Model Seq2seq (sekwencja do sekwencji) z PyTorch
Zespół redakcyjny
⚡ Inteligentne podsumowanie
Seq2Seq to architektura kodera-dekodera, która mapuje sekwencję wejściową na sekwencję wyjściową przy użyciu dwóch rekurencyjnych sieci neuronowych, obsługując tłumaczenie maszynowe i inne zadania przetwarzania języka naturalnego, w których długości danych wejściowych i wyjściowych różnią się.
Co to jest NLP?
NLP, czyli przetwarzanie języka naturalnego, to jedna z popularnych gałęzi sztucznej inteligencji, która pomaga komputerom rozumieć, manipulować lub reagować na człowieka w jego języku naturalnym. NLP jest siłą napędową 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
Poniżej przedstawiono kroki umożliwiające przewidzenie sekwencji na podstawie poprzedniej sekwencji za pomocą 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. Należy podzielić zdania na słowa i przekształcić je w wektor jedno-gorący. Każde słowo zostanie jednoznacznie zindeksowane w klasie Lang, aby utworzyć słownik. Klasa Lang będzie przechowywać każde zdanie i dzielić je słowo po słowie za pomocą funkcji addSentence. Następnie utwórz słownik, indeksując każde nieznane słowo 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, która pomoże nam utworzyć słownik. Dla każdego języka każde zdanie zostanie podzielone na słowa, a następnie dodane do kontenera. Każdy kontener będzie przechowywał słowa w odpowiednim indeksie, liczył słowa i dodawał indeks słowa, abyśmy mogli go użyć do znalezienia indeksu słowa lub wyszukania słowa z jego indeksu.
Ponieważ nasze dane są oddzielone tabulatorem, należy użyć pandy jako nasz moduł ładujący dane. Pandas odczyta nasze dane jako ramkę danych i podzieli je na zdanie źródłowe i docelowe. Dla każdego zdania, które posiadasz, znormalizujesz je do małych liter, usuniesz wszystkie znaki niebędące znakami, przekonwertujesz je z Unicode na ASCII i podzielisz zdania, aby zawierały wszystkie słowa.
#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, z której skorzystasz, jest konwersja par na tensory. Jest to bardzo ważne, ponieważ nasza sieć odczytuje tylko dane typu tensor. Jest to również istotne, ponieważ jest to część, w której na każdym końcu zdania znajduje się token informujący sieć o zakończeniu wprowadzania danych. Dla każdego słowa w zdaniu sieć pobiera indeks z odpowiedniego słowa w słowniku i dodaje 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
PyTorModel ch Seq2seq to rodzaj modelu wykorzystującego PyTorKoder-dekoder na modelu. Koder koduje zdanie słowo po słowie do indeksu słownika lub znanych słów z indeksem, a dekoder przewiduje wyjście zakodowanego wejścia, dekodując dane wejściowe sekwencyjnie i starając się użyć ostatniego wejścia jako następnego, jeśli to możliwe. Dzięki tej metodzie możliwe jest również przewidzenie następnego wejścia, aby utworzyć zdanie. Każde zdanie zostanie przypisane do tokena oznaczającego koniec sekwencji. Po zakończeniu predykcji pojawi się również token oznaczający koniec wyjścia. Zatem z kodera zostanie przekazany stan do dekodera, aby przewidzieć wyjście.
Koder zakoduje nasze zdanie wejściowe słowo po słowie, sekwencyjnie, a na końcu pojawi się token oznaczający koniec zdania. Koder składa się z warstwy osadzania i warstwy GRU. Warstwa osadzania to tablica wyszukiwania, która przechowuje osadzanie naszego wejścia w słowniku słów o stałym rozmiarze. Zostanie on przekazany do warstwy GRU. Warstwa GRU to bramkowana jednostka rekurencyjna, która składa się z wielowarstwowego typu RNN który obliczy sekwencyjne dane wejściowe. Ta warstwa obliczy stan ukryty na podstawie poprzedniej i zaktualizuje reset, aktualizację i nowe bramki.
Dekoder dekoduje sygnał wejściowy z wyjścia enkodera. Stara się przewidzieć kolejny sygnał wyjściowy i, jeśli to możliwe, użyć go jako kolejnego sygnału wejściowego. Dekoder składa się z warstwy osadzania, warstwy GRU oraz warstwy liniowej. Warstwa osadzania tworzy tabelę wyszukiwania dla sygnału wyjściowego i przekazuje ją do warstwy GRU w celu obliczenia przewidywanego stanu wyjściowego. Następnie warstwa liniowa pomaga obliczyć funkcję aktywacji, aby określić rzeczywistą wartość przewidywanego sygnału wyjściowego.
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 na podstawie ich indeksu Lang. Nasz model konwersji sekwencji na sekwencję będzie wykorzystywał SGD jako optymalizator oraz funkcję NLLLoss do obliczania strat. Proces uczenia rozpoczyna się od podania pary zdań do modelu w celu przewidzenia poprawnego wyniku. Na każdym kroku wynik z modelu będzie obliczany przy użyciu prawdziwych słów, aby znaleźć straty i zaktualizować parametry. Ponieważ wykonasz 75000 iteracji, nasz model konwersji sekwencji na sekwencję 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 wyników modelu. Każda para modeli „Sekwencja do sekwencji” zostanie wprowadzona do modelu i wygeneruje przewidywane słowa. Następnie sprawdzisz najwyższą wartość na każdym wyjściu, aby znaleźć prawidłowy indeks. Na koniec porównasz ją, aby sprawdzić naszą prognozę 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 pomocą Seq to Seq, z liczbą iteracji równą 75000 i liczbą warstw RNN równą 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 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() ) 5000 4.0906 10000 3.9129 15000 3.8171 20000 3.8369 25000 3.8199 30000 3.7957 75000 3.7044
