Seq2seq (szekvencia-szekvenciális) modell Py-valTorch
Evelyn Clarke
⚡ Okos összefoglaló
A Seq2Seq egy kódoló-dekódoló architektúra, amely két rekurens neurális hálózat segítségével képez le egy bemeneti szekvenciát egy kimeneti szekvenciává, gépi fordítást és más természetes nyelvi feldolgozási feladatokat működtetve, ahol a bemeneti és kimeneti hosszúságok eltérnek.
Mi az NLP?
Az NLP, vagyis a természetes nyelvi feldolgozás (Natural Language Processing) a mesterséges intelligencia egyik népszerű ága, amely segít a számítógépeknek megérteni, manipulálni vagy reagálni az emberre a természetes nyelvén. Az NLP a mögötte álló motor. Google Translate ami segít más nyelvek megértésében.
Mi az a Seq2Seq?
Seq2Seq egy kódoló-dekódoló alapú gépi fordítási és nyelvi feldolgozási módszer, amely a szekvencia bemenetét egy címkével és figyelmi értékkel rendelkező sorozat kimenetére képezi le. Az ötlet az, hogy 2 RNN-t használjunk, amelyek együtt működnek egy speciális tokennel, és megpróbálják megjósolni a következő állapotsort az előző sorozatból.
Hogyan lehet előre megjósolni a sorozatot az előző sorozatból
A következő lépések segítségével megjósolhatunk egy sorozatot az előző sorozatból Py segítségévelTorch.
1. lépés) Adataink betöltése
Adatkészletünkhöz a következőtől származó adatkészletet fogja használni Tabulátorral tagolt kétnyelvű mondatpárok. Itt az angol-indonéz adatkészletet fogom használni. Bármit választhat, de ne felejtse el megváltoztatni a fájl nevét és könyvtárát a kódban.
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")
2. lépés) Adat-előkészítés
Az adathalmazt nem használhatod közvetlenül. A mondatokat szavakra kell bontanod, és egy One-Hot Vector-ba kell konvertálnod. Minden szó egyedi indexelést kap a Lang osztályban, hogy szótárat hozz létre. A Lang osztály tárolja az összes mondatot, és szavanként felbontja azokat az addSentence függvénnyel. Ezután hozz létre egy szótárat úgy, hogy minden ismeretlen szót indexelsz a Sequence-Sequence modellekhez.
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
A Lang osztály egy olyan osztály, amely segít nekünk szótárat készíteni. Minden nyelvhez minden mondatot szavakra bontunk, majd hozzáadunk a konténerhez. Minden konténer a megfelelő indexben tárolja a szavakat, megszámolja a szót, és hozzáadja a szó indexét, így ezt felhasználhatjuk egy szó indexének megkereséséhez, vagy egy szó megtalálásához az indexéből.
Mivel adatainkat TAB választja el, használnia kell pandák adatbetöltőként. A Pandák dataFrame-ként olvassák be az adatainkat, és forrás- és célmondatra osztják azokat. Minden mondatot normalizálj kisbetűsre, távolíts el minden nem karaktert, konvertálj Unicode-ból ASCII-vé, és a mondatokat úgy osztsd fel, hogy minden szó benne legyen.
#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
Egy másik hasznos függvény, amit használni fogsz, a párok tenzorokká alakítása. Ez nagyon fontos, mert a hálózatunk csak tenzor típusú adatokat olvas be. Azért is fontos, mert ez az a rész, ahol a mondat minden végén lesz egy token, amely jelzi a hálózatnak, hogy a bemenet befejeződött. A mondat minden szavához a szótárban lévő megfelelő szóból kiolvassa az indexet, és hozzáad egy tokent a mondat végéhez.
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 modell
PyTorA ch Seq2seq modell egy olyan modellfajta, amely Py-t használTorch kódoló dekóder a modell tetején. A kódoló szavanként kódolja a mondatot egy szókincs- vagy ismert szavak indexébe egy indexszel, a dekóder pedig a bemenet szekvenciális dekódolásával megjósolja a kódolt bemenet kimenetét, és megpróbálja az utolsó bemenetet használni következő bemenetként, ha lehetséges. Ezzel a módszerrel a következő bemenet megjósolására is lehetőség van egy mondat létrehozásához. Minden mondathoz egy token lesz rendelve, amely a sorozat végét jelöli. A predikció végén szintén lesz egy token, amely a kimenet végét jelöli. Tehát a kódolótól egy állapotot továbbít a dekódernek a kimenet megjósolásához.
A kódoló szavanként, sorrendben kódolja a bemeneti mondatunkat, és végül egy token jelzi a mondat végét. A kódoló egy beágyazási rétegből és egy GRU rétegből áll. A beágyazási réteg egy keresőtábla, amely a bemenetünk beágyazását tárolja egy fix méretű szótárba. Ez egy GRU rétegnek lesz átadva. A GRU réteg egy kapuzott ismétlődő egység, amely egy többrétegű típusú RNN amely kiszámítja a szekvenált bemenetet. Ez a réteg kiszámítja a rejtett állapotot az előzőhöz képest, és frissíti a visszaállítást, frissítést és az új kapukat.
A dekóder dekódolja a kódoló kimenetének bemenetét. Megpróbálja megjósolni a következő kimenetet, és ha lehetséges, megpróbálja azt bemenetként használni. A dekóder egy beágyazási rétegből, egy GRU rétegből és egy lineáris rétegből áll. A beágyazási réteg egy keresőtáblát készít a kimenethez, és átadja azt egy GRU rétegnek a várható kimeneti állapot kiszámításához. Ezután egy lineáris réteg segít kiszámítani az aktivációs függvényt a várható kimenet valódi értékének meghatározásához.
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
3. lépés) A modell betanítása
A Seq2seq modellek betanítási folyamata azzal kezdődik, hogy minden mondatpárt tenzorokká alakítunk a Lang indexük alapján. A szekvencia-szekvenciális modellünk az SGD-t fogja optimalizálóként használni, a veszteségek kiszámításához pedig az NLLLoss függvényt. A betanítási folyamat azzal kezdődik, hogy a mondatpárt betápláljuk a modellbe a helyes kimenet előrejelzése érdekében. Minden lépésben a modell kimenetét a valódi szavakkal számítjuk ki a veszteségek megtalálásához és a paraméterek frissítéséhez. Tehát, mivel 75000 iterációt fogunk használni, a szekvencia-szekvenciális modellünk 75000 véletlenszerű párt fog generálni az adatkészletünkből.
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
4. lépés) Tesztelje a modellt
A Seq2seq Py kiértékelési folyamataTorA feladat a modell kimenetének ellenőrzése. Minden egyes szekvencia-szekvencia modellpár beépül a modellbe, és generálja a jósolt szavakat. Ezután megnézzük az egyes kimenetek legmagasabb értékét a helyes index megtalálásához. Végül pedig összehasonlítjuk, hogy lássuk a modell-előrejelzésünket a valódi mondattal.
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))
Most kezdjük a betanítást a Seq to Seq módszerrel, 75000 iterációszámmal, 1 RNN rétegszámmal és 512 rejtett mérettel.
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)
Amint láthatja, a megjósolt mondatunk nem egyezik túl jól, ezért a nagyobb pontosság érdekében sokkal több adattal kell edzeni, és meg kell próbálnia több iterációt és rétegszámot hozzáadni a Sequence segítségével a szekvenciatanuláshoz.
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
