Какво е НЛП?
NLP или обработката на естествен език е един от популярните клонове на изкуствения интелект, който помага на компютрите да разберат, манипулират или реагират на човек на техния естествен език. NLP е двигателят на Google Translate, който ни помага да разбираме други езици.
Какво е Seq2Seq?
Seq2Seq е метод за машинен превод и обработка на език, базиран на кодер-декодер, който преобразува въвеждане на последователност в изход на последователност със стойност на маркера и внимание. Идеята е да се използват 2 RNN, които ще работят заедно със специален маркер и се опитват да предвидят следващата последователност на състоянието от предишната последователност.
Стъпка 1) Зареждане на нашите данни
За нашия набор от данни ще използвате набор от двуезични двойки изречения, разделени с табулатори. Тук ще използвам набора данни от английски към индонезийски. Можете да изберете каквото искате, но не забравяйте да промените името на файла и директорията в кода.
from __future__ import unicode_literals, print_function, divisionimport torchimport torch.nn as nnimport torch.optim as optimimport torch.nn.functional as Fimport numpy as npimport pandas as pdimport osimport reimport randomdevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")
Стъпка 2) Подготовка на данните
Не можете директно да използвате набора от данни. Трябва да разделите изреченията на думи и да ги конвертирате в One-Hot Vector. Всяка дума ще бъде уникално индексирана в класа Lang, за да се направи речник. Класът Lang ще съхранява всяко изречение и ще го разделя дума по дума с addSentence. След това създайте речник, като индексирате всяка неизвестна дума за Sequence към модели на последователност.
SOS_token = 0EOS_token = 1MAX_LENGTH = 20#initialize Lang Classclass Lang:def __init__(self):#initialize containers to hold the words and corresponding indexself.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 containerdef 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 counterdef addWord(self, word):if word not in self.word2index:self.word2index[word] = self.n_wordsself.word2count[word] = 1self.index2word[self.n_words] = wordself.n_words += 1else:self.word2count[word] += 1
Lang Class е клас, който ще ни помогне да направим речник. За всеки език всяко изречение ще бъде разделено на думи и след това добавено към контейнера. Всеки контейнер ще съхранява думите в съответния индекс, преброява думата и добавя индекса на думата, за да можем да го използваме, за да намерим индекса на дума или да намерим дума от нейния индекс.
Тъй като данните ни са разделени от TAB, трябва да използвате панди като наш инструмент за зареждане на данни. Pandas ще прочете данните ни като dataFrame и ще ги раздели на нашето изходно и целево изречение. За всяко изречение, което имате,
- ще го нормализирате с малки букви,
- премахнете всички несимволни
- конвертирате в ASCII от Unicode
- разделете изреченията, така че да имате всяка дума в него.
#Normalize every sentencedef 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 sentencedef read_sentence(df, lang1, lang2):sentence1 = normalize_sentence(df, lang1)sentence2 = normalize_sentence(df, lang2)return sentence1, sentence2def read_file(loc, lang1, lang2):df = pd.read_csv(loc, delimiter='\t', header=None, names=[lang1, lang2])return dfdef 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
Друга полезна функция, която ще използвате, е преобразуването на двойки в Tensor. Това е много важно, защото нашата мрежа чете само данни от тип тензор. Важно е също така, защото това е частта, че във всеки край на изречението ще има знак, който да съобщава на мрежата, че въвеждането е завършено. За всяка дума в изречението тя ще получи индекса от съответната дума в речника и ще добави знак в края на изречението.
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)
Модел Seq2Seq
Източник: Seq2Seq
Моделът PyTorch Seq2seq е вид модел, който използва декодер за кодиране PyTorch в горната част на модела. Кодерът ще кодира изречението по думи в индексиран речник или известни думи с индекс, а декодерът ще предскаже изхода на кодирания вход, като декодира входа последователно и ще се опита да използва последния вход като следващ вход, ако възможно е. С този метод е възможно също да се предскаже следващия вход, за да се създаде изречение. На всяко изречение ще бъде присвоен знак, който да маркира края на последователността. В края на прогнозата ще има и знак, който да маркира края на изхода. Така че, от кодера, той ще предаде състояние на декодера, за да предскаже изхода.
Източник: Seq2Seq Model
Кодерът ще кодира нашето въведено изречение дума по дума последователно и в края ще има знак, който да маркира края на изречението. Кодерът се състои от слой за вграждане и слоеве GRU. Слоят за вграждане е справочна таблица, която съхранява вграждането на нашия вход в речник с думи с фиксиран размер. Той ще бъде предаден на GRU слой. GRU слоят е Gated Recurrent Unit, който се състои от многослоен тип RNN, който ще изчисли секвенирания вход. Този слой ще изчисли скритото състояние от предишния и ще актуализира нулирането, актуализирането и новите порти.
Източник: Seq2Seq
Декодерът ще декодира входа от изхода на енкодера. Той ще се опита да предскаже следващия изход и да се опита да го използва като следващ вход, ако е възможно. Декодерът се състои от слой за вграждане, слой GRU и линеен слой. Слоят за вграждане ще направи справочна таблица за изхода и ще бъде предаден в GRU слой за изчисляване на прогнозираното състояние на изхода. След това линеен слой ще помогне да се изчисли функцията за активиране, за да се определи истинската стойност на прогнозирания изход.
