Python ile Seq2seq (Diziden Diziye) ModeliTorch
Evelyn Clarke
โก Akฤฑllฤฑ รzet
Seq2Seq, girdi dizisini iki tekrarlayan sinir aฤฤฑ kullanarak รงฤฑktฤฑ dizisine eลleyen bir kodlayฤฑcฤฑ-kod รงรถzรผcรผ mimarisidir ve girdi ve รงฤฑktฤฑ uzunluklarฤฑnฤฑn farklฤฑ olduฤu makine รงevirisi ve diฤer doฤal dil iลleme gรถrevlerine gรผรง saฤlar.
NLP nedir?
Doฤal Dil ฤฐลleme (NLP), yapay zekanฤฑn popรผler dallarฤฑndan biridir ve bilgisayarlarฤฑn insanlarฤฑn doฤal dillerini anlamalarฤฑna, onlarla etkileลim kurmalarฤฑna veya onlara yanฤฑt vermelerine yardฤฑmcฤฑ olur. NLP, bu teknolojinin arkasฤฑndaki itici gรผรงtรผr. Google Translate diฤer dilleri anlamamฤฑza yardฤฑmcฤฑ olur.
Seq2Seq nedir?
Sฤฑra2Seq bir dizi giriลini bir etiket ve dikkat deฤeriyle bir dizi รงฤฑkฤฑลฤฑyla eลleลtiren, kodlayฤฑcฤฑ-kod รงรถzรผcรผ tabanlฤฑ bir makine รงevirisi ve dil iลleme yรถntemidir. Buradaki fikir, รถzel bir belirteรงle birlikte รงalฤฑลacak 2 RNN kullanmak ve รถnceki diziden sonraki durum dizisini tahmin etmeye รงalฤฑลmaktฤฑr.
รnceki diziden dizi nasฤฑl tahmin edilir
Py kullanarak รถnceki diziden yeni bir dizi tahmin etme adฤฑmlarฤฑ ลunlardฤฑr:Torch.
Adฤฑm 1) Verilerimizi Yรผkleme
Veri kรผmemiz iรงin ลuradan bir veri kรผmesi kullanacaksฤฑnฤฑz: Sekmeyle ayrฤฑlmฤฑล ฤฐki Dilli Cรผmle รiftleri. Burada ฤฐngilizce'den Endonezce'ye veri kรผmesini kullanacaฤฤฑm. ฤฐstediฤiniz herhangi bir ลeyi seรงebilirsiniz ancak koddaki dosya adฤฑnฤฑ ve dizini deฤiลtirmeyi unutmayฤฑn.
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")
Adฤฑm 2) Veri Hazฤฑrlama
Veri setini doฤrudan kullanamazsฤฑnฤฑz. Cรผmleleri kelimelere ayฤฑrmanฤฑz ve One-Hot Vektรถrรผne dรถnรผลtรผrmeniz gerekir. Her kelime, bir sรถzlรผk oluลturmak iรงin Lang sฤฑnฤฑfฤฑnda benzersiz bir ลekilde indekslenecektir. Lang sฤฑnฤฑfฤฑ her cรผmleyi saklayacak ve addSentence ile kelime kelime ayฤฑracaktฤฑr. Ardฤฑndan, Sฤฑra-Sฤฑra modelleri iรงin bilinmeyen her kelimeyi indeksleyerek bir sรถzlรผk oluลturacaktฤฑr.
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
Lang sฤฑnฤฑfฤฑ, sรถzlรผk oluลturmamฤฑza yardฤฑmcฤฑ olacak bir sฤฑnฤฑftฤฑr. Her dil iรงin, her cรผmle kelimelere ayrฤฑlacak ve ardฤฑndan konteynere eklenecektir. Her konteyner, kelimeleri uygun dizinde saklayacak, kelimeyi sayacak ve kelimenin dizinini ekleyecektir; bรถylece bir kelimenin dizinini bulmak veya dizininden bir kelime bulmak iรงin kullanabiliriz.
Verilerimiz TAB ile ayrฤฑldฤฑฤฤฑ iรงin kullanmanฤฑz gerekir pandalar Veri yรผkleyicimiz olarak Pandas'ฤฑ kullanacaฤฤฑz. Pandas, verilerimizi bir DataFrame olarak okuyacak ve kaynak ve hedef cรผmlelere ayฤฑracaktฤฑr. Her cรผmle iรงin, onu kรผรงรผk harfe dรถnรผลtรผrecek, tรผm anlamsฤฑz karakterleri kaldฤฑracak, Unicode'dan ASCII'ye รงevirecek ve cรผmleleri her kelimeyi iรงerecek ลekilde bรถleceksiniz.
#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
Kullanacaฤฤฑnฤฑz bir diฤer faydalฤฑ iลlev ise รงiftleri Tensor'lara dรถnรผลtรผrmektir. Bu รงok รถnemlidir รงรผnkรผ aฤฤฑmฤฑz yalnฤฑzca Tensor tipi verileri okur. Ayrฤฑca, cรผmlenin her sonunda, aฤa giriลin bittiฤini bildiren bir belirteรง bulunacaฤฤฑ iรงin de รถnemlidir. Cรผmledeki her kelime iรงin, sรถzlรผkteki ilgili kelimenin indeksini alacak ve cรผmlenin sonuna bir belirteรง ekleyecektir.
