Model Seq2seq (sekwencja do sekwencji) za pomocą PyTorch

Co to jest NLP?

NLP, czyli przetwarzanie języka naturalnego, to jedna z popularnych gałęzi sztucznej inteligencji, która pomaga komputerom rozumieć człowieka, manipulować nim lub reagować na niego w jego naturalnym języku. NLP jest motorem napędowym Google Translate co pomaga nam zrozumieć inne języki.

Co to jest Seq2Seq?

Sekwencja2sekw to metoda tłumaczenia maszynowego i przetwarzania języka oparta na koderze-dekoderze, która odwzorowuje wejście sekwencji na wyjście sekwencji ze znacznikiem i wartością uwagi. Pomysł jest taki, aby użyć 2 RNN, które będą współpracować ze specjalnym tokenem i próbować przewidzieć następną sekwencję stanów z poprzedniej sekwencji.

Jak przewidzieć sekwencję na podstawie poprzedniej sekwencji

Przewiduj sekwencję na podstawie poprzedniej sekwencji

Poniżej przedstawiono kroki umożliwiające przewidzenie sekwencji na podstawie poprzedniej sekwencji przy użyciu PyTorch.

Krok 1) Ładowanie naszych danych

W przypadku naszego zbioru danych użyjesz zbioru danych z Pary zdań dwujęzycznych rozdzielane tabulatorami. W tym miejscu użyję zestawu danych z języka angielskiego na indonezyjski. Możesz wybrać cokolwiek chcesz, ale pamiętaj 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 można bezpośrednio korzystać ze zbioru danych. Musisz podzielić zdania na słowa i przekonwertować je na One-Hot Vector. Każde słowo zostanie jednoznacznie zaindeksowane w klasie Lang, aby utworzyć słownik. Klasa Lang przechowuje każde zdanie i dzieli je słowo po słowie za pomocą addSentence. Następnie utwórz słownik, indeksując każde nieznane słowo dla Sekwencji w celu modeli sekwencji.

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, która pomoże nam stworzyć słownik. Dla każdego języka każde zdanie zostanie podzielone na słowa, a następnie dodane do kontenera. Każdy kontener będzie przechowywać słowa w odpowiednim indeksie, policzy je i doda indeks słowa, abyśmy mogli go użyć do znalezienia indeksu słowa lub znalezienia słowa z jego indeksu.

Ponieważ nasze dane są oddzielone tabulatorem, należy użyć pandy jako nasz moduł ładujący dane. Pandy odczytają nasze dane jako ramkę danych i podzielą je na zdanie źródłowe i docelowe. Za każde Twoje zdanie,

  • znormalizujesz to do małych liter,
  • usuń wszystkie elementy niebędące znakami
  • przekonwertować na ASCII z Unicode
  • podziel zdania tak, aby było w nich każde słowo.
#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

Kolejną przydatną funkcją, której będziesz używać, jest konwersja par na Tensor. Jest to bardzo ważne, ponieważ nasza sieć odczytuje tylko dane typu tensorowego. Jest to również ważne, ponieważ jest to część, w której na każdym końcu zdania znajduje się token informujący sieć o zakończeniu wprowadzania. Dla każdego słowa w zdaniu pobierze indeks odpowiedniego słowa w słowniku i doda token na końcu 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

Model Seq2seq
Sekwencja2sekw

Model PyTorch Seq2seq to rodzaj modelu, który wykorzystuje dekoder kodera PyTorch na górze modelu. Encoder zakoduje zdanie słowo po słowie w indeksowanym słownictwie lub znanych słowach z indeksem, a dekoder przewidzi wynik zakodowanego sygnału wejściowego poprzez dekodowanie wejścia po kolei i spróbuje użyć ostatniego wejścia jako następnego wejścia, jeśli to jest możliwe. Dzięki tej metodzie możliwe jest również przewidzenie następnego wejścia w celu utworzenia zdania. Do każdego zdania zostanie przypisany znacznik oznaczający koniec sekwencji. Na końcu przewidywania pojawi się również znacznik oznaczający koniec wyniku. Zatem z kodera przekaże stan do dekodera, aby przewidzieć wynik.

Model Seq2seq
Model Seq2Seq

Koder zakoduje nasze zdanie wejściowe słowo po słowie, a na końcu pojawi się token oznaczający koniec zdania. Koder składa się z warstwy osadzania i warstw GRU. Warstwa osadzania to tabela przeglądowa, która przechowuje osadzanie naszych danych wejściowych w słowniku słów o stałym rozmiarze. Zostanie przekazany do warstwy GRU. Warstwa GRU to bramkowana jednostka cykliczna, która składa się z wielu warstw RNN który obliczy sekwencyjne dane wejściowe. Ta warstwa obliczy stan ukryty na podstawie poprzedniej i zaktualizuje reset, aktualizację i nowe bramki.

Model Seq2seq

Sekwencja2sekw

Dekoder zdekoduje sygnał wejściowy z wyjścia kodera. Spróbuje przewidzieć następny wynik i spróbuje użyć go jako następnego wejścia, jeśli to możliwe. Dekoder składa się z warstwy osadzania, warstwy GRU i warstwy liniowej. Warstwa osadzająca utworzy tabelę przeglądową dla danych wyjściowych i przekaże ją do warstwy GRU w celu obliczenia przewidywanego stanu wyjściowego. Następnie warstwa liniowa pomoże obliczyć funkcję aktywacji w celu określenia prawdziwej wartości przewidywanego wyniku.

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 się od konwersji każdej pary zdań na tensory z ich indeksu Langa. Nasz model sekwencji do sekwencji użyje SGD jako optymalizatora i funkcji NLLLoss do obliczenia strat. Proces uczenia rozpoczyna się od podania pary zdań do modelu w celu przewidzenia prawidłowego wyniku. Na każdym etapie dane wyjściowe modelu zostaną obliczone przy użyciu prawdziwych słów, aby znaleźć straty i zaktualizować parametry. Ponieważ więc użyjesz 75000 75000 iteracji, nasz model sekwencji do sekwencji wygeneruje losowe XNUMX XNUMX 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 PyTorch polega na sprawdzeniu danych wyjściowych modelu. Każda para modeli „Sekwencja do sekwencji” zostanie wprowadzona do modelu i wygeneruje przewidywane słowa. Następnie będziesz szukać najwyższej wartości na każdym wyjściu, aby znaleźć właściwy indeks. Na koniec porównasz, aby zobaczyć nasze przewidywania 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('<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))

Teraz rozpocznijmy nasze szkolenie od Seq to Seq, z liczbą iteracji 75000 i liczbą warstw RNN wynoszącą 1 z 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 widać, nasze przewidywane zdanie nie jest zbyt dobrze dopasowane, więc aby uzyskać większą dokładność, musisz trenować z dużo większą ilością danych i próbować dodać więcej iteracji i liczbę warstw za pomocą Sequence do uczenia się 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()
)
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>