Modello Seq2seq (da sequenza a sequenza) con PyTorch

Che cos'è la PNL?

La PNL o elaborazione del linguaggio naturale è uno dei rami popolari dell'intelligenza artificiale che aiuta i computer a comprendere, manipolare o rispondere a un essere umano nel suo linguaggio naturale. La PNL è il motore dietro Google Translate che ci aiuta a capire altre lingue.

Cos'è Seq2Seq?

Seq2Seq è un metodo di traduzione automatica ed elaborazione del linguaggio basato su codificatore-decodificatore che mappa un input di sequenza su un output di sequenza con un tag e un valore di attenzione. L'idea è quella di utilizzare 2 RNN che lavoreranno insieme con un token speciale e proveranno a prevedere la sequenza di stati successiva dalla sequenza precedente.

Come prevedere la sequenza dalla sequenza precedente

Prevedere la sequenza dalla sequenza precedente

Di seguito sono riportati i passaggi per prevedere la sequenza dalla sequenza precedente con PyTorch.

Passaggio 1) Caricamento dei nostri dati

Per il nostro set di dati, utilizzerai un set di dati da Coppie di frasi bilingue delimitate da tabulazioni. Qui utilizzerò il set di dati dall'inglese all'indonesiano. Puoi scegliere quello che preferisci, ma ricorda di cambiare il nome del file e la directory nel codice.

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")

Passaggio 2) Preparazione dei dati

Non è possibile utilizzare direttamente il set di dati. Devi dividere le frasi in parole e convertirle in One-Hot Vector. Ogni parola verrà indicizzata in modo univoco nella classe Lang per creare un dizionario. La classe Lang memorizzerà ogni frase e la dividerà parola per parola con addSentence. Quindi crea un dizionario indicizzando ogni parola sconosciuta per Sequence nei modelli di sequenza.

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 è una classe che ci aiuterà a creare un dizionario. Per ogni lingua, ogni frase verrà suddivisa in parole e quindi aggiunta al contenitore. Ogni contenitore memorizzerà le parole nell'indice appropriato, conterà la parola e aggiungerà l'indice della parola in modo che possiamo usarlo per trovare l'indice di una parola o trovare una parola dal suo indice.

Poiché i nostri dati sono separati da TAB, è necessario utilizzare panda come nostro caricatore di dati. I panda leggeranno i nostri dati come dataFrame e li divideranno nella frase di origine e di destinazione. Per ogni frase che hai,

  • lo normalizzerai in minuscolo,
  • rimuovere tutti i non-caratteri
  • convertire in ASCII da Unicode
  • dividi le frasi in modo da contenere ogni parola.
#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

Un'altra funzione utile che utilizzerai è la conversione delle coppie in Tensore. Questo è molto importante perché la nostra rete legge solo dati di tipo tensore. È importante anche perché questa è la parte in cui ad ogni fine della frase ci sarà un token per indicare alla rete che l'input è terminato. Per ogni parola nella frase, otterrà l'indice dalla parola appropriata nel dizionario e aggiungerà un token alla fine della frase.

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)

Modello Seq2Seq

Modello Seq2seq
Seq2Seq

Il modello PyTorch Seq2seq è un tipo di modello che utilizza il decodificatore encoder PyTorch sopra il modello. Il codificatore codificherà la frase parola per parola in un indice di vocabolario o parole conosciute con indice e il decodificatore prevederà l'output dell'input codificato decodificando l'input in sequenza e proverà a utilizzare l'ultimo input come input successivo se è possibile. Con questo metodo è anche possibile prevedere l'input successivo per creare una frase. Ad ogni frase verrà assegnato un token per segnare la fine della sequenza. Al termine della previsione sarà presente anche un token per segnare la fine dell'output. Quindi, dal codificatore, passerà uno stato al decodificatore per prevedere l'output.

Modello Seq2seq
Modello Seq2Seq

L'Encoder codificherà la nostra frase immessa parola per parola in sequenza e alla fine ci sarà un token per segnare la fine di una frase. Il codificatore è costituito da uno strato di incorporamento e da uno strato GRU. Il livello di incorporamento è una tabella di ricerca che memorizza l'incorporamento del nostro input in un dizionario di parole di dimensioni fisse. Verrà passato a un livello GRU. Il livello GRU è un'unità ricorrente recintata composta da più livelli di tipo RNN che calcolerà l'input sequenziato. Questo livello calcolerà lo stato nascosto da quello precedente e aggiornerà il ripristino, l'aggiornamento e le nuove porte.

Modello Seq2seq

Seq2Seq

Il decodificatore decodificherà l'ingresso dall'uscita dell'encoder. Proverà a prevedere l'output successivo e tenterà di utilizzarlo come input successivo, se possibile. Il decodificatore è costituito da uno strato di incorporamento, uno strato GRU e uno strato lineare. Il livello di incorporamento creerà una tabella di ricerca per l'output e la passerà a un livello GRU per calcolare lo stato di output previsto. Successivamente, un livello lineare aiuterà a calcolare la funzione di attivazione per determinare il valore reale dell'output previsto.

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

Passaggio 3) Addestramento del modello

Il processo di addestramento nei modelli Seq2seq inizia con la conversione di ciascuna coppia di frasi in tensori dal relativo indice Lang. Il nostro modello da sequenza a sequenza utilizzerà SGD come ottimizzatore e la funzione NLLloss per calcolare le perdite. Il processo di addestramento inizia inserendo la coppia di frasi nel modello per prevedere l'output corretto. Ad ogni passaggio, l'output del modello verrà calcolato con le parole vere per trovare le perdite e aggiornare i parametri. Pertanto, poiché utilizzerai 75000 iterazioni, il nostro modello da sequenza a sequenza genererà 75000 coppie casuali dal nostro set di dati.

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

Passaggio 4) Testare il modello

Il processo di valutazione di Seq2seq PyTorch consiste nel controllare l'output del modello. Ciascuna coppia di modelli da sequenza a sequenza verrà inserita nel modello e genererà le parole previste. Successivamente cercherai il valore più alto su ciascuna uscita per trovare l'indice corretto. E alla fine, confronterai per vedere la previsione del nostro modello con la frase vera

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))

Ora iniziamo il nostro addestramento con Seq to Seq, con il numero di iterazioni di 75000 e il numero di livelli RNN di 1 con la dimensione nascosta di 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)

Come puoi vedere, la nostra frase prevista non corrisponde molto bene, quindi per ottenere una maggiore precisione, devi allenarti con molti più dati e provare ad aggiungere più iterazioni e numero di livelli utilizzando Sequence per sequenziare l'apprendimento.

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>