Seq2seq (Sequence to Sequence) Modell med PyTorch

Vad är NLP?

NLP eller Natural Language Processing är en av de populära grenarna av artificiell intelligens som hjälper datorer att förstå, manipulera eller svara på en människa på deras naturliga språk. NLP är motorn bakom Google Translate som hjälper oss att förstå andra språk.

Vad är Seq2Seq?

Seq2Seq är en metod för kodar-avkodarbaserad maskinöversättning och språkbearbetning som mappar en inmatning av sekvens till en utdata av sekvens med en tagg och uppmärksamhetsvärde. Tanken är att använda 2 RNN som kommer att fungera tillsammans med en speciell token och försöka förutsäga nästa tillståndssekvens från föregående sekvens.

Hur man förutsäger sekvens från föregående sekvens

Följande är steg för att förutsäga sekvens från föregående sekvens med PyTorch.

Steg 1) Laddar vår data

För vår datauppsättning kommer du att använda en datauppsättning från Tabbavgränsade tvåspråkiga meningspar. Här kommer jag att använda den engelska till indonesiska datasetet. Du kan välja vad du vill men kom ihåg att ändra filnamnet och katalogen i koden.

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")

Steg 2) Dataförberedelse

Du kan inte använda datamängden direkt. Du måste dela upp meningarna i ord och konvertera dem till One-Hot Vector. Varje ord kommer att indexeras unikt i klassen Lang för att skapa en ordbok. Langklassen lagrar varje mening och delar upp den ord för ord med addSentence. Skapa sedan en ordlista genom att indexera varje okänt ord för Sequence till sekvensmodeller.

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

Langklassen är en klass som hjälper oss att göra en ordbok. För varje språk kommer varje mening att delas upp i ord och sedan läggas till i behållaren. Varje behållare kommer att lagra orden i lämpligt index, räkna ordet och lägga till indexet för ordet så att vi kan använda det för att hitta indexet för ett ord eller hitta ett ord från dess index.

Eftersom vår data är separerad av TAB måste du använda pandor som vår dataladdare. Pandas kommer att läsa vår data som dataFrame och dela upp den i vår käll- och målsats. För varje mening du har,

• du kommer att normalisera det till små bokstäver,
• ta bort alla icke-tecken
• konvertera till ASCII från Unicode
• dela meningarna så att du har varje ord i sig.

#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

En annan användbar funktion som du kommer att använda är att konvertera paren till Tensor. Detta är mycket viktigt eftersom vårt nätverk bara läser tensortypdata. Det är också viktigt eftersom det här är den del som i varje ände av meningen kommer att finnas en token som talar om för nätverket att inmatningen är klar. För varje ord i meningen kommer den att hämta indexet från det lämpliga ordet i ordboken och lägga till en token i slutet av meningen.

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)

Seq2Seq-modell

PyTorch Seq2seq-modellen är en typ av modell som använder PyTorch-kodavkodare ovanpå modellen. Kodaren kommer att koda meningen ord för ord till en indexerad vokabulär eller kända ord med index, och avkodaren kommer att förutsäga utdata från den kodade ingången genom att avkoda ingången i sekvens och kommer att försöka använda den sista ingången som nästa ingång om det är möjligt. Med denna metod är det också möjligt att förutsäga nästa inmatning för att skapa en mening. Varje mening kommer att tilldelas en token för att markera slutet på sekvensen. I slutet av förutsägelsen kommer det också att finnas en token för att markera slutet på utdata. Så från kodaren kommer den att skicka ett tillstånd till avkodaren för att förutsäga utsignalen.

Kodaren kodar vår inmatade mening ord för ord i följd och i slutet kommer det att finnas en token för att markera slutet på en mening. Kodaren består av ett inbäddningslager och ett GRU-lager. Inbäddningsskiktet är en uppslagstabell som lagrar inbäddningen av vår inmatning i en ordbok med fast storlek. Det kommer att skickas till ett GRU-lager. GRU-lager är en Gated Recurrent Unit som består av flera lagertyper av RNN som kommer att beräkna den sekvenserade ingången. Detta lager kommer att beräkna det dolda tillståndet från det föregående och uppdatera återställningen, uppdateringen och nya grindar.

Avkodaren kommer att avkoda insignalen från kodarutgången. Den kommer att försöka förutsäga nästa utgång och försöka använda den som nästa ingång om det är möjligt. Avkodaren består av ett inbäddningslager, GRU-lager och ett linjärt lager. Det inbäddade lagret kommer att göra en uppslagstabell för utdata och skicka det till ett GRU-lager för att beräkna det förutsagda utdatatillståndet. Efter det kommer ett linjärt lager att hjälpa till att beräkna aktiveringsfunktionen för att bestämma det sanna värdet av den förutsagda utsignalen.

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

Steg 3) Utbilda modellen

Träningsprocessen i Seq2seq-modeller börjar med att konvertera varje meningspar till Tensorer från deras Lang-index. Vår sekvens till sekvensmodell kommer att använda SGD som optimerare och NLLLoss-funktion för att beräkna förlusterna. Träningsprocessen börjar med att mata paret av en mening till modellen för att förutsäga rätt utdata. Vid varje steg kommer utdata från modellen att beräknas med de sanna orden för att hitta förlusterna och uppdatera parametrarna. Så eftersom du kommer att använda 75000 75000 iterationer, kommer vår sekvens-till-sekvensmodell att generera slumpmässiga XNUMX XNUMX par från vår datauppsättning.

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

Steg 4) Testa modellen

Utvärderingsprocessen för Seq2seq PyTorch är att kontrollera modellens utdata. Varje par av sekvens till sekvens-modeller matas in i modellen och genererar de förutsagda orden. Efter det kommer du att titta på det högsta värdet vid varje utgång för att hitta rätt index. Och i slutändan kommer du att jämföra för att se vår modellförutsägelse med den sanna meningen

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))

Låt oss nu börja vår träning med Seq to Seq, med antalet iterationer på 75000 1 och antalet RNN-lager på 512 med den dolda storleken XNUMX.

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)

Som du kan se matchas vår förutspådda mening inte så bra, så för att få högre noggrannhet måste du träna med mycket mer data och försöka lägga till fler iterationer och antal lager med hjälp av Sequence för att sekvensinlära.

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>