Model Seq2seq (od niza do niza) s PyTorchom

Što je NLP?

NLP ili obrada prirodnog jezika jedna je od popularnih grana umjetne inteligencije koja pomaže računalima da razumiju, manipuliraju ili odgovore ljudima na njihovom prirodnom jeziku. NLP je pokretač Google Translate koji nam pomaže razumjeti druge jezike.

Što je Seq2Seq?

Seq2Seq je metoda strojnog prevođenja i obrade jezika koja se temelji na koder-dekoderu koja preslikava ulaz niza u izlaz niza s oznakom i vrijednošću pozornosti. Ideja je koristiti 2 RNN-a koji će raditi zajedno s posebnim tokenom i pokušati predvidjeti sljedeći niz stanja iz prethodnog niza.

Kako predvidjeti niz iz prethodnog niza

Slijede koraci za predviđanje niza iz prethodnog niza pomoću PyTorcha.

Korak 1) Učitavanje naših podataka

Za naš skup podataka koristit ćete skup podataka iz Dvojezični rečenični parovi odvojeni tabulatorima. Ovdje ću koristiti skup podataka s engleskog na indonezijski. Možete odabrati što god želite, ali ne zaboravite promijeniti naziv datoteke i direktorij u kodu.

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")

Korak 2) Priprema podataka

Ne možete izravno koristiti skup podataka. Morate podijeliti rečenice u riječi i pretvoriti ih u One-Hot Vector. Svaka će riječ biti jedinstveno indeksirana u klasi Lang kako bi se napravio rječnik. Klasa Lang će pohraniti svaku rečenicu i podijeliti je riječ po riječ pomoću addSentence. Zatim izradite rječnik indeksiranjem svake nepoznate riječi za modele od sekvence do sekvence.

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

Klasa Lang je klasa koja će nam pomoći da napravimo rječnik. Za svaki jezik, svaka će se rečenica podijeliti na riječi i zatim dodati u spremnik. Svaki će spremnik pohraniti riječi u odgovarajući indeks, prebrojati riječ i dodati indeks riječi kako bismo ga mogli koristiti za pronalaženje indeksa riječi ili pronalaženje riječi iz njenog indeksa.

Budući da su naši podaci odvojeni TAB-om, morate koristiti pande kao naš učitavač podataka. Pande će pročitati naše podatke kao dataFrame i podijeliti ih u našu izvornu i ciljnu rečenicu. Za svaku rečenicu koju imaš,

• normalizirat ćete to na mala slova,
• uklonite sve ne-karaktere
• pretvoriti u ASCII iz Unicode
• podijelite rečenice tako da imate svaku riječ u njoj.

#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

Još jedna korisna funkcija koju ćete koristiti je pretvaranje parova u Tensor. Ovo je vrlo važno jer naša mreža čita samo podatke tipa tenzora. Također je važno jer je to dio u kojem će na svakom kraju rečenice biti token koji će mreži reći da je unos završen. Za svaku riječ u rečenici dobit će indeks odgovarajuće riječi u rječniku i dodati token na kraju rečenice.

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

PyTorch Seq2seq model je vrsta modela koji koristi PyTorch koder dekoder povrh modela. Enkoder će kodirati rečenicu riječ po riječ u indeks vokabulara ili poznatih riječi s indeksom, a dekoder će predvidjeti izlaz kodiranog ulaza dekodiranjem ulaza u nizu i pokušat će upotrijebiti zadnji unos kao sljedeći unos ako to je moguće. Ovom metodom također je moguće predvidjeti sljedeći unos za stvaranje rečenice. Svakoj rečenici bit će dodijeljen žeton koji označava kraj niza. Na kraju predviđanja također će postojati žeton koji označava kraj izlaza. Dakle, od kodera će proslijediti stanje dekoderu da predvidi izlaz.

