Modelo Seq2seq (de secuencia a secuencia) con PyTorch
evelyn clarke
⚡ Resumen inteligente
Seq2Seq es una arquitectura codificador-decodificador que mapea una secuencia de entrada a una secuencia de salida utilizando dos redes neuronales recurrentes, lo que permite la traducción automática y otras tareas de procesamiento del lenguaje natural donde las longitudes de entrada y salida difieren.
¿Qué es la PNL?
El PLN o Procesamiento del Lenguaje Natural es una de las ramas más populares de la Inteligencia Artificial que ayuda a las computadoras a comprender, manipular o responder a un ser humano en su lenguaje natural. El PLN es el motor detrás de Google Translate que nos ayuda a entender 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
A continuación se detallan los pasos para predecir una secuencia a partir 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 puedes usar el conjunto de datos directamente. Debes dividir las oraciones en palabras y convertirlas en un vector one-hot. Cada palabra se indexará de forma única en la clase Lang para crear un diccionario. La clase Lang almacenará cada oración y la dividirá palabra por palabra con addSentence. Luego, crea un diccionario indexando cada palabra desconocida para los modelos de secuencia a 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 clase Lang nos ayudará a crear un diccionario. Para cada idioma, cada oración se dividirá en palabras y se agregará al contenedor. Cada contenedor almacenará las palabras en el índice correspondiente, contará cada palabra y agregará su índice para que podamos usarlo para encontrar el índice de una palabra o buscar 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 un dataframe y los dividirá en la oración de origen y la de destino. Para cada oración, la normalizará a minúsculas, eliminará todos los caracteres que no sean caracteres, la convertirá de Unicode a ASCII y dividirá las oraciones para obtener 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 tensores. Esto es fundamental porque nuestra red solo lee datos de tipo tensorial. También es importante porque en esta parte, al final de cada oración, se añadirá un token para indicar a la red que la entrada ha finalizado. Para cada palabra de la oración, se obtendrá el índice de la palabra correspondiente en el diccionario y se añadirá 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
PyTorEl modelo ch Seq2seq es un tipo de modelo que utiliza un PyTorEl codificador y el decodificador se encuentran sobre el modelo. El codificador codificará la oración palabra por palabra en un índice de vocabulario o palabras conocidas con un 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 si es posible. Con este método, también es posible predecir la siguiente entrada para crear una oración. A cada oración se le asignará un token para marcar el final de la secuencia. Al final de la predicción, también habrá un token para marcar el final de la salida. Por lo tanto, desde el codificador, se pasará un estado al decodificador para predecir la salida.
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 una capa 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 con compuertas que consta de un tipo de múltiples 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.
El decodificador decodificará la entrada a partir de la salida del codificador. Intentará predecir la siguiente salida y, si es posible, utilizarla como entrada. 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 la capa GRU para calcular el estado de salida predicho. Posteriormente, la capa lineal ayudará a calcular la función de activación para determinar el valor real de la salida predicha.
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 modelo con el par de oraciones para predecir la salida correcta. En cada paso, la salida del modelo se calculará con las palabras reales para encontrar las pérdidas y actualizar los parámetros. Por lo tanto, dado que utilizaremos 75 000 iteraciones, nuestro modelo de secuencia a secuencia generará 75 000 pares aleatorios a partir 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 PyTorEl objetivo es verificar la salida del modelo. Cada par de modelos de secuencia a secuencia se introduce en el modelo y genera las palabras predichas. Después, se examina el valor más alto en cada salida para encontrar el índice correcto. Finalmente, se compara la predicción del modelo con la oración real.
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))
Ahora, comencemos nuestro entrenamiento con Seq to Seq, con un número de iteraciones de 75000 y un número de capas 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() ) 5000 4.0906 10000 3.9129 15000 3.8171 20000 3.8369 25000 3.8199 30000 3.7957 75000 3.7044
