Модель Seq2seq (Sequence to Sequence) с использованием Python.Torch
Редакционная коллегия
⚡ Умное резюме
Seq2Seq — это архитектура кодировщика-декодера, которая преобразует входную последовательность в выходную с помощью двух рекуррентных нейронных сетей, что позволяет использовать её в машинном переводе и других задачах обработки естественного языка, где длина входных и выходных данных различается.
Что такое НЛП?
Обработка естественного языка (NLP) — это одна из популярных областей искусственного интеллекта, которая помогает компьютерам понимать, обрабатывать или отвечать человеку на его естественном языке. NLP — это движущая сила всего этого. Google Translate это помогает нам понимать другие языки.
Что такое Seq2Seq?
Seq2Seq — это метод машинного перевода и языковой обработки на основе кодера-декодера, который сопоставляет входную последовательность с выходной последовательностью с тегом и значением внимания. Идея состоит в том, чтобы использовать две RNN, которые будут работать вместе со специальным токеном и попытаться предсказать следующую последовательность состояний на основе предыдущей последовательности.
Как предсказать последовательность из предыдущей последовательности
Ниже описаны шаги для предсказания последовательности на основе предыдущей последовательности с помощью Python.Torглава
Шаг 1) Загрузка наших данных
Для нашего набора данных вы будете использовать набор данных из Пары двуязычных предложений, разделенных табуляцией. Здесь я буду использовать набор данных с английского на индонезийский. Вы можете выбрать все, что захотите, но не забудьте изменить имя файла и каталог в коде.
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")
Шаг 2) Подготовка данных
Использовать набор данных напрямую нельзя. Необходимо разбить предложения на слова и преобразовать их в вектор One-Hot. Каждое слово будет уникально проиндексировано в классе Lang для создания словаря. Класс Lang будет хранить каждое предложение и разбивать его по словам с помощью функции addSentence. Затем создаст словарь, проиндексировав каждое неизвестное слово для моделей Sequence to sequence.
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
Класс Lang поможет нам создать словарь. Для каждого языка каждое предложение будет разбито на слова, которые затем будут добавлены в контейнер. Каждый контейнер будет хранить слова в соответствующем индексе, подсчитывать количество слов и добавлять индекс слова, чтобы мы могли использовать его для поиска индекса слова или поиска слова по его индексу.
Поскольку наши данные разделены символом TAB, вам необходимо использовать панд В качестве загрузчика данных Pandas будет считывать наши данные как DataFrame и разделять их на исходное и целевое предложения. Для каждого предложения вы нормализуете его до нижнего регистра, удаляете все несимвольные символы, преобразуете из Unicode в ASCII и разделяете предложения так, чтобы в каждом из них содержалось только слово.
#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
Ещё одна полезная функция, которую вы будете использовать, — это преобразование пар в тензоры. Это очень важно, потому что наша сеть считывает только данные тензорного типа. Это также важно, потому что именно здесь в конце каждого предложения будет стоять токен, сообщающий сети, что обработка входных данных завершена. Для каждого слова в предложении сеть будет получать индекс соответствующего слова из словаря и добавлять токен в конец предложения.
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)
Модель Seq2Seq
PyTorМодель ch Seq2seq — это тип модели, использующий Python.TorВ основе модели лежит кодировщик-декодер. Кодировщик кодирует предложение слово за словом в индекс словарного запаса или известных слов с индексом, а декодер предсказывает результат кодированного ввода, декодируя входные данные последовательно и пытаясь использовать последний входной сигнал в качестве следующего, если это возможно. Этот метод также позволяет предсказывать следующий входной сигнал для создания предложения. Каждому предложению присваивается токен, обозначающий конец последовательности. В конце предсказания также присутствует токен, обозначающий конец выходного сигнала. Таким образом, от кодировщика к декодеру передается состояние для предсказания результата.
Кодировщик будет кодировать наше входное предложение слово за словом в последовательности, и в конце будет токен, обозначающий конец предложения. Кодировщик состоит из слоя встраивания (Embedding layer) и слоя GRU (Gated Recurrent Unit). Слой встраивания представляет собой таблицу поиска, которая хранит встраивание нашего входного предложения в словарь слов фиксированного размера. Он будет передан в слой GRU. Слой GRU — это вентильный рекуррентный блок (Gated Recurrent Unit), состоящий из многослойной структуры. РНН который будет вычислять последовательный ввод. Этот слой рассчитает скрытое состояние на основе предыдущего и обновит сброс, обновление и новые ворота.
Декодер декодирует входные данные с выхода кодировщика. Он попытается предсказать следующий выходной сигнал и, если это возможно, использовать его в качестве следующего входного сигнала. Декодер состоит из слоя встраивания (Embedding layer), слоя GRU (Global Reduction Layer) и линейного слоя (Linear layer). Слой встраивания создаст таблицу соответствия для выходных данных и передаст её в слой GRU для вычисления предсказанного выходного состояния. После этого линейный слой поможет вычислить функцию активации для определения истинного значения предсказанного выходного сигнала.
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
Шаг 3) Обучение модели
Процесс обучения в моделях Seq2seq начинается с преобразования каждой пары предложений в тензоры на основе их языкового индекса. Наша модель «последовательность-последовательность» будет использовать SGD в качестве оптимизатора и функцию NLLLoss для вычисления потерь. Процесс обучения начинается с подачи пары предложений в модель для предсказания правильного результата. На каждом шаге выходные данные модели будут сравниваться с истинными словами для определения потерь и обновления параметров. Таким образом, поскольку будет использовано 75000 итераций, наша модель «последовательность-последовательность» сгенерирует 75000 случайных пар из нашего набора данных.
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
Шаг 4) Проверьте модель
Процесс оценки Seq2seq PyTorЗадача состоит в проверке выходных данных модели. Каждая пара моделей «последовательность-последовательность» будет подана в модель для генерации предсказанных слов. После этого вы посмотрите на наибольшее значение на каждом выходе, чтобы найти правильный индекс. И в конце вы сравните его с предсказанием нашей модели, чтобы увидеть, соответствует ли оно истинному предложению.
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))
Теперь начнём обучение с алгоритма Seq to Seq, с количеством итераций 75000, числом слоёв RNN, равным 1, и размером скрытого слоя 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)
Как видите, наше предсказанное предложение не очень хорошо согласуется, поэтому, чтобы получить более высокую точность, вам нужно тренироваться с гораздо большим количеством данных и попытаться добавить больше итераций и количества слоев, используя последовательность для обучения последовательности.
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
