Μοντέλο Seq2seq (Ακολουθία προς Αλληλουχία) με PyTorch
Έβελιν Κλαρκ
⚡ Έξυπνη Σύνοψη
Το Seq2Seq είναι μια αρχιτεκτονική κωδικοποιητή-αποκωδικοποιητή που αντιστοιχίζει μια ακολουθία εισόδου σε μια ακολουθία εξόδου χρησιμοποιώντας δύο επαναλαμβανόμενα νευρωνικά δίκτυα, τροφοδοτώντας εργασίες μηχανικής μετάφρασης και άλλες εργασίες επεξεργασίας φυσικής γλώσσας όπου τα μήκη εισόδου και εξόδου διαφέρουν.
Τι είναι το NLP;
Η Επεξεργασία Φυσικής Γλώσσας ή NLP είναι ένας από τους δημοφιλείς κλάδους της Τεχνητής Νοημοσύνης που βοηθά τους υπολογιστές να κατανοούν, να χειρίζονται ή να ανταποκρίνονται σε έναν άνθρωπο στη φυσική του γλώσσα. Η NLP είναι η μηχανή πίσω από... Google Translate που μας βοηθά να κατανοήσουμε άλλες γλώσσες.
Τι είναι το Seq2Seq;
Seq2Seq είναι μια μέθοδος μηχανικής μετάφρασης και επεξεργασίας γλώσσας που βασίζεται σε κωδικοποιητή-αποκωδικοποιητή που αντιστοιχίζει μια είσοδο ακολουθίας σε μια έξοδο ακολουθίας με τιμή ετικέτας και προσοχής. Η ιδέα είναι να χρησιμοποιηθούν 2 RNN που θα συνεργάζονται με ένα ειδικό διακριτικό και θα προσπαθήσουν να προβλέψουν την επόμενη ακολουθία καταστάσεων από την προηγούμενη ακολουθία.
Πώς να προβλέψετε την ακολουθία από την προηγούμενη ακολουθία
Ακολουθούν τα βήματα για την πρόβλεψη μιας ακολουθίας από την προηγούμενη ακολουθία με PyTorch.
Βήμα 1) Φόρτωση των δεδομένων μας
Για το σύνολο δεδομένων μας, θα χρησιμοποιήσετε ένα σύνολο δεδομένων από Ζεύγη δίγλωσσων προτάσεων οριοθετημένα με καρτέλες. Εδώ θα χρησιμοποιήσω το σύνολο δεδομένων Αγγλικά σε Ινδονησιακά. Μπορείτε να επιλέξετε οτιδήποτε θέλετε, αλλά θυμηθείτε να αλλάξετε το όνομα του αρχείου και τον κατάλογο στον κώδικα.
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")
Βήμα 2) Προετοιμασία Δεδομένων
Δεν μπορείτε να χρησιμοποιήσετε απευθείας το σύνολο δεδομένων. Πρέπει να χωρίσετε τις προτάσεις σε λέξεις και να τις μετατρέψετε σε ένα One-Hot Vector. Κάθε λέξη θα καταχωρηθεί μοναδικά στην κλάση Lang για να δημιουργηθεί ένα λεξικό. Η κλάση Lang θα αποθηκεύσει κάθε πρόταση και θα τη χωρίσει λέξη προς λέξη με την addSentence. Στη συνέχεια, δημιουργήστε ένα λεξικό καταχωρώντας κάθε άγνωστη λέξη για μοντέλα 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
Η κλάση Lang είναι μια κλάση που θα μας βοηθήσει να δημιουργήσουμε ένα λεξικό. Για κάθε γλώσσα, κάθε πρόταση θα χωρίζεται σε λέξεις και στη συνέχεια θα προστίθεται στο κοντέινερ. Κάθε κοντέινερ θα αποθηκεύει τις λέξεις στο κατάλληλο ευρετήριο, θα μετράει τη λέξη και θα προσθέτει το ευρετήριο της λέξης, ώστε να μπορούμε να το χρησιμοποιήσουμε για να βρούμε το ευρετήριο μιας λέξης ή να βρούμε μια λέξη από το ευρετήριό της.
