Seq2seq (sekvenca po sekvenci) model s PyTorch
Uredništvo
⚡ Pametni sažetak
Seq2Seq je arhitektura kodera-dekodera koja preslikava ulazni niz u izlazni niz koristeći dvije rekurentne neuronske mreže, omogućujući strojno prevođenje i druge zadatke obrade prirodnog jezika gdje se duljine ulaza i izlaza razlikuju.
Što je NLP?
NLP ili obrada prirodnog jezika jedna je od popularnih grana umjetne inteligencije koja pomaže računalima da razumiju, manipuliraju ili reagiraju na čovjeka na njegovom prirodnom jeziku. NLP je motor iza Google Translate koji nam pomaže razumjeti druge jezike.
Što je Seq2Seq?
Seq2Seq je metoda strojnog prevođenja i obrade jezika koja se temelji na koder-dekoderu koja preslikava ulaz niza u izlaz niza s oznakom i vrijednošću pozornosti. Ideja je koristiti 2 RNN-a koji će raditi zajedno s posebnim tokenom i pokušati predvidjeti sljedeći niz stanja iz prethodnog niza.
Kako predvidjeti niz iz prethodnog niza
Slijede koraci za predviđanje niza iz prethodnog niza pomoću PyTorch.
Korak 1) Učitavanje naših podataka
Za naš skup podataka koristit ćete skup podataka iz Dvojezični rečenični parovi odvojeni tabulatorima. Ovdje ću koristiti skup podataka s engleskog na indonezijski. Možete odabrati što god želite, ali ne zaboravite promijeniti naziv datoteke i direktorij u kodu.
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")
Korak 2) Priprema podataka
Ne možete izravno koristiti skup podataka. Morate podijeliti rečenice na riječi i pretvoriti ih u One-Hot Vector. Svaka riječ bit će jedinstveno indeksirana u klasi Lang kako bi se stvorio rječnik. Klasa Lang će pohraniti svaku rečenicu i podijeliti je riječ po riječ pomoću addSentence. Zatim stvorite rječnik indeksiranjem svake nepoznate riječi za Sequence to Sequence modele.
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
Klasa Lang je klasa koja će nam pomoći u izradi rječnika. Za svaki jezik, svaka rečenica će biti podijeljena na riječi, a zatim dodana u kontejner. Svaki kontejner će pohraniti riječi u odgovarajući indeks, prebrojati riječi i dodati indeks riječi kako bismo ga mogli koristiti za pronalaženje indeksa riječi ili pronalaženje riječi iz njenog indeksa.
Budući da su naši podaci odvojeni TAB-om, morate koristiti pande kao naš program za učitavanje podataka. Pande će čitati naše podatke kao dataFrame i podijeliti ih na izvornu i ciljnu rečenicu. Za svaku rečenicu koju imate, normalizirat ćete je u mala slova, ukloniti sve ne-znakove, pretvoriti u ASCII iz Unicodea i podijeliti rečenice tako da u njoj imate svaku riječ.
#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
Još jedna korisna funkcija koju ćete koristiti je pretvaranje parova u tenzore. Ovo je vrlo važno jer naša mreža čita samo podatke tipa tenzora. Također je važno jer je ovo dio gdje će se na svakom kraju rečenice nalaziti token koji će mreži reći da je unos završen. Za svaku riječ u rečenici, dobit će indeks iz odgovarajuće riječi u rječniku i dodati token na kraj rečenice.
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)
Model Seq2Seq
PyTorSeq2seq model je vrsta modela koji koristi PyTorch koder dekoder na vrhu modela. Koder će kodirati rečenicu riječ po riječ u indeks vokabulara ili poznatih riječi s indeksom, a dekoder će predvidjeti izlaz kodiranog ulaza dekodiranjem ulaza u nizu i pokušat će koristiti posljednji ulaz kao sljedeći ulaz ako je to moguće. Ovom metodom također je moguće predvidjeti sljedeći ulaz za stvaranje rečenice. Svakoj rečenici bit će dodijeljen token za označavanje kraja niza. Na kraju predviđanja, također će biti token za označavanje kraja izlaza. Dakle, iz kodera će proslijediti stanje dekoderu za predviđanje izlaza.
Enkoder će kodirati našu ulaznu rečenicu riječ po riječ u nizu, a na kraju će biti token koji označava kraj rečenice. Enkoder se sastoji od sloja za ugrađivanje i GRU sloja. Sloj za ugrađivanje je tablica pretraživanja koja pohranjuje ugrađivanje našeg ulaza u rječnik riječi fiksne veličine. Bit će proslijeđen GRU sloju. GRU sloj je zatvorena rekurentna jedinica koja se sastoji od višeslojnog tipa RNN koji će izračunati sekvencirani unos. Ovaj sloj će izračunati skriveno stanje iz prethodnog i ažurirati resetiranje, ažuriranje i nova vrata.
Dekoder će dekodirati ulaz iz izlaza kodera. Pokušat će predvidjeti sljedeći izlaz i pokušati ga koristiti kao sljedeći ulaz ako je to moguće. Dekoder se sastoji od sloja ugradnje, GRU sloja i linearnog sloja. Sloj ugradnje će izraditi tablicu pretraživanja za izlaz i proslijediti je GRU sloju kako bi izračunao predviđeno stanje izlaza. Nakon toga, linearni sloj će pomoći u izračunu aktivacijske funkcije kako bi se odredila stvarna vrijednost predviđenog izlaza.
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
Korak 3) Obuka modela
Proces treniranja u Seq2seq modelima započinje pretvaranjem svakog para rečenica u tenzore iz njihovog Langovog indeksa. Naš model sekvenciranja u sekvencu koristit će SGD kao optimizator i funkciju NLLLoss za izračun gubitaka. Proces treniranja započinje unošenjem para rečenica u model kako bi se predvidio točan izlaz. U svakom koraku, izlaz modela bit će izračunat s istinitim riječima kako bi se pronašli gubici i ažurirali parametri. Dakle, budući da ćete koristiti 75000 iteracija, naš model sekvenciranja u sekvencu generirat će 75000 slučajnih parova iz našeg skupa podataka.
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
Korak 4) Testirajte model
Proces evaluacije Seq2seq PyTorCilj je provjeriti izlaz modela. Svaki par modela sekvenci u sekvencu bit će unesen u model i generirati predviđene riječi. Nakon toga, pogledat ćete najvišu vrijednost na svakom izlazu kako biste pronašli ispravan indeks. I na kraju ćete ga usporediti kako biste vidjeli naše predviđanje modela s istinitom rečenicom.
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))
Sada, započnimo naš trening sa Seq to Seq, s brojem iteracija od 75000 i brojem RNN slojeva od 1 sa skrivenom veličinom od 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)
Kao što možete vidjeti, naša predviđena rečenica nije dobro usklađena, pa da biste dobili veću točnost, trebate trenirati s puno više podataka i pokušati dodati više ponavljanja i broj slojeva koristeći učenje od slijeda do slijeda.
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
