Što je NLP?
NLP ili obrada prirodnog jezika jedna je od popularnih grana umjetne inteligencije koja pomaže računalima da razumiju, manipuliraju ili reagiraju na čovjeka na njegovom prirodnom jeziku. NLP je pokretač Google Prevoditelja koji nam pomaže razumjeti druge jezike.
Što je Seq2Seq?
Seq2Seq je metoda strojnog prevođenja i obrade jezika zasnovana na enkoder-dekoderu koja preslikava ulaz sekvence na izlaz sekvence s oznakom i vrijednošću pažnje. Ideja je koristiti 2 RNN-a koji će raditi zajedno s posebnim tokenom i pokušati predvidjeti sljedeći slijed stanja iz prethodnog niza.
Korak 1) Učitavanje naših podataka
Za naš ćete skup podataka upotrebljavati skup dvojezičnih parova dvojezičnih rečenica. Ovdje ću upotrijebiti skup podataka s engleskog na indonezijski. Možete odabrati sve što želite, ali ne zaboravite promijeniti naziv datoteke i direktorij u kodu.
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")
Korak 2) Priprema podataka
Skup podataka ne možete koristiti izravno. Rečenice morate podijeliti u riječi i pretvoriti ih u jedan vrući vektor. Svaka će se riječ jedinstveno indeksirati u Lang klasi kako bi se stvorio rječnik. Razred jezika pohranit će svaku rečenicu i podijeliti je riječ po riječ s addSentenceom. Zatim stvorite rječnik indeksiranjem svake nepoznate riječi za Sequence na modele sekvenci.
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
Razred jezika je čas koji će nam pomoći da napravimo rječnik. Za svaki će se jezik svaka rečenica podijeliti u riječi i dodati u spremnik. Svaki spremnik pohranit će 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. Pandas će pročitati naše podatke kao dataFrame i podijeliti ih na našu izvornu i ciljanu rečenicu. Za svaku rečenicu koju imate,
- normalizirat ćete ga na mala slova,
- ukloni sve ne-znakove
- pretvoriti u ASCII iz Unicodea
- podijelite rečenice, tako da imate svaku riječ u sebi.
#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
Još jedna korisna funkcija koju ćete koristiti je pretvaranje parova u Tensor. To je vrlo važno jer naša mreža čita samo podatke tipa tenzora. Također je važno jer je ovo dio na kojem će na svakom kraju rečenice biti token koji će reći mreži da je unos završen. Za svaku riječ u rečenici dobit će indeks odgovarajuće riječi u rječniku i dodati znak 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
Izvor: Seq2Seq
PyTorch Seq2seq model je vrsta modela koji koristi PyTorch dekoder kodera na vrhu modela. Davač će kodirati rečenicu po riječima u indeksirani rječnik ili poznate riječi s indeksom, a dekoder će predvidjeti izlaz kodiranog ulaza dekodiranjem unosa u slijedu i pokušati upotrijebiti zadnji ulaz kao sljedeći ulaz ako to je moguće. Ovom metodom također je moguće predvidjeti sljedeći ulaz za stvaranje rečenice. Svakoj rečenici dodijelit će se znak za označavanje kraja niza. Na kraju predviđanja, tu će biti i žeton koji označava kraj rezultata. Dakle, iz kodera će proslijediti stanje dekoderu da predvidi izlaz.
Izvor: Seq2Seq Model
Davač će kodirati našu ulaznu rečenicu riječ po riječ u nizu i na kraju će biti žeton koji označava kraj rečenice. Kodiranje se sastoji od sloja za ugrađivanje i sloja GRU. Sloj za ugrađivanje je tablica za pretraživanje koja pohranjuje ugrađivanje našeg unosa u rječnik riječi određene veličine. Proslijedit će se na GRU sloj. GRU sloj je zatvorena ponavljajuća jedinica koja se sastoji od više slojeva tipa RNN koji će izračunati sekvencirani ulaz. Ovaj će sloj izračunati skriveno stanje iz prethodnog i ažurirati resetiranje, ažuriranje i nova vrata.
Izvor: Seq2Seq
Dekoder će dekodirati ulaz s izlaza kodera. Pokušat će predvidjeti sljedeći izlaz i pokušati ga koristiti kao sljedeći ulaz ako je to moguće. Dekoder se sastoji od sloja za ugrađivanje, GRU sloja i linearnog sloja. Sloj za ugrađivanje izradit će tablicu pretraživanja za izlaz i proslijediti ga u GRU sloj za izračunavanje predviđenog izlaznog stanja. Nakon toga, Linearni sloj pomoći će izračunati funkciju aktivacije kako bi se utvrdila prava 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 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
Korak 3) Obuka modela
Proces obuke u modelima Seq2seq započinje pretvaranjem svakog para rečenica u Tenzore iz njihovog Langovog indeksa. Naš model slijeda do slijeda koristit će SGD kao optimizator i funkciju NLLLoss za izračunavanje gubitaka. Proces treninga započinje ubacivanjem para rečenice u model kako bi se predvidio točan rezultat. U svakom će se koraku izračunati izlaz iz modela s istinitim riječima kako bi se pronašli gubici i ažurirali parametri. Dakle, jer ćete koristiti 75000 iteracija, naš model slijeda do slijeda generirat će slučajnih 75000 parova iz našeg skupa podataka.
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
Korak 4) Testirajte model
Proces ocjenjivanja Seq2seq PyTorch je provjera rezultata modela. Svaki par Sekvence u sekvencijalne modele ući će u model i generirati predviđene riječi. Nakon toga ćete na svakom izlazu tražiti najvišu vrijednost kako biste pronašli ispravan indeks. I na kraju, usporedit ćete kako biste vidjeli naše predviđanje modela s istinitom 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('')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))
Sada, započnimo naš trening sa Seq do Seq, s brojem iteracija 75000 i brojem RNN sloja 1 sa skrivenom veličinom 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)
Kao što vidite, naša predviđena rečenica ne podudara se baš dobro, pa da biste postigli veću točnost, morate trenirati s puno više podataka i pokušati dodati više iteracija i broj slojeva pomoću Sequence za učenje sekvenci.
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