loss.item() / num_iter

   return epoch_loss

def trainModel(model, source, target, pairs, num_iteration=20000):
   model.train()

   optimizer = optim.SGD(model.parameters(), lr=0.01)
   criterion = nn.NLLLoss()
   total_loss_iterations = 0

   training_pairs = [tensorsFromPair(source, target, random.choice(pairs))
                     for i in range(num_iteration)]
  
   for iter in range(1, num_iteration+1):
       training_pair = training_pairs[iter - 1]
       input_tensor = training_pair[0]
       target_tensor = training_pair[1]

       loss = clacModel(model, input_tensor, target_tensor, optimizer, criterion)

       total_loss_iterations += loss

       if iter % 5000 == 0:
           avarage_loss= total_loss_iterations / 5000
           total_loss_iterations = 0
           print('%d %.4f' % (iter, avarage_loss))
          
   torch.save(model.state_dict(), 'mytraining.pt')
   return model

Стъпка 4) Тествайте модела

Процесът на оценка на Seq2seq PyTorch е да провери изхода на модела. Всяка двойка модели от последователност към последователност ще бъде въведена в модела и ще генерира предвидените думи. След това ще погледнете най-високата стойност на всеки изход, за да намерите правилния индекс. И в крайна сметка ще сравните, за да видите нашата моделна прогноза с истинското изречение

def evaluate(model, input_lang, output_lang, sentences, max_length=MAX_LENGTH):
   with torch.no_grad():
       input_tensor = tensorFromSentence(input_lang, sentences[0])
       output_tensor = tensorFromSentence(output_lang, sentences[1])
  
       decoded_words = []
  
       output = model(input_tensor, output_tensor)
       # print(output_tensor)
  
       for ot in range(output.size(0)):
           topv, topi = output[ot].topk(1)
           # print(topi)

           if topi[0].item() == EOS_token:
               decoded_words.append('<EOS>')
               break
           else:
               decoded_words.append(output_lang.index2word[topi[0].item()])
   return decoded_words

def evaluateRandomly(model, source, target, pairs, n=10):
   for i in range(n):
       pair = random.choice(pairs)
       print(‘source {}’.format(pair[0]))
       print(‘target {}’.format(pair[1]))
       output_words = evaluate(model, source, target, pair)
       output_sentence = ' '.join(output_words)
       print(‘predicted {}’.format(output_sentence))

Сега нека започнем нашето обучение с Seq to Seq, с брой итерации 75000 1 и брой на RNN слой 512 със скрит размер XNUMX.

lang1 = 'eng'
lang2 = 'ind'
source, target, pairs = process_data(lang1, lang2)

randomize = random.choice(pairs)
print('random sentence {}'.format(randomize))

#print number of words
input_size = source.n_words
output_size = target.n_words
print('Input : {} Output : {}'.format(input_size, output_size))

embed_size = 256
hidden_size = 512
num_layers = 1
num_iteration = 100000

#create encoder-decoder model
encoder = Encoder(input_size, hidden_size, embed_size, num_layers)
decoder = Decoder(output_size, hidden_size, embed_size, num_layers)

model = Seq2Seq(encoder, decoder, device).to(device)

#print model 
print(encoder)
print(decoder)

model = trainModel(model, source, target, pairs, num_iteration)
evaluateRandomly(model, source, target, pairs)

Както можете да видите, нашето прогнозирано изречение не съответства много добре, така че за да получите по-висока точност, трябва да тренирате с много повече данни и да се опитате да добавите повече итерации и брой слоеве, като използвате обучението от последователност към последователност.

random sentence ['tom is finishing his work', 'tom sedang menyelesaikan pekerjaannya']
Input : 3551 Output : 4253
Encoder(
  (embedding): Embedding(3551, 256)
  (gru): GRU(256, 512)
)
Decoder(
  (embedding): Embedding(4253, 256)
  (gru): GRU(256, 512)
  (out): Linear(in_features=512, out_features=4253, bias=True)
  (softmax): LogSoftmax()
)
Seq2Seq(
  (encoder): Encoder(
    (embedding): Embedding(3551, 256)
    (gru): GRU(256, 512)
  )
  (decoder): Decoder(
    (embedding): Embedding(4253, 256)
    (gru): GRU(256, 512)
    (out): Linear(in_features=512, out_features=4253, bias=True)
    (softmax): LogSoftmax()
  )
)

5000 4.0906
10000 3.9129
15000 3.8171
20000 3.8369
25000 3.8199
30000 3.7957
35000 3.8037
40000 3.8098
45000 3.7530
50000 3.7119
55000 3.7263
60000 3.6933
65000 3.6840
70000 3.7058
75000 3.7044

> this is worth one million yen
= ini senilai satu juta yen
< tom sangat satu juta yen <EOS>

> she got good grades in english
= dia mendapatkan nilai bagus dalam bahasa inggris
< tom meminta nilai bagus dalam bahasa inggris <EOS>

> put in a little more sugar
= tambahkan sedikit gula
< tom tidak <EOS>

> are you a japanese student
= apakah kamu siswa dari jepang
< tom kamu memiliki yang jepang <EOS>

> i apologize for having to leave
= saya meminta maaf karena harus pergi
< tom tidak maaf karena harus pergi ke

> he isnt here is he
= dia tidak ada di sini kan
< tom tidak <EOS>

> speaking about trips have you ever been to kobe
= berbicara tentang wisata apa kau pernah ke kobe
< tom tidak <EOS>

> tom bought me roses
= tom membelikanku bunga mawar
< tom tidak bunga mawar <EOS>

> no one was more surprised than tom
= tidak ada seorangpun yang lebih terkejut dari tom
< tom ada orang yang lebih terkejut <EOS>

> i thought it was true
= aku kira itu benar adanya
< tom tidak <EOS>