Seq2seq (Sequence to Sequence) -malli PyTorchin avulla
Evelyn Clarke
Mikä on NLP?
NLP eli Natural Language Processing on yksi suosituimmista tekoälyn haaroista, joka auttaa tietokoneita ymmärtämään, käsittelemään tai reagoimaan ihmisen luonnollisella kielellä. NLP on moottori takana Google Translate joka auttaa meitä ymmärtämään muita kieliä.
Mikä on Seq2Seq?
Seq2Seq on kooderi-dekooderipohjainen konekäännös- ja kielenkäsittelymenetelmä, joka kartoittaa sekvenssin syötteen sekvenssin lähtöön tunnisteella ja huomioarvolla. Ajatuksena on käyttää kahta RNN:tä, jotka toimivat yhdessä erityisen tunnuksen kanssa ja yrittävät ennustaa seuraavan tilasekvenssin edellisestä sekvenssistä.
Kuinka ennustaa sekvenssi edellisestä sarjasta
Seuraavassa on vaiheet sekvenssin ennustamiseksi edellisestä sekvenssistä PyTorchin avulla.
Vaihe 1) Tietojemme lataaminen
Tietojoukossamme käytät tietojoukkoa alkaen Sarkaimella erotetut kaksikieliset lauseparit. Tässä käytän englannista indonesiaksi tietojoukkoa. Voit valita mitä tahansa, mutta muista muuttaa tiedoston nimi ja hakemisto koodissa.
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")
Vaihe 2) Tietojen valmistelu
Et voi käyttää tietojoukkoa suoraan. Sinun täytyy jakaa lauseet sanoiksi ja muuntaa ne One-Hot Vectoriksi. Jokainen sana indeksoidaan yksilöllisesti Lang-luokassa sanakirjan tekemiseksi. Lang Class tallentaa jokaisen lauseen ja jakaa sen sana sanalta addSentence-toiminnolla. Luo sitten sanakirja indeksoimalla kaikki tuntemattomat sanat sekvenssimalleille.
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
Lang Class on luokka, joka auttaa meitä tekemään sanakirjaa. Jokaisen kielen jokainen lause jaetaan sanoiksi ja lisätään sitten säilöön. Jokainen säilö tallentaa sanat sopivaan hakemistoon, laskee sanan ja lisää sanan indeksin, jotta voimme käyttää sitä löytääksemme sanan indeksin tai löytääkseen sanan sen hakemistosta.
Koska tietomme on erotettu TAB:lla, sinun on käytettävä pandas tietojen lataajana. Pandat lukevat tietomme datakehyksenä ja jakavat sen lähde- ja kohdelauseeksi. Jokaista lausettasi kohti,
- normalisoit sen pieniin kirjaimiin,
- poista kaikki ei-merkit
- muuntaa Unicodesta ASCII:ksi
- jaa lauseet niin, että siinä on jokainen sana.
#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
Toinen hyödyllinen toiminto, jota käytät, on parien muuntaminen Tensoriksi. Tämä on erittäin tärkeää, koska verkkomme lukee vain tensorityyppistä dataa. Se on myös tärkeä, koska tämä on se osa, että lauseen jokaisessa päässä on merkki, joka kertoo verkolle, että syöttö on valmis. Jokaiselle lauseen sanalle se saa indeksin sanakirjan sopivasta sanasta ja lisää merkin lauseen loppuun.
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)
Seq2Seq malli
PyTorch Seq2seq -malli on eräänlainen malli, joka käyttää PyTorch-enkooderin dekooderia mallin päällä. Enkooderi koodaa lauseen sana sanalta indeksoiduksi sanaston tai tunnettujen sanojen indeksillä, ja dekooderi ennustaa koodatun syötteen lähdön dekoodaamalla syötteen järjestyksessä ja yrittää käyttää viimeistä syötettä seuraavana syötteenä, jos se on mahdollista. Tällä menetelmällä on myös mahdollista ennustaa seuraava syöte lauseen luomiseksi. Jokaiselle lauseelle annetaan merkki, joka merkitsee sekvenssin loppua. Ennustuksen lopussa on myös merkki, joka merkitsee tulosteen loppua. Joten kooderista se välittää tilan dekooderille lähdön ennustamiseksi.
Encoder koodaa syötetyn lauseemme sana sanalta peräkkäin ja lopussa on merkki, joka merkitsee lauseen lopun. Enkooderi koostuu upotuskerroksesta ja GRU-kerroksesta. Upotuskerros on hakutaulukko, joka tallentaa syötteemme upotuksen kiinteän kokoiseen sanojen sanakirjaan. Se välitetään GRU-tasolle. GRU-kerros on portitettu toistuva yksikkö, joka koostuu useista kerroksista RNN joka laskee sekvenssisyötteen. Tämä kerros laskee piilotetun tilan edellisestä ja päivittää nollauksen, päivityksen ja uudet portit.
Dekooderi purkaa sisääntulon kooderin lähdöstä. Se yrittää ennustaa seuraavan lähdön ja yrittää käyttää sitä seuraavana tulona, jos se on mahdollista. Dekooderi koostuu upotuskerroksesta, GRU-kerroksesta ja lineaarisesta kerroksesta. Upotuskerros tekee ulostulolle hakutaulukon ja välittää sen GRU-kerrokseen laskeakseen ennustetun lähtötilan. Sen jälkeen Lineaarinen kerros auttaa laskemaan aktivointifunktion ennustetun lähdön todellisen arvon määrittämiseksi.
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
Vaihe 3) Mallin kouluttaminen
Seq2seq-malleissa harjoitusprosessi alkaa muuntamalla kukin lausepari tensoreiksi niiden Lang-indeksistä. Sarjasta sekvenssiin -mallimme käyttää SGD:tä optimoijana ja NLLLoss-funktiota häviöiden laskemiseen. Koulutusprosessi alkaa syöttämällä lausepari malliin oikean tulosteen ennustamiseksi. Jokaisessa vaiheessa mallin tulos lasketaan oikeilla sanoilla häviöiden löytämiseksi ja parametrien päivittämiseksi. Joten koska käytät 75000 75000 iteraatiota, sekvenssistä sekvenssiin -mallimme luo satunnaiset XNUMX XNUMX paria tietojoukostamme.
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
Vaihe 4) Testaa malli
Seq2seq PyTorchin arviointiprosessi on mallin ulostulon tarkistaminen. Jokainen sekvenssistä sekvenssiin -mallipari syötetään malliin ja luo ennustetut sanat. Tämän jälkeen etsit kunkin lähdön korkeinta arvoa oikean indeksin löytämiseksi. Ja lopuksi vertaat mallimme ennustetta oikeaan lauseeseen
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))
Aloitetaan nyt harjoittelumme Seq to Seq, iteraatioiden määrällä 75000 ja RNN-kerroksen lukumäärällä 1 piilokoolla 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)
Kuten näette, ennustettu lauseemme ei täsmää kovin hyvin, joten saadaksesi paremman tarkkuuden, sinun on harjoiteltava paljon enemmän dataa ja yritettävä lisätä iteraatioita ja kerrosten lukumäärä käyttämällä sekvenssioppimista.
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>
