Modelo Seq2seq (Secuencia a Secuencia) con PyTorch

¿Qué es la PNL?

PNL o Procesamiento del Lenguaje Natural es una de las ramas populares de la Inteligencia Artificial que ayuda a las computadoras a comprender, manipular o responder a un humano en su lenguaje natural. PNL es el motor detrás de Google Translate que nos ayuda a comprender otros idiomas.

¿Qué es Seq2Seq?

Sec2Seq es un método de traducción automática y procesamiento de lenguaje basado en codificador-decodificador que asigna una entrada de secuencia a una salida de secuencia con una etiqueta y un valor de atención. La idea es utilizar 2 RNN que funcionarán juntos con un token especial e intentarán predecir la siguiente secuencia de estado a partir de la secuencia anterior.

Cómo predecir la secuencia a partir de la secuencia anterior

Predecir la secuencia a partir de la secuencia anterior

Following son pasos para predecir la secuencia de la secuencia anterior con PyTorch.

Paso 1) Cargando nuestros Datos

Para nuestro conjunto de datos, utilizará un conjunto de datos de Pares de oraciones bilingües delimitadas por tabulaciones. Aquí utilizaré el conjunto de datos de inglés a indonesio. Puede elegir lo que quiera, pero recuerde cambiar el nombre del archivo y el directorio en el código.

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")

Paso 2) Preparación de datos

No puede utilizar el conjunto de datos directamente. Debe dividir las oraciones en palabras y convertirlas en One-Hot Vector. Cada palabra se indexará de forma única en la clase Lang para crear un diccionario. Lang Class almacenará cada oración y la dividirá palabra por palabra con addSentence. Luego cree un diccionario indexando cada palabra desconocida para Sequence en modelos de secuencia.

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

La Lang Class es una clase que nos ayudará a hacer un diccionario. Para cada idioma, cada oración se dividirá en palabras y luego se agregará al contenedor. Cada contenedor almacenará las palabras en el índice apropiado, contará la palabra y agregará el índice de la palabra para que podamos usarlo para encontrar el índice de una palabra o encontrar una palabra a partir de su índice.

Debido a que nuestros datos están separados por TAB, es necesario utilizar Los pandas como nuestro cargador de datos. Pandas leerá nuestros datos como marco de datos y los dividirá en nuestra oración de origen y de destino. Por cada frase que tienes,

  • lo normalizarás a minúsculas,
  • eliminar todo lo que no sea carácter
  • convertir a ASCII desde Unicode
  • divide las oraciones para que tengas cada palabra.
#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

Otra función útil que utilizarás es la conversión de pares a tensor. Esto es muy importante porque nuestra red solo lee datos de tipo tensorial. También es importante porque esta es la parte en la que en cada final de la oración habrá un token para indicarle a la red que la entrada ha finalizado. Para cada palabra de la oración, obtendrá el índice de la palabra apropiada en el diccionario y agregará un token al final de la oración.

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)

Modelo Seq2Seq

Modelo Seq2seq
Sec2Seq

El modelo PyTorch Seq2seq es un tipo de modelo que utiliza el codificador decodificador PyTorch encima del modelo. El codificador codificará la oración palabra por palabra en un índice de vocabulario o palabras conocidas con índice, y el decodificador predecirá la salida de la entrada codificada decodificando la entrada en secuencia e intentará usar la última entrada como la siguiente entrada si Es posible. Con este método, también es posible predecir la siguiente entrada para crear una oración. A cada oración se le asignará una ficha para marcar el final de la secuencia. Al final de la predicción, también habrá un token para marcar el final de la salida. Entonces, desde el codificador, pasará un estado al decodificador para predecir la salida.

Modelo Seq2seq
Modelo Seq2Seq

El codificador codificará nuestra oración de entrada palabra por palabra en secuencia y al final habrá un token para marcar el final de una oración. El codificador consta de una capa de incrustación y capas GRU. La capa de incrustación es una tabla de búsqueda que almacena la incrustación de nuestra entrada en un diccionario de palabras de tamaño fijo. Se pasará a una capa GRU. La capa GRU es una unidad recurrente cerrada que consta de múltiples tipos de capas RNN que calculará la entrada secuenciada. Esta capa calculará el estado oculto de la anterior y actualizará las puertas de reinicio, actualización y nuevas.

Modelo Seq2seq

Sec2Seq

El decodificador decodificará la entrada de la salida del codificador. Intentará predecir la siguiente salida e intentará utilizarla como la siguiente entrada si es posible. El decodificador consta de una capa de incrustación, una capa GRU y una capa lineal. La capa de incrustación creará una tabla de búsqueda para la salida y la pasará a una capa GRU para calcular el estado de salida previsto. Después de eso, una capa lineal ayudará a calcular la función de activación para determinar el valor real de la salida prevista.

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

Paso 3) Entrenar el modelo

El proceso de entrenamiento en los modelos Seq2seq comienza con la conversión de cada par de oraciones en tensores a partir de su índice Lang. Nuestro modelo de secuencia a secuencia utilizará SGD como optimizador y la función NLLLoss para calcular las pérdidas. El proceso de entrenamiento comienza alimentando el par de oraciones al modelo para predecir el resultado correcto. En cada paso, el resultado del modelo se calculará con las palabras verdaderas para encontrar las pérdidas y actualizar los parámetros. Entonces, debido a que utilizará 75000 iteraciones, nuestro modelo de secuencia a secuencia generará 75000 pares aleatorios de nuestro conjunto de datos.

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

Paso 4) Pruebe el modelo

El proceso de evaluación de Seq2seq PyTorch consiste en verificar el resultado del modelo. Cada par de modelos de secuencia a secuencia se introducirá en el modelo y generará las palabras predichas. Después de eso, buscará el valor más alto en cada salida para encontrar el índice correcto. Y al final, compararás para ver la predicción de nuestro modelo con la oración verdadera.

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))

Ahora, comencemos nuestro entrenamiento con Seq to Seq, con un número de iteraciones de 75000 y un número de capa RNN de 1 con un tamaño oculto de 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)

Como puede ver, nuestra oración predicha no coincide muy bien, por lo que para obtener una mayor precisión, debe entrenar con muchos más datos e intentar agregar más iteraciones y más capas usando Sequence para secuenciar el aprendizaje.

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>