Seq2seq (Sequence to Sequence) модел с PyTorch
Евелин Кларк
⚡ Умно обобщение
Seq2Seq е архитектура на енкодер-декодер, която съпоставя входна последователност с изходна последователност, използвайки две рекурентни невронни мрежи, захранвайки машинен превод и други задачи за обработка на естествен език, където дължините на входа и изхода се различават.
Какво е НЛП?
НЛП или обработка на естествен език е един от популярните клонове на изкуствения интелект, който помага на компютрите да разбират, манипулират или реагират 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 стъпките за предсказване на последователност от предишна последователност с PyTorгл.
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 във вектор тип „One-Hot“. Всяка дума ще бъде уникално индексирана в класа Lang, за да се създаде речник. Класът Lang ще съхранява всяко изречение и ще го разделя дума по дума с помощта на addSentence. След това ще създаде речник, като индексира всяка неизвестна дума за модели „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 създадем 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 преброи думите и ще добави индекса на думата, за 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 наш зареждащ механизъм за данни. Pandas ще прочете данните ни като dataFrame и ще ги раздели на изходно и целево изречение. За всяко изречение, което имате, ще го нормализирате до малки букви, ще премахнете всички несимволи, ще го конвертирате в ASCII от Unicode и ще разделите 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 тензори. Това е много важно, защото нашата мрежа чете само данни от тензорен тип. Важно е и защото това е частта, където в края на всеки изречение ще има токен, който да казва на мрежата, че въвеждането е завършено. За всяка дума в изречението, тя 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
PyTorМоделът Seq2seq е вид модел, който използва PyTorch енкодер декодер върху модела. Енкодерът ще кодира изречението дума по дума в индекс от речник или известни думи с индекс, а декодерът ще предскаже изхода на кодирания вход, като декодира входа последователно и ще се опита да използва последния вход като следващ вход, ако е възможно. С този метод е възможно също така да се предскаже следващият вход, за да се създаде изречение. На всяко изречение ще бъде присвоен токен, който да маркира края на последователността. В края на предсказанието ще има и токен, който да маркира края на изхода. Така че, от енкодера, той ще предаде състояние на декодера, за да предскаже изхода.
Енкодерът ще кодира входното ни изречение дума по дума последователно и накрая ще има токен, който да маркира края на изречението. Енкодерът се състои от слой за вграждане и GRU слой. Слоят за вграждане е таблица за търсене, която съхранява вграждането на нашия вход в речник от думи с фиксиран размер. Той ще бъде предаден на GRU слой. GRU слоят е затворена рекурентна единица, която се състои от многослоен тип 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 да го използва като следващ вход, ако е възможно. Декодерът се състои от вграждащ слой, GRU слой и линеен слой. Вграждащият слой ще създаде таблица за търсене за изхода и ще я предаде на GRU слой, за да изчисли прогнозираното състояние на изхода. След това линейният слой ще помогне за изчисляване на активиращата функция, за да 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 Seq2seq моделите започва с преобразуване на всяка двойка изречения в тензори от техния Lang индекс. Нашият модел „последователност към последователност“ ще използва SGD като оптимизатор и функцията NLLLoss за изчисляване на загубите. Процесът на обучение започва с подаване на двойката изречения към модела, за да се предскаже правилният резултат. На всяка стъпка резултатът от модела ще бъде изчислен с верните думи, за да се намерят загубите и да се актуализират параметрите. Тъй като ще използвате 75 000 итерации, нашият модел „последователност към последователност“ ще генерира 75 000 случайни 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 PyTorЦелта е да се провери изходът на модела. Всяка двойка модели „последователност към последователност“ ще бъде въведена в модела и ще генерира предсказаните думи. След това ще разгледате най-високата стойност на всеки изход, за да намерите правилния индекс. И накрая ще го сравните, за да видите прогнозата на нашия модел 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('' ) 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 със Seq to Seq, с брой итерации 75000 и брой RNN слоеве 1 със скрития размер 512.
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() ) 5000 4.0906 10000 3.9129 15000 3.8171 20000 3.8369 25000 3.8199 30000 3.7957 75000 3.7044
