Mis on NLP?
NLP ehk loomuliku keele töötlemine on tehisintellekti üks populaarsemaid harusid, mis aitab arvutitel mõista, manipuleerida või reageerida inimesele nende loomulikus keeles. NLP on Google'i tõlke mootor, mis aitab meil mõista teisi keeli.
Mis on Seq2Seq?
Seq2Seq on kooder-dekooderil põhinev masintõlke ja keeletöötluse meetod, mis kaardistab jada sisendi märgendi ja tähelepanu väärtusega järjestuse väljundiks. Idee on kasutada 2 RNN-i, mis töötavad koos spetsiaalse märgiga, ja proovida ennustada järgmist olekujärjestust eelmisest järjestusest.
1. samm. Meie andmete laadimine
Meie andmekogumi jaoks kasutate vahekaardiga eraldatud kakskeelsete lausepaaride andmestikku. Siin kasutan inglise - indoneesia andmekogumit. Võite valida kõik, mis teile meeldib, kuid ärge unustage koodis faili nime ja kataloogi muuta.
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")
2. samm) andmete ettevalmistamine
Te ei saa andmekogumit otse kasutada. Peate laused sõnadeks jagama ja teisendama selle üheks kuumaks vektoriks. Iga sõna indekseeritakse Lang-klassis unikaalselt sõnastiku loomiseks. Lang-klass salvestab iga lause ja jagab selle sõna AddSentence'iga sõnahaaval. Seejärel looge sõnastik, indekseerides iga järjestuse tundmatu sõna järjestusemudelitesse.
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
Langi klass on klass, mis aitab meil sõnastikku teha. Iga keele puhul jagatakse iga lause sõnadeks ja lisatakse seejärel konteinerisse. Iga konteiner salvestab sõnad vastavasse indeksisse, loendab sõna ja lisab sõna indeksi, et saaksime seda kasutada sõna indeksi leidmiseks või sõna leidmiseks selle indeksist.
Kuna meie andmed on TAB-iga eraldatud, peate andmeside laadijana kasutama pandasid. Pandas loeb meie andmeid kui dataFrame'i ja jagab need meie lähte- ja sihtlauseks. Iga lause kohta, mis teil on,
- normaliseerite selle väiketähtedega,
- eemaldage kõik mittemärgid
- teisendada Unicode'ist ASCII-ks
- jagage laused, nii et teil on iga sõna selles.
#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
Teine kasulik funktsioon, mida kasutate, on paaride teisendamine Tensoriks. See on väga oluline, sest meie võrk loeb ainult tensori tüüpi andmeid. See on oluline ka seetõttu, et selles osas on lause igas otsas märgis, mis annab võrgule teada, et sisend on lõppenud. Iga lause sõna jaoks saab see sõnastiku vastava sõna indeksi ja lisab lause lõppu märgi.
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 mudel
Allikas: Seq2Seq
PyTorch Seq2seq mudel on omamoodi mudel, mis kasutab mudeli peal PyTorch kooderi dekoodrit. Kodeerija kodeerib lause sõna sõnade järgi sõnastiku indekseerituks või teadaolevad indeksiga sõnad ning dekooder ennustab kodeeritud sisendi väljundi, dekodeerides sisendi järjestikku, ja proovib järgmise sisendina kasutada järgmist sisendit, kui see on võimalik. Selle meetodi abil on võimalik ennustada ka järgmist sisendit lause loomiseks. Igale lausele määratakse jada lõpu tähistamiseks märk. Ennustuse lõpus on ka väljundi lõppu märkiv märk. Niisiis edastab kodeerija väljundi ennustamiseks oleku dekoodrile.
Allikas: Seq2Seq mudel
Kodeerija kodeerib meie sisestatud lause sõna kaupa järjestikku ja lõpuks on lause lõpp tähistamiseks märgis. Kooder koosneb kihist Embedding ja GRU. Kiht Embedding on otsingutabel, mis salvestab meie sisendi kinnistamise fikseeritud suurusega sõnaraamatusse. See edastatakse GRU kihile. GRU kiht on väravaga korduv üksus, mis koosneb mitmekihilisest RNN-i tüübist, mis arvutab järjestatud sisendi. See kiht arvutab eelmise peidetud oleku ja värskendab lähtestamist, värskendamist ja uusi väravaid.
Allikas: Seq2Seq
Dekooder dekodeerib sisendi kodeerija väljundist. See püüab ennustada järgmist väljundit ja proovib seda kasutada järgmise sisendina, kui see on võimalik. Dekooder koosneb manuskihist, GRU kihist ja lineaarsest kihist. Manustamiskiht teeb väljundi otsingu tabeli ja edastatakse prognoositava väljundi arvutamiseks GRU kihti. Pärast seda aitab lineaarne kiht arvutada aktiveerimisfunktsiooni, et määrata prognoositava väljundi tegelik väärtus.
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
3. samm. Mudeli koolitamine
Koolitusprotsessi Seq2seq mudelites alustatakse iga lausepaari teisendamisega Tensoriks nende Langi indeksist. Meie järjestusmudeli järjestus kasutab kahjumi arvutamiseks optimeerijana SGD ja funktsiooni NLLLoss. Treeningprotsess algab lause paari etteandmisega mudelile, et ennustada õiget väljundit. Igal etapil arvutatakse mudeli väljund tõesõnadega, et leida kadusid ja värskendada parameetreid. Kuna kasutate 75000 kordust, genereerib meie järjestuse mudeli järjestus meie andmekogumist juhuslikult 75000 paari.
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
4. samm. Testige mudelit
Seq2seq PyTorchi hindamisprotsess on mudeli väljundi kontrollimine. Iga järjestuse jada mudeli paar sisestatakse mudelisse ja genereeritakse ennustatud sõnad. Pärast seda näete õige väljundi leidmiseks igas väljundis suurimat väärtust. Ja lõpuks saate võrrelda, et näha meie mudeli ennustust tõelise lausega
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))
Alustame nüüd treeningut Seq-st Seq-ni, korduste arvuga 75000 ja RNN-i kihi arvuga 1 varjatud suurusega 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)
Nagu näete, ei sobi meie ennustatud lause eriti hästi, nii et suurema täpsuse saamiseks peate treenima palju rohkemate andmetega ja proovima järjestuste õppimiseks lisada järjestusi, kasutades järjestust, kasutades järjestust.
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