Co je NLP?
NLP nebo zpracování přirozeného jazyka je jedním z populárních odvětví umělé inteligence, která pomáhá počítačům porozumět člověku, manipulovat s ním nebo reagovat na něj v jeho přirozeném jazyce. NLP je motorem Překladače Google, který nám pomáhá porozumět dalším jazykům.
Co je Seq2Seq?
Seq2Seq je metoda strojového překladu a zpracování jazyka založená na kodéru-dekodéru, která mapuje vstup sekvence na výstup sekvence se značkou a hodnotou pozornosti. Cílem je použít 2 RNN, které budou pracovat společně se speciálním tokenem a pokusit se předpovědět další stavovou sekvenci z předchozí sekvence.
Krok 1) Načítání našich dat
Pro naši datovou sadu použijete datovou sadu z dvojjazyčných párů vět oddělených tabulátory. Zde použiji datovou sadu z angličtiny do indonéštiny. Můžete si vybrat cokoli, ale nezapomeňte změnit název souboru a adresář v kódu.
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) Příprava dat
Datovou sadu nelze použít přímo. Musíte rozdělit věty na slova a převést je na One-Hot Vector. Každé slovo bude jedinečně indexováno ve třídě Lang, aby se vytvořil slovník. Třída Lang uloží každou větu a rozdělí ji slovo za slovem pomocí addSentence. Poté vytvořte slovník indexováním každého neznámého slova pro sekvenci do sekvenčních modelů.
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 třída, která nám pomůže vytvořit slovník. U každého jazyka bude každá věta rozdělena na slova a poté přidána do kontejneru. Každý kontejner uloží slova do příslušného indexu, spočítá slovo a přidá index slova, abychom jej mohli použít k vyhledání indexu slova nebo nalezení slova z jeho indexu.
Vzhledem k tomu, že naše data jsou oddělena tabulkou TAB, musíte jako náš datový zavaděč použít pandy. Pandas načte naše data jako dataFrame a rozdělí je na naši zdrojovou a cílovou větu. Za každou větu, kterou máš,
- normalizujete to na malá písmena,
- odstranit všechny non-charakter
- převést na ASCII z Unicode
- rozdělte věty, abyste měli 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
Další užitečnou funkcí, kterou použijete, je převod párů na Tensor. To je velmi důležité, protože naše síť čte pouze data typu tensor. Je to také důležité, protože to je ta část, že na každém konci věty bude token, který řekne síti, že vstup je dokončen. Pro každé slovo ve větě získá index z příslušného slova ve slovníku a na konec věty přidá 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, který používá dekodér kodéru PyTorch v horní části modelu. Kodér kóduje slovo věty slovy do indexované slovní zásoby nebo známých slov s indexem a dekodér předpovídá výstup kódovaného vstupu dekódováním vstupu v pořadí a pokusí se použít poslední vstup jako další vstup, pokud je to možné. Pomocí této metody je také možné předpovědět další vstup pro vytvoření věty. Každá věta bude mít přiřazen token k označení konce sekvence. Na konci predikce bude také token k označení konce výstupu. Takže z kodéru předá stav dekodéru, aby předpověděl výstup.
Zdroj: Model Seq2Seq
Kodér bude kódovat naši vstupní větu slovo po slově v pořadí a na konci bude token k označení konce věty. Kodér se skládá z vložené vrstvy a vrstev GRU. Vrstva Vkládání je vyhledávací tabulka, která ukládá vkládání našeho vstupu do slovníku slov pevné velikosti. Bude předán do vrstvy GRU. Vrstva GRU je Gated Reccurrent Unit, která se skládá z vícevrstvého typu RNN, který vypočítá sekvenční vstup. Tato vrstva vypočítá skrytý stav z předchozí a aktualizuje reset, aktualizaci a nové brány.
Zdroj: Seq2Seq
Dekodér dekóduje vstup z výstupu kodéru. Pokusí se předpovědět další výstup a pokusí se jej použít jako další vstup, pokud je to možné. Dekodér se skládá z vložené vrstvy, vrstvy GRU a lineární vrstvy. Vkládací vrstva vytvoří pro výstup vyhledávací tabulku a předá ji do vrstvy GRU pro výpočet předpokládaného stavu výstupu. Poté lineární vrstva pomůže vypočítat aktivační funkci a určit skutečnou hodnotu předpovězeného 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) Trénink modelu
Proces školení v modelech Seq2seq je zahájen převodem každé dvojice vět na Tensory z jejich Langova indexu. Náš model sekvence po sekvenci použije SGD jako optimalizátor a funkci NLLLoss k výpočtu ztrát. Proces školení začíná přivedením dvojice věty k modelu, aby se předpověděl správný výstup. V každém kroku bude výstup z modelu vypočítán pravými slovy, aby se zjistily ztráty a aktualizovaly parametry. Protože tedy použijete 75 000 iterací, náš model sekvence za sekvencí vygeneruje náhodné 75 000 párů z naší datové sady.
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) Vyzkoušejte model
Proces hodnocení Seq2seq PyTorch je zkontrolovat výstup modelu. Každá dvojice modelů Sekvence do sekvence bude vložena do modelu a vygenerována předpokládaná slova. Poté budete hledat nejvyšší hodnotu na každém výstupu, abyste našli správný index. Nakonec budete porovnávat a uvidíte naši modelovou predikci se skutečnou větou
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))
Začněme náš trénink Seq to Seq, s počtem iterací 75 000 a počtem RNN vrstvy 1 se skrytou velikostí 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)
Jak vidíte, naše předpovězená věta není příliš dobře uzavřena, takže abyste dosáhli vyšší přesnosti, musíte trénovat s mnohem více daty a pokusit se přidat další iterace a počet vrstev pomocí Sequence k sekvenčnímu učení.
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