Επειδή τα δεδομένα μας διαχωρίζονται με TAB, πρέπει να τα χρησιμοποιήσετε Πάντα ως πρόγραμμα φόρτωσης δεδομένων. Τα Panda θα διαβάσουν τα δεδομένα μας ως dataFrame και θα τα χωρίσουν στην πρόταση πηγής και προορισμού. Για κάθε πρόταση που έχετε, θα την ομαλοποιήσετε σε πεζά γράμματα, θα αφαιρέσετε όλους τους μη χαρακτήρες, θα τη μετατρέψετε σε ASCII από Unicode και θα χωρίσετε τις προτάσεις έτσι ώστε να έχετε κάθε λέξη μέσα.
#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
Μια άλλη χρήσιμη συνάρτηση που θα χρησιμοποιήσετε είναι η μετατροπή ζευγών σε Tensors. Αυτό είναι πολύ σημαντικό επειδή το δίκτυό μας διαβάζει μόνο δεδομένα τύπου tensor. Είναι επίσης σημαντικό επειδή αυτό είναι το μέρος όπου, σε κάθε τέλος της πρότασης, θα υπάρχει ένα διακριτικό που θα ενημερώνει το δίκτυο ότι η εισαγωγή έχει ολοκληρωθεί. Για κάθε λέξη στην πρόταση, θα λαμβάνει τον δείκτη από την κατάλληλη λέξη στο λεξικό και θα προσθέτει ένα διακριτικό στο τέλος της πρότασης.
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)
Μοντέλο Seq2Seq
PyTorΤο μοντέλο Seq2seq είναι ένα είδος μοντέλου που χρησιμοποιεί ένα PyTorch κωδικοποιητής αποκωδικοποιητής στην κορυφή του μοντέλου. Ο κωδικοποιητής θα κωδικοποιήσει την πρόταση λέξη προς λέξη σε ένα ευρετήριο λεξιλογίου ή γνωστών λέξεων με ένα ευρετήριο και ο αποκωδικοποιητής θα προβλέψει την έξοδο της κωδικοποιημένης εισόδου αποκωδικοποιώντας την είσοδο σε ακολουθία και θα προσπαθήσει να χρησιμοποιήσει την τελευταία είσοδο ως την επόμενη είσοδο, εάν είναι δυνατόν. Με αυτήν τη μέθοδο, είναι επίσης δυνατό να προβλεφθεί η επόμενη είσοδος για να δημιουργηθεί μια πρόταση. Σε κάθε πρόταση θα αντιστοιχιστεί ένα διακριτικό για να σηματοδοτήσει το τέλος της ακολουθίας. Στο τέλος της πρόβλεψης, θα υπάρχει επίσης ένα διακριτικό για να σηματοδοτήσει το τέλος της εξόδου. Έτσι, από τον κωδικοποιητή, θα μεταβιβάσει μια κατάσταση στον αποκωδικοποιητή για να προβλέψει την έξοδο.
Ο Κωδικοποιητής θα κωδικοποιήσει την εισαγόμενη πρόταση λέξη προς λέξη σε ακολουθία και στο τέλος θα υπάρχει ένα διακριτικό που θα σηματοδοτεί το τέλος μιας πρότασης. Ο κωδικοποιητής αποτελείται από ένα επίπεδο ενσωμάτωσης και ένα επίπεδο GRU. Το επίπεδο ενσωμάτωσης είναι ένας πίνακας αναζήτησης που αποθηκεύει την ενσωμάτωση της εισόδου μας σε ένα λεξικό λέξεων σταθερού μεγέθους. Θα διαβιβαστεί σε ένα επίπεδο GRU. Το επίπεδο GRU είναι μια Μονάδα με Πύλες που αποτελείται από έναν τύπο πολλαπλών επιπέδων. RNN που θα υπολογίσει την ακολουθούμενη είσοδο. Αυτό το επίπεδο θα υπολογίσει την κρυφή κατάσταση από την προηγούμενη και θα ενημερώσει την επαναφορά, την ενημέρωση και τις νέες πύλες.
