Model Seq2seq (sekwencja do sekwencji) z PyTorch
Evelyn Clarke
โก Inteligentne podsumowanie
Seq2Seq to architektura kodera-dekodera, ktรณra mapuje sekwencjฤ wejลciowฤ na sekwencjฤ wyjลciowฤ przy uลผyciu dwรณch rekurencyjnych sieci neuronowych, obsลugujฤ c tลumaczenie maszynowe i inne zadania przetwarzania jฤzyka naturalnego, w ktรณrych dลugoลci danych wejลciowych i wyjลciowych rรณลผniฤ siฤ.
Co to jest NLP?
NLP, czyli przetwarzanie jฤzyka naturalnego, to jedna z popularnych gaลฤzi sztucznej inteligencji, ktรณra pomaga komputerom rozumieฤ, manipulowaฤ lub reagowaฤ na czลowieka w jego jฤzyku naturalnym. NLP jest siลฤ napฤdowฤ Google Translate co pomaga nam zrozumieฤ inne jฤzyki.
Co to jest Seq2Seq?
Sekwencja2sekw to metoda tลumaczenia maszynowego i przetwarzania jฤzyka oparta na koderze-dekoderze, ktรณra odwzorowuje wejลcie sekwencji na wyjลcie sekwencji ze znacznikiem i wartoลciฤ uwagi. Pomysล jest taki, aby uลผyฤ 2 RNN, ktรณre bฤdฤ wspรณลpracowaฤ ze specjalnym tokenem i prรณbowaฤ przewidzieฤ nastฤpnฤ sekwencjฤ stanรณw z poprzedniej sekwencji.
Jak przewidzieฤ sekwencjฤ na podstawie poprzedniej sekwencji
Poniลผej przedstawiono kroki umoลผliwiajฤ ce przewidzenie sekwencji na podstawie poprzedniej sekwencji za pomocฤ PyTorch.
Krok 1) ลadowanie naszych danych
W przypadku naszego zbioru danych uลผyjesz zbioru danych z Pary zdaล dwujฤzycznych rozdzielane tabulatorami. W tym miejscu uลผyjฤ zestawu danych z jฤzyka angielskiego na indonezyjski. Moลผesz wybraฤ cokolwiek chcesz, ale pamiฤtaj o zmianie nazwy pliku i katalogu w kodzie.
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")
Krok 2) Przygotowanie danych
Nie moลผna bezpoลrednio korzystaฤ ze zbioru danych. Naleลผy podzieliฤ zdania na sลowa i przeksztaลciฤ je w wektor jedno-gorฤ cy. Kaลผde sลowo zostanie jednoznacznie zindeksowane w klasie Lang, aby utworzyฤ sลownik. Klasa Lang bฤdzie przechowywaฤ kaลผde zdanie i dzieliฤ je sลowo po sลowie za pomocฤ funkcji addSentence. Nastฤpnie utwรณrz sลownik, indeksujฤ c kaลผde nieznane sลowo dla modeli sekwencyjnych.
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 to klasa, ktรณra pomoลผe nam utworzyฤ sลownik. Dla kaลผdego jฤzyka kaลผde zdanie zostanie podzielone na sลowa, a nastฤpnie dodane do kontenera. Kaลผdy kontener bฤdzie przechowywaล sลowa w odpowiednim indeksie, liczyล sลowa i dodawaล indeks sลowa, abyลmy mogli go uลผyฤ do znalezienia indeksu sลowa lub wyszukania sลowa z jego indeksu.
Poniewaลผ nasze dane sฤ oddzielone tabulatorem, naleลผy uลผyฤ pandy jako nasz moduล ลadujฤ cy dane. Pandas odczyta nasze dane jako ramkฤ danych i podzieli je na zdanie ลบrรณdลowe i docelowe. Dla kaลผdego zdania, ktรณre posiadasz, znormalizujesz je do maลych liter, usuniesz wszystkie znaki niebฤdฤ ce znakami, przekonwertujesz je z Unicode na ASCII i podzielisz zdania, aby zawieraลy wszystkie sลowa.
#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
Kolejnฤ przydatnฤ funkcjฤ , z ktรณrej skorzystasz, jest konwersja par na tensory. Jest to bardzo waลผne, poniewaลผ nasza sieฤ odczytuje tylko dane typu tensor. Jest to rรณwnieลผ istotne, poniewaลผ jest to czฤลฤ, w ktรณrej na kaลผdym koลcu zdania znajduje siฤ token informujฤ cy sieฤ o zakoลczeniu wprowadzania danych. Dla kaลผdego sลowa w zdaniu sieฤ pobiera indeks z odpowiedniego sลowa w sลowniku i dodaje token na koลcu zdania.