Encoder će kodirati našu ulaznu rečenicu riječ po riječ u nizu i na kraju će biti token za označavanje kraja rečenice. Koder se sastoji od sloja za ugradnju i GRU slojeva. Sloj za ugrađivanje je tablica za pretraživanje koja pohranjuje ugrađivanje našeg unosa u rječnik riječi fiksne veličine. Bit će proslijeđen GRU sloju. GRU sloj je Gated Recurrent Unit koji se sastoji od više vrsta slojeva RNN koji će izračunati sekvencirani unos. Ovaj sloj će izračunati skriveno stanje iz prethodnog i ažurirati resetiranje, ažuriranje i nova vrata.

Dekoder će dekodirati ulaz iz izlaza kodera. Pokušat će predvidjeti sljedeći izlaz i pokušati ga koristiti kao sljedeći ulaz ako je moguće. Dekoder se sastoji od sloja za ugradnju, sloja GRU i linearnog sloja. Sloj za ugradnju će napraviti tablicu pretraživanja za izlaz i proslijediti je u GRU sloj za izračunavanje predviđenog izlaznog stanja. Nakon toga, linearni sloj pomoći će izračunati aktivacijsku funkciju kako bi se odredila stvarna vrijednost predviđenog izlaza.

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

Korak 3) Obuka modela

Proces obuke u Seq2seq modelima počinje pretvaranjem svakog para rečenica u tenzore iz njihovog Lang indeksa. Naš model od sekvence do sekvence koristit će SGD kao optimizator i NLLLoss funkciju za izračunavanje gubitaka. Proces obuke počinje unosom para rečenica u model kako bi se predvidio točan izlaz. U svakom koraku, izlaz iz modela će se izračunati s istinitim riječima kako bi se pronašli gubici i ažurirali parametri. Dakle, budući da ćete koristiti 75000 75000 ponavljanja, naš model od sekvence do sekvence će generirati nasumičnih XNUMX XNUMX parova iz našeg skupa podataka.

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

Korak 4) Testirajte model

Proces evaluacije Seq2seq PyTorcha je provjera rezultata modela. Svaki par modela od sekvence do sekvence uvest će se u model i generirati predviđene riječi. Nakon toga ćete pogledati najveću vrijednost na svakom izlazu kako biste pronašli točan indeks. I na kraju, usporedit ćete naše predviđanje modela s pravom rečenicom

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('<EOS>')
               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))

Sada započnimo našu obuku s Seq to Seq, s brojem ponavljanja od 75000 1 i brojem RNN sloja od 512 sa skrivenom veličinom od XNUMX.

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)

Kao što možete vidjeti, naša predviđena rečenica nije dobro usklađena, pa da biste dobili veću točnost, trebate trenirati s puno više podataka i pokušati dodati više ponavljanja i broj slojeva koristeći učenje od slijeda do slijeda.

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()
)
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 4.0906
10000 3.9129
15000 3.8171
20000 3.8369
25000 3.8199
30000 3.7957
35000 3.8037
40000 3.8098
45000 3.7530
50000 3.7119
55000 3.7263
60000 3.6933
65000 3.6840
70000 3.7058
75000 3.7044

> this is worth one million yen
= ini senilai satu juta yen
< tom sangat satu juta yen <EOS>

> she got good grades in english
= dia mendapatkan nilai bagus dalam bahasa inggris
< tom meminta nilai bagus dalam bahasa inggris <EOS>

> put in a little more sugar
= tambahkan sedikit gula
< tom tidak <EOS>

> are you a japanese student
= apakah kamu siswa dari jepang
< tom kamu memiliki yang jepang <EOS>

> 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 <EOS>

> speaking about trips have you ever been to kobe
= berbicara tentang wisata apa kau pernah ke kobe
< tom tidak <EOS>

> tom bought me roses
= tom membelikanku bunga mawar
< tom tidak bunga mawar <EOS>

> no one was more surprised than tom
= tidak ada seorangpun yang lebih terkejut dari tom
< tom ada orang yang lebih terkejut <EOS>

> i thought it was true
= aku kira itu benar adanya
< tom tidak <EOS>