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 Modeli
PyTorch Seq2seq modeli, Python kullanan bir model tรผrรผdรผr.TorModelin รผzerinde bir kodlayฤฑcฤฑ ve kod รงรถzรผcรผ bulunur. Kodlayฤฑcฤฑ, cรผmleyi kelime kelime bir kelime daฤarcฤฑฤฤฑ indeksine veya indeksli bilinen kelimelere kodlar ve kod รงรถzรผcรผ, girdiyi sฤฑrayla รงรถzerek kodlanmฤฑล girdinin รงฤฑktฤฑsฤฑnฤฑ tahmin eder ve mรผmkรผnse son girdiyi bir sonraki girdi olarak kullanmaya รงalฤฑลฤฑr. Bu yรถntemle, bir cรผmle oluลturmak iรงin bir sonraki girdiyi tahmin etmek de mรผmkรผndรผr. Her cรผmleye, dizinin sonunu iลaretlemek iรงin bir belirteรง atanฤฑr. Tahminin sonunda, รงฤฑktฤฑnฤฑn sonunu iลaretlemek iรงin de bir belirteรง bulunur. Dolayฤฑsฤฑyla, kodlayฤฑcฤฑdan kod รงรถzรผcรผye รงฤฑktฤฑyฤฑ tahmin etmek iรงin bir durum aktarฤฑlฤฑr.
Kodlayฤฑcฤฑ, giriล cรผmlesini kelime kelime sฤฑrayla kodlayacak ve sonunda cรผmlenin sonunu iลaretleyecek bir belirteรง oluลturacaktฤฑr. Kodlayฤฑcฤฑ, bir Gรถmme katmanฤฑ ve bir GRU katmanฤฑndan oluลur. Gรถmme katmanฤฑ, giriลimizin sabit boyutlu bir kelime sรถzlรผฤรผne gรถmรผlmesini depolayan bir arama tablosudur. Bu, bir GRU katmanฤฑna iletilecektir. GRU katmanฤฑ, รงok katmanlฤฑ bir yapฤฑdan oluลan bir Kapฤฑlฤฑ Tekrarlayan Birimdir. RNN bu sฤฑralฤฑ giriลi hesaplayacaktฤฑr. Bu katman bir รถncekinden gizli durumu hesaplayacak ve sฤฑfฤฑrlamayฤฑ, gรผncellemeyi ve yeni kapฤฑlarฤฑ gรผncelleyecektir.
Kod รงรถzรผcรผ, kodlayฤฑcฤฑnฤฑn รงฤฑkฤฑลฤฑndan gelen giriลi รงรถzer. Bir sonraki รงฤฑkฤฑลฤฑ tahmin etmeye ve mรผmkรผnse onu bir sonraki giriล olarak kullanmaya รงalฤฑลฤฑr. Kod รงรถzรผcรผ, bir Gรถmme katmanฤฑ, bir GRU katmanฤฑ ve bir Doฤrusal katmandan oluลur. Gรถmme katmanฤฑ, รงฤฑkฤฑล iรงin bir arama tablosu oluลturur ve tahmin edilen รงฤฑkฤฑล durumunu hesaplamak iรงin bunu bir GRU katmanฤฑna iletir. Bundan sonra, Doฤrusal katman, tahmin edilen รงฤฑkฤฑลฤฑn gerรงek deฤerini belirlemek iรงin aktivasyon fonksiyonunu hesaplamaya yardฤฑmcฤฑ olur.
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
Adฤฑm 3) Modeli Eฤitmek
Seq2seq modellerindeki eฤitim sรผreci, her bir cรผmle รงiftini dil indekslerinden Tensor'lara dรถnรผลtรผrmekle baลlar. Sฤฑralฤฑdan sฤฑralฤฑya modelimiz, optimizasyon algoritmasฤฑ olarak SGD'yi ve kayฤฑplarฤฑ hesaplamak iรงin NLLLoss fonksiyonunu kullanacaktฤฑr. Eฤitim sรผreci, doฤru รงฤฑktฤฑyฤฑ tahmin etmek iรงin modele bir cรผmle รงifti beslemekle baลlar. Her adฤฑmda, modelden gelen รงฤฑktฤฑ, kayฤฑplarฤฑ bulmak ve parametreleri gรผncellemek iรงin gerรงek kelimelerle hesaplanacaktฤฑr. Dolayฤฑsฤฑyla, 75000 iterasyon kullanacaฤฤฑnฤฑz iรงin, sฤฑralฤฑdan sฤฑralฤฑya modelimiz veri setimizden 75000 rastgele รงift รผretecektir.
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
Adฤฑm 4) Modeli Test Edin
Seq2seq Py'nin deฤerlendirme sรผreciTorBurada amaรง, model รงฤฑktฤฑsฤฑnฤฑ kontrol etmektir. Her bir sฤฑralฤฑ-sฤฑralฤฑ model รงifti modele beslenecek ve tahmin edilen kelimeler รผretilecektir. Bundan sonra, doฤru indeksi bulmak iรงin her รงฤฑktฤฑda en yรผksek deฤere bakacaksฤฑnฤฑz. Ve sonunda, model tahminimizin gerรงek cรผmleyle nasฤฑl eลleลtiฤini gรถrmek iรงin bunu karลฤฑlaลtฤฑracaksฤฑnฤฑz.
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))
ลimdi, 75000 yineleme sayฤฑsฤฑ, 1 RNN katmanฤฑ ve 512 gizli katman boyutu ile Seq to Seq kullanarak eฤitime baลlayalฤฑm.
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)
Gรถrdรผฤรผnรผz gibi, tahmin ettiฤimiz cรผmle pek iyi eลleลmedi, bu nedenle daha yรผksek doฤruluk elde etmek iรงin, รงok daha fazla veriyle eฤitim almanฤฑz ve Sฤฑradan diziye รถฤrenmeyi kullanarak daha fazla yineleme ve katman sayฤฑsฤฑ eklemeye รงalฤฑลmanฤฑz gerekir.
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