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
PyTorModel ch Seq2seq to rodzaj modelu wykorzystujฤ cego PyTorKoder-dekoder na modelu. Koder koduje zdanie sลowo po sลowie do indeksu sลownika lub znanych sลรณw z indeksem, a dekoder przewiduje wyjลcie zakodowanego wejลcia, dekodujฤ c dane wejลciowe sekwencyjnie i starajฤ c siฤ uลผyฤ ostatniego wejลcia jako nastฤpnego, jeลli to moลผliwe. Dziฤki tej metodzie moลผliwe jest rรณwnieลผ przewidzenie nastฤpnego wejลcia, aby utworzyฤ zdanie. Kaลผde zdanie zostanie przypisane do tokena oznaczajฤ cego koniec sekwencji. Po zakoลczeniu predykcji pojawi siฤ rรณwnieลผ token oznaczajฤ cy koniec wyjลcia. Zatem z kodera zostanie przekazany stan do dekodera, aby przewidzieฤ wyjลcie.
Koder zakoduje nasze zdanie wejลciowe sลowo po sลowie, sekwencyjnie, a na koลcu pojawi siฤ token oznaczajฤ cy koniec zdania. Koder skลada siฤ z warstwy osadzania i warstwy GRU. Warstwa osadzania to tablica wyszukiwania, ktรณra przechowuje osadzanie naszego wejลcia w sลowniku sลรณw o staลym rozmiarze. Zostanie on przekazany do warstwy GRU. Warstwa GRU to bramkowana jednostka rekurencyjna, ktรณra skลada siฤ z wielowarstwowego typu RNN ktรณry obliczy sekwencyjne dane wejลciowe. Ta warstwa obliczy stan ukryty na podstawie poprzedniej i zaktualizuje reset, aktualizacjฤ i nowe bramki.
Dekoder dekoduje sygnaล wejลciowy z wyjลcia enkodera. Stara siฤ przewidzieฤ kolejny sygnaล wyjลciowy i, jeลli to moลผliwe, uลผyฤ go jako kolejnego sygnaลu wejลciowego. Dekoder skลada siฤ z warstwy osadzania, warstwy GRU oraz warstwy liniowej. Warstwa osadzania tworzy tabelฤ wyszukiwania dla sygnaลu wyjลciowego i przekazuje jฤ do warstwy GRU w celu obliczenia przewidywanego stanu wyjลciowego. Nastฤpnie warstwa liniowa pomaga obliczyฤ funkcjฤ aktywacji, aby okreลliฤ rzeczywistฤ wartoลฤ przewidywanego sygnaลu wyjลciowego.
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
Krok 3) Trenowanie modelu
Proces uczenia w modelach Seq2seq rozpoczyna siฤ od konwersji kaลผdej pary zdaล na tensory na podstawie ich indeksu Lang. Nasz model konwersji sekwencji na sekwencjฤ bฤdzie wykorzystywaล SGD jako optymalizator oraz funkcjฤ NLLLoss do obliczania strat. Proces uczenia rozpoczyna siฤ od podania pary zdaล do modelu w celu przewidzenia poprawnego wyniku. Na kaลผdym kroku wynik z modelu bฤdzie obliczany przy uลผyciu prawdziwych sลรณw, aby znaleลบฤ straty i zaktualizowaฤ parametry. Poniewaลผ wykonasz 75000 iteracji, nasz model konwersji sekwencji na sekwencjฤ wygeneruje 75000 losowych par z naszego zbioru danych.
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
Krok 4) Przetestuj model
Proces oceny Seq2seq PyTorZadaniem ch jest sprawdzenie wynikรณw modelu. Kaลผda para modeli โSekwencja do sekwencjiโ zostanie wprowadzona do modelu i wygeneruje przewidywane sลowa. Nastฤpnie sprawdzisz najwyลผszฤ wartoลฤ na kaลผdym wyjลciu, aby znaleลบฤ prawidลowy indeks. Na koniec porรณwnasz jฤ , aby sprawdziฤ naszฤ prognozฤ modelu z prawdziwym zdaniem.
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))
Teraz zacznijmy szkolenie za pomocฤ Seq to Seq, z liczbฤ iteracji rรณwnฤ 75000 i liczbฤ warstw RNN rรณwnฤ 1 i ukrytym rozmiarem 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)
Jak widaฤ, nasze przewidywane zdanie nie jest zbyt dobrze dopasowane, wiฤc aby uzyskaฤ wiฤkszฤ dokลadnoลฤ, musisz trenowaฤ z duลผo wiฤkszฤ iloลciฤ danych i prรณbowaฤ dodaฤ wiฤcej iteracji i liczbฤ warstw za pomocฤ Sequence do uczenia siฤ sekwencyjnego.
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
