Модель Seq2seq (від послідовності до послідовності) з PyTorch
Евелін Кларк
⚡ Розумний підсумок
Seq2Seq — це архітектура кодера-декодера, яка відображає вхідну послідовність у вихідну послідовність за допомогою двох рекурентних нейронних мереж, що забезпечує машинний переклад та інші завдання обробки природної мови, де довжина вхідних та вихідних даних відрізняється.
Що таке НЛП?
НЛП або обробка природної мови – це одна з популярних галузей штучного інтелекту, яка допомагає комп’ютерам розуміти, маніпулювати або реагувати на людину їхньою природною мовою. НЛП – це двигун, що стоїть за... Google Translate що допомагає нам розуміти інші мови.
Що таке Seq2Seq?
Seq2Seq це метод машинного перекладу та обробки мови на основі кодера-декодера, який відображає вхід послідовності на вихід послідовності з тегом і значенням уваги. Ідея полягає в тому, щоб використовувати 2 RNN, які працюватимуть разом зі спеціальним маркером і намагатимуться передбачити наступну послідовність станів на основі попередньої послідовності.
Як передбачити послідовність з попередньої послідовності
Нижче наведено кроки для прогнозування послідовності з попередньої послідовності за допомогою PyTorглава
Крок 1) Завантаження наших даних
Для нашого набору даних ви використовуватимете набір даних із Двомовні пари речень, розділені табуляцією. Тут я буду використовувати набір даних з англійської на індонезійську. Ви можете вибрати будь-що, але не забудьте змінити назву файлу та каталог у коді.
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")
Крок 2) Підготовка даних
Ви не можете використовувати набір даних безпосередньо. Вам потрібно розділити речення на слова та перетворити їх у вектор One-Hot. Кожне слово буде унікально проіндексовано в класі Lang для створення словника. Клас Lang зберігатиме кожне речення та розділятиме його слово за словом за допомогою addSentence. Потім створить словник, індексуючи кожне невідоме 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
Клас Lang – це клас, який допоможе нам створити словник. Для кожної мови кожне речення буде розділено на слова, а потім додано до контейнера. Кожен контейнер зберігатиме слова у відповідному індексі, підраховуватиме слова та додаватиме індекс слова, щоб ми могли використовувати його для пошуку індексу слова або для пошуку слова за його індексом.
Оскільки наші дані розділені символом TAB, вам потрібно використовувати панди як наш завантажувач даних. Pandas зчитуватиме наші дані як dataFrame та розділить їх на вихідне та цільове речення. Для кожного речення, яке у вас є, ви нормалізуєте його до нижнього регістру, видалите всі несимволи, конвертуєте в ASCII з Unicode та розділяєте речення так, щоб у них було кожне 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
Ще одна корисна функція, яку ви використовуватимете, — це перетворення пар у тензори. Це дуже важливо, оскільки наша мережа зчитує лише дані тензорного типу. Це також важливо, тому що це та частина, де в кінці кожного речення буде токен, який повідомлятиме мережі про завершення введення. Для кожного слова в реченні вона отримає індекс із відповідного слова у словнику та додасть токен у кінець речення.
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 Seq2seq — це тип моделі, що використовує PyTorch кодер-декодер поверх моделі. Кодер кодуватиме речення слово за словом в індекс словника або відомих слів з індексом, а декодер прогнозуватиме вихід закодованого входу, декодуючи вхід послідовно та намагаючись використовувати останній вхід як наступний вхід, якщо це можливо. За допомогою цього методу також можливо передбачити наступний вхід для створення речення. Кожному реченню буде призначено токен для позначення кінця послідовності. В кінці прогнозування також буде токен для позначення кінця виходу. Отже, кодер передасть стан декодеру для прогнозування виходу.
Енкодер кодуватиме наше вхідне речення слово за словом послідовно, а в кінці буде токен, який позначатиме кінець речення. Енкодер складається з шару вбудовування та шару GRU. Шар вбудовування — це таблиця пошуку, яка зберігає вбудовування наших вхідних даних у словнику слів фіксованого розміру. Він буде переданий на шар GRU. Шар GRU — це ґратований рекурентний блок, що складається з багатошарового типу RNN який обчислить послідовний вхід. Цей шар обчислить прихований стан із попереднього та оновить скидання, оновлення та нові ворота.
Декодер декодує вхідний сигнал з виходу кодера. Він спробує передбачити наступний вихідний сигнал і, якщо це можливо, використати його як наступний вхідний сигнал. Декодер складається з шару вбудовування, шару GRU та лінійного шару. Шар вбудовування створить таблицю пошуку для виходу та передасть її на шар GRU для обчислення передбачуваного вихідного стану. Після цього лінійний шар допоможе обчислити функцію активації для визначення істинного значення передбачуваного виходу.
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
Крок 3) Навчання моделі
Процес навчання в моделях Seq2seq починається з перетворення кожної пари речень у тензори з їхнього індексу Ленга. Наша модель послідовності до послідовності використовуватиме SGD як оптимізатор та функцію NLLLoss для обчислення втрат. Процес навчання починається з передачі пари речень моделі для прогнозування правильного результату. На кожному кроці результат моделі буде обчислюватися з правильними словами для знаходження втрат та оновлення параметрів. Отже, оскільки ви використовуватимете 75000 ітерацій, наша модель послідовності до послідовності згенерує 75000 випадкових пар з нашого набору даних.
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
Крок 4) Перевірте модель
Процес оцінювання Seq2seq PyTorЦикл ch полягає в перевірці виводу моделі. Кожна пара моделей «Послідовність-послідовність» буде введена в модель та згенерує передбачувані слова. Після цього ви переглянете найвище значення на кожному виході, щоб знайти правильний індекс. І зрештою, ви порівняєте його, щоб побачити наше передбачення моделі з істинним реченням.
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))
Тепер почнемо наше навчання з Seq to Seq, з кількістю ітерацій 75000 та кількістю шарів RNN 1 з прихованим розміром 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)
Як бачите, наше прогнозоване речення не дуже добре узгоджується, тому, щоб отримати вищу точність, вам потрібно потренуватися з набагато більшою кількістю даних і спробувати додати більше ітерацій і кількість шарів за допомогою навчання послідовності.
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
