Modelo Seq2seq (sequência para sequência) com PyTorch

O que é PNL?

PNL ou Processamento de Linguagem Natural é um dos ramos populares da Inteligência Artificial que ajuda os computadores a compreender, manipular ou responder a um ser humano em sua linguagem natural. PNL é o motor por trás Google Translate que nos ajuda a entender outras línguas.

O que é Seq2Seq?

Seq2Seq é um método de tradução automática e processamento de linguagem baseado em codificador-decodificador que mapeia uma entrada de sequência para uma saída de sequência com uma tag e um valor de atenção. A ideia é usar 2 RNNs que trabalharão em conjunto com um token especial e tentarão prever a próxima sequência de estados a partir da sequência anterior.

Como prever a sequência da sequência anterior

Prever sequência a partir da sequência anterior

A seguir estão as etapas para prever a sequência da sequência anterior com PyTorch.

Etapa 1) Carregando nossos dados

Para nosso conjunto de dados, você usará um conjunto de dados de Pares de frases bilíngues delimitados por tabulações. Aqui usarei o conjunto de dados de inglês para indonésio. Você pode escolher o que quiser, mas lembre-se de alterar o nome do arquivo e o diretório no código.

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")

Etapa 2) Preparação de Dados

Você não pode usar o conjunto de dados diretamente. Você precisa dividir as frases em palavras e convertê-las em One-Hot Vector. Cada palavra será indexada exclusivamente na classe Lang para formar um dicionário. A classe Lang armazenará cada frase e a dividirá palavra por palavra com addSentence. Em seguida, crie um dicionário indexando cada palavra desconhecida de Sequência para modelos de sequência.

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 Classe Lang é uma aula que nos ajudará a fazer um dicionário. Para cada idioma, cada frase será dividida em palavras e depois adicionada ao contêiner. Cada contêiner armazenará as palavras no índice apropriado, contará a palavra e adicionará o índice da palavra para que possamos usá-lo para encontrar o índice de uma palavra ou encontrar uma palavra em seu índice.

Como nossos dados são separados por TAB, você precisa usar pandas como nosso carregador de dados. O Pandas lerá nossos dados como dataFrame e os dividirá em nossa frase de origem e de destino. Para cada frase que você tem,

  • você irá normalizá-lo para letras minúsculas,
  • remover todos os não-personagens
  • converter para ASCII de Unicode
  • divida as frases, para que você tenha cada palavra nela.
#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

Outra função útil que você usará é a conversão de pares em Tensor. Isso é muito importante porque nossa rede lê apenas dados do tipo tensor. Também é importante porque é nesta parte que em cada final da frase haverá um token para informar à rede que a entrada foi concluída. Para cada palavra da frase, ele obterá o índice da palavra apropriada no dicionário e adicionará um token no final da 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)

Modelo Seq2Seq

Modelo Seq2seq
Seq2Seq

O modelo PyTorch Seq2seq é um tipo de modelo que usa o decodificador codificador PyTorch na parte superior do modelo. O codificador codificará a frase palavra por palavras em um índice de vocabulário ou palavras conhecidas com índice, e o decodificador irá prever a saída da entrada codificada decodificando a entrada em sequência e tentará usar a última entrada como a próxima entrada se é possível. Com este método, também é possível prever a próxima entrada para criar uma frase. Cada frase receberá um token para marcar o final da sequência. No final da previsão, também haverá um token para marcar o final da saída. Assim, do codificador, ele passará um estado para o decodificador para prever a saída.

Modelo Seq2seq
Modelo Seq2Seq

O codificador codificará nossa frase de entrada palavra por palavra em sequência e no final haverá um token para marcar o final de uma frase. O codificador consiste em uma camada de incorporação e uma camada GRU. A camada Embedding é uma tabela de pesquisa que armazena a incorporação de nossa entrada em um dicionário de palavras de tamanho fixo. Será passado para uma camada GRU. A camada GRU é uma unidade recorrente fechada que consiste em vários tipos de camadas de RNN que calculará a entrada sequenciada. Esta camada calculará o estado oculto da anterior e atualizará a redefinição, atualização e novos portões.

Modelo Seq2seq

Seq2Seq

O decodificador decodificará a entrada da saída do codificador. Ele tentará prever a próxima saída e tentará usá-la como a próxima entrada, se for possível. O decodificador consiste em uma camada de incorporação, uma camada GRU e uma camada linear. A camada de incorporação criará uma tabela de pesquisa para a saída e a passará para uma camada GRU para calcular o estado de saída previsto. Depois disso, uma camada Linear ajudará a calcular a função de ativação para determinar o valor real da saída prevista.

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

Etapa 3) Treinar o modelo

O processo de treinamento nos modelos Seq2seq começa com a conversão de cada par de sentenças em tensores a partir de seu índice Lang. Nosso modelo sequência a sequência usará SGD como otimizador e a função NLLLoss para calcular as perdas. O processo de treinamento começa alimentando o par de frases ao modelo para prever a saída correta. A cada etapa, a saída do modelo será calculada com as palavras verdadeiras para encontrar as perdas e atualizar os parâmetros. Então, como você usará 75000 iterações, nosso modelo sequência a sequência gerará 75000 pares aleatórios de nosso conjunto de dados.

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

Etapa 4) Teste o modelo

O processo de avaliação do Seq2seq PyTorch consiste em verificar a saída do modelo. Cada par de modelos de sequência para sequência será alimentado no modelo e gerará as palavras previstas. Depois disso, você procurará o valor mais alto em cada saída para encontrar o índice correto. E no final, você comparará para ver a previsão do nosso modelo com a sentença verdadeira

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))

Agora, vamos começar nosso treinamento com Seq a Seq, com o número de iterações de 75000 e número de camada RNN de 1 com tamanho oculto de 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)

Como você pode ver, nossa frase prevista não corresponde muito bem, então, para obter maior precisão, você precisa treinar com muito mais dados e tentar adicionar mais iterações e número de camadas usando Sequence para sequenciar o aprendizado.

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>