Čo je to NLP?
NLP alebo spracovanie prirodzeného jazyka je jedným z populárnych odvetví umelej inteligencie, ktoré pomáha počítačom porozumieť človeku v prirodzenom jazyku, manipulovať s ním alebo reagovať na neho. NLP je motorom služby Google Translate, ktorý nám pomáha porozumieť iným jazykom.
Čo je Seq2Seq?
Seq2Seq je metóda strojového prekladu a spracovania jazyka založená na kódovacom dekodéri, ktorá mapuje vstup sekvencie na výstup sekvencie so značkou a hodnotou pozornosti. Ide o použitie 2 RNN, ktoré budú spolupracovať so špeciálnym tokenom a pokúsia sa predpovedať nasledujúcu stavovú postupnosť z predchádzajúcej postupnosti.
Krok 1) Načítanie našich údajov
Pre náš dataset budete používať dataset z dvojjazyčných párov viet oddelených tabulátormi. Tu použijem anglický až indonézsky súbor údajov. Môžete si vybrať čokoľvek, čo sa vám páči, ale nezabudnite zmeniť názov súboru a adresár v kóde.
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")
Krok 2) Príprava údajov
Sadu údajov nemôžete použiť priamo. Musíte rozdeliť vety na slová a previesť ich do One-Hot Vector. Každé slovo bude v triede Lang jedinečne indexované, aby sa vytvoril slovník. Trieda Lang uloží každú vetu a rozdelí ju slovo po slove pomocou addSentence. Potom vytvorte slovník indexovaním každého neznámeho slova pre modely sekvencie.
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 je trieda, ktorá nám pomôže vytvoriť slovník. Pre každý jazyk bude každá veta rozdelená na slová a potom pridaná do kontajnera. Každý kontajner uloží slová do príslušného indexu, spočíta slovo a pridá index slova, aby sme ho mohli použiť na vyhľadanie indexu slova alebo nájdenie slova z jeho indexu.
Pretože naše údaje sú oddelené tabulátorom TAB, musíte na načítanie údajov použiť pandy. Pandy prečíta naše údaje ako dátový rámec a rozdelí ich na našu zdrojovú a cieľovú vetu. Za každú vetu, ktorú máš,
- normalizujete to na malé písmená,
- odstrániť všetky znaky, ktoré nie sú znakmi
- previesť na ASCII z Unicode
- rozdeľte vety, aby ste v nich mali každé slovo.
#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
Ďalšou užitočnou funkciou, ktorú budete používať, je prevádzanie párov na Tensor. To je veľmi dôležité, pretože naša sieť číta iba údaje typu tenzora. Je to tiež dôležité, pretože to je tá časť, ktorá na každom konci vety bude mať žetón, ktorý sieti oznámi, že vstup je dokončený. Pre každé slovo vo vete získa index z príslušného slova v slovníku a na koniec vety pridá token.
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)
Model Seq2Seq
Zdroj: Seq2Seq
Model PyTorch Seq2seq je druh modelu, ktorý na vrchu modelu používa dekodér kodéra PyTorch. Kodér kóduje vetné slovo po slovách do indexovanej slovnej zásoby alebo známych slov s indexom a dekodér predpovedá výstup kódovaného vstupu postupným dekódovaním vstupu a pokúsi sa použiť posledný vstup ako ďalší vstup, ak je to možné. Pomocou tejto metódy je tiež možné predpovedať ďalší vstup na vytvorenie vety. Každej vete sa priradí žetón na označenie konca sekvencie. Na konci predikcie bude tiež token na označenie konca výstupu. Takže z kódovacieho zariadenia prejde stav do dekodéra, aby predpovedal výstup.
Zdroj: Model Seq2Seq
Kodér bude našu vstupnú vetu kódovať slovo po slove postupne a na konci bude token na označenie konca vety. Kodér sa skladá z vloženej vrstvy a vrstiev GRU. Vrstva Vkladanie je vyhľadávacia tabuľka, ktorá ukladá vloženie nášho vstupu do slovníka slov s pevnou veľkosťou. Bude odovzdaný do vrstvy GRU. Vrstva GRU je Gated Reccurrent Unit, ktorá sa skladá z viacvrstvového typu RNN, ktorý bude počítať sekvenčný vstup. Táto vrstva vypočíta skrytý stav z predchádzajúcej a aktualizuje obnovovacie, aktualizačné a nové brány.
Zdroj: Seq2Seq
Dekodér dekóduje vstup z výstupu kódovacieho zariadenia. Pokúsi sa predpovedať ďalší výstup a pokúsi sa ho použiť ako ďalší vstup, ak je to možné. Dekodér sa skladá z vloženej vrstvy, vrstvy GRU a lineárnej vrstvy. Vkladacia vrstva vytvorí pre výstup vyhľadávaciu tabuľku a odovzdá sa do vrstvy GRU na výpočet predpovedaného stavu výstupu. Potom lineárna vrstva pomôže vypočítať aktivačnú funkciu na určenie skutočnej hodnoty predpokladaného výstupu.
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
Krok 3) Školenie modelu
Výcvikový proces v modeloch Seq2seq sa začína konverziou každej dvojice viet do Tenzorov z ich Langovho indexu. Náš model sekvencie za sekvenciou použije SGD ako optimalizátor a funkciu NLLLoss na výpočet strát. Tréningový proces začína vložením dvojice vety do modelu, aby sa predpovedal správny výstup. V každom kroku bude výstup z modelu vypočítaný pomocou pravdivých slov na vyhľadanie strát a aktualizáciu parametrov. Pretože teda použijete 75 000 iterácií, náš model sekvencie za sekvenciou vygeneruje náhodných 75 000 párov z našej množiny údajov.
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
Krok 4) Vyskúšajte model
Procesom vyhodnocovania Seq2seq PyTorch je skontrolovať výstup modelu. Každá dvojica modelov sekvencie až sekvencie sa vloží do modelu a vygeneruje predpovedané slová. Potom budete na každom výstupe hľadať najvyššiu hodnotu, aby ste našli správny index. Na konci budete porovnávať, aby ste videli našu modelovú predpoveď so skutočnou vetou
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))
Teraz začnime náš tréning od Seq k Seq, s počtom iterácií 75 000 a počtom RNN vrstvy 1 so skrytou veľkosťou 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)
Ako vidíte, naša predpovedaná veta nie je úplne zhodná, takže aby ste dosiahli vyššiu presnosť, musíte trénovať s oveľa väčším počtom údajov a pokúsiť sa pridať viac iterácií a počet vrstiev pomocou sekvencie na sekvenčné učenie.
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