Ο αποκωδικοποιητής θα αποκωδικοποιήσει την είσοδο από την έξοδο του κωδικοποιητή. Θα προσπαθήσει να προβλέψει την επόμενη έξοδο και να τη χρησιμοποιήσει ως την επόμενη είσοδο, εάν είναι δυνατόν. Ο αποκωδικοποιητής αποτελείται από ένα επίπεδο ενσωμάτωσης, ένα επίπεδο GRU και ένα γραμμικό επίπεδο. Το επίπεδο ενσωμάτωσης θα δημιουργήσει έναν πίνακα αναζήτησης για την έξοδο και θα τον περάσει σε ένα επίπεδο GRU για να υπολογίσει την προβλεπόμενη κατάσταση εξόδου. Στη συνέχεια, ένα γραμμικό επίπεδο θα βοηθήσει στον υπολογισμό της συνάρτησης ενεργοποίησης για να προσδιοριστεί η πραγματική τιμή της προβλεπόμενης εξόδου.
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
Βήμα 3) Εκπαίδευση του Μοντέλου
Η διαδικασία εκπαίδευσης στα μοντέλα Seq2seq ξεκινά με τη μετατροπή κάθε ζεύγους προτάσεων σε Tensors από τον δείκτη Lang τους. Το μοντέλο μας από ακολουθία σε ακολουθία θα χρησιμοποιήσει το SGD ως βελτιστοποιητή και τη συνάρτηση NLLLoss για τον υπολογισμό των απωλειών. Η διαδικασία εκπαίδευσης ξεκινά με την τροφοδοσία του ζεύγους μιας πρότασης στο μοντέλο για την πρόβλεψη της σωστής εξόδου. Σε κάθε βήμα, η έξοδος από το μοντέλο θα υπολογίζεται με τις αληθείς λέξεις για να βρεθούν οι απώλειες και να ενημερωθούν οι παράμετροι. Έτσι, επειδή θα χρησιμοποιήσετε 75000 επαναλήψεις, το μοντέλο μας από ακολουθία σε ακολουθία θα δημιουργήσει 75000 τυχαία ζεύγη από το σύνολο δεδομένων μας.
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
Βήμα 4) Δοκιμάστε το μοντέλο
Η διαδικασία αξιολόγησης του Seq2seq PyTorΤο ch είναι να ελέγξετε την έξοδο του μοντέλου. Κάθε ζεύγος μοντέλων Sequence to sequence θα τροφοδοτηθεί στο μοντέλο και θα δημιουργήσει τις προβλεπόμενες λέξεις. Στη συνέχεια, θα εξετάσετε την υψηλότερη τιμή σε κάθε έξοδο για να βρείτε τον σωστό δείκτη. Και στο τέλος, θα τη συγκρίνετε για να δείτε την πρόβλεψη του μοντέλου μας με την πραγματική πρόταση.
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))
Τώρα, ας ξεκινήσουμε την εκπαίδευσή μας με Seq to Seq, με αριθμό επαναλήψεων 75000 και αριθμό στρώσεων RNN 1 με κρυφό μέγεθος 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)
Όπως μπορείτε να δείτε, η προβλεπόμενη πρόταση μας δεν ταιριάζει πολύ καλά, επομένως για να έχετε μεγαλύτερη ακρίβεια, πρέπει να προπονηθείτε με πολύ περισσότερα δεδομένα και να προσπαθήσετε να προσθέσετε περισσότερες επαναλήψεις και αριθμό επιπέδων χρησιμοποιώντας την εκμάθηση ακολουθίας σε ακολουθία.
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