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 layersself.input_dim = input_dimself.embbed_dim = embbed_dimself.hidden_dim = hidden_dimself.num_layers = num_layers#initialize the embedding layer with input and embbed dimentionself.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 layersself.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, hiddenclass 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 layersself.embbed_dim = embbed_dimself.hidden_dim = hidden_dimself.output_dim = output_dimself.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, hiddenclass Seq2Seq(nn.Module):def __init__(self, encoder, decoder, device, MAX_LENGTH=MAX_LENGTH):super().__init__()#initialize the encoder and decoderself.encoder = encoderself.decoder = decoderself.device = devicedef 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 outputsoutputs = torch.zeros(target_length, batch_size, vocab_size).to(self.device)#encode every word in a sentencefor i in range(input_length):encoder_output, encoder_hidden = self.encoder(source[i])#use the encoder’s hidden layer as the decoder hiddendecoder_hidden = encoder_hidden.to(device)#add a token before the first predicted worddecoder_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_outputteacher_force = random.random() < teacher_forcing_ratiotopv, topi = decoder_output.topk(1)input = (target[t] if teacher_force else topi)if(teacher_force == False and input.item() == EOS_token):breakreturn outputs
Стъпка 3) Обучение на модела
Процесът на обучение в моделите Seq2seq започва с преобразуване на всяка двойка изречения в тензори от техния индекс Lang. Нашият модел за последователност към последователност ще използва SGD като оптимизатор и функция NLLLoss за изчисляване на загубите. Процесът на обучение започва с подаване на двойката изречение към модела, за да се предскаже правилния изход. На всяка стъпка изходът от модела ще се изчислява с истинските думи, за да се намерят загубите и да се актуализират параметрите. Тъй като ще използвате 75000 повторения, нашият модел за последователност към последователност ще генерира произволни 75000 двойки от нашия набор от данни.
teacher_forcing_ratio = 0.5def clacModel(model, input_tensor, target_tensor, model_optimizer, criterion):model_optimizer.zero_grad()input_length = input_tensor.size(0)loss = 0epoch_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 resultfor ot in range(num_iter):loss += criterion(output[ot], target_tensor[ot])loss.backward()model_optimizer.step()epoch_loss = loss.item() / num_iterreturn epoch_lossdef trainModel(model, source, target, pairs, num_iteration=20000):model.train()optimizer = optim.SGD(model.parameters(), lr=0.01)criterion = nn.NLLLoss()total_loss_iterations = 0training_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 += lossif iter % 5000 == 0:avarage_loss= total_loss_iterations / 5000total_loss_iterations = 0print('%d %.4f' % (iter, avarage_loss))torch.save(model.state_dict(), 'mytraining.pt')return model
Стъпка 4) Тествайте модела
Процесът на оценка на Seq2seq PyTorch е да провери изхода на модела. Всяка двойка модели на последователност към последователност ще бъде подадена в модела и ще генерира предсказаните думи. След това ще търсите най-високата стойност на всеки изход, за да намерите правилния индекс. И в крайна сметка ще сравните, за да видите предсказанието на нашия модел с истинското изречение
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('')breakelse:decoded_words.append(output_lang.index2word[topi[0].item()])return decoded_wordsdef 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))
Сега, нека започнем нашето обучение с Seq to Seq, с броя итерации 75000 и броя на RNN слоя 1 със скрития размер 512.
lang1 = 'eng'lang2 = 'ind'source, target, pairs = process_data(lang1, lang2)randomize = random.choice(pairs)print('random sentence {}'.format(randomize))#print number of wordsinput_size = source.n_wordsoutput_size = target.n_wordsprint('Input : {} Output : {}'.format(input_size, output_size))embed_size = 256hidden_size = 512num_layers = 1num_iteration = 100000#create encoder-decoder modelencoder = 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 modelprint(encoder)print(decoder)model = trainModel(model, source, target, pairs, num_iteration)evaluateRandomly(model, source, target, pairs)
Както можете да видите, нашето предсказано изречение не съвпада много добре, така че за да получите по-голяма точност, трябва да тренирате с много повече данни и да се опитате да добавите повече итерации и брой слоеве, като използвате Sequence за обучение на последователност.
random sentence ['tom is finishing his work', 'tom sedang menyelesaikan pekerjaannya']Input : 3551 Output : 4253Encoder((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 4.090610000 3.912915000 3.817120000 3.836925000 3.819930000 3.795735000 3.803740000 3.809845000 3.753050000 3.711955000 3.726360000 3.693365000 3.684070000 3.705875000 3.7044> this is worth one million yen= ini senilai satu juta yen< tom sangat satu juta yen> she got good grades in english= dia mendapatkan nilai bagus dalam bahasa inggris< tom meminta nilai bagus dalam bahasa inggris > put in a little more sugar= tambahkan sedikit gula< tom tidak > are you a japanese student= apakah kamu siswa dari jepang< tom kamu memiliki yang jepang > 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 > speaking about trips have you ever been to kobe= berbicara tentang wisata apa kau pernah ke kobe< tom tidak > tom bought me roses= tom membelikanku bunga mawar< tom tidak bunga mawar > no one was more surprised than tom= tidak ada seorangpun yang lebih terkejut dari tom< tom ada orang yang lebih terkejut > i thought it was true= aku kira itu benar adanya< tom tidak