¿Qué es la PNL?
La PNL o procesamiento del lenguaje natural es una de las ramas populares de la inteligencia artificial que ayuda a las computadoras a comprender, manipular o responder a un ser humano en su lenguaje natural. NLP es el motor detrás de Google Translate que nos ayuda a comprender otros idiomas.
¿Qué es Seq2Seq?
Seq2Seq es un método de traducción automática y procesamiento de lenguaje basado en codificador-decodificador que asigna una entrada de secuencia a una salida de secuencia con una etiqueta y un valor de atención. La idea es usar 2 RNN que trabajarán junto con un token especial e intentar predecir la siguiente secuencia de estado de la secuencia anterior.
Paso 1) Cargando nuestros datos
Para nuestro conjunto de datos, utilizará un conjunto de datos de pares de oraciones bilingües delimitados por tabulaciones. Aquí usaré el conjunto de datos de inglés a indonesio. Puede elegir lo que quiera, pero recuerde cambiar el nombre del archivo y el directorio en el código.
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")
Paso 2) Preparación de datos
No puede usar el conjunto de datos directamente. Debe dividir las oraciones en palabras y convertirlas en One-Hot Vector. Cada palabra se indexará de forma única en la clase Lang para crear un diccionario. La clase Lang almacenará cada oración y la dividirá palabra por palabra con addSentence. Luego, cree un diccionario indexando cada palabra desconocida para Sequence en modelos de secuencia.
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
La clase Lang es una clase que nos ayudará a hacer un diccionario. Para cada idioma, cada oración se dividirá en palabras y luego se agregará al contenedor. Cada contenedor almacenará las palabras en el índice apropiado, contará la palabra y agregará el índice de la palabra para que podamos usarlo para encontrar el índice de una palabra o encontrar una palabra de su índice.
Debido a que nuestros datos están separados por TAB, debe usar pandas como nuestro cargador de datos. Pandas leerá nuestros datos como dataFrame y los dividirá en nuestra oración de origen y de destino. Por cada frase que tienes
- lo normalizarás a minúsculas,
- eliminar todos los que no sean caracteres
- convertir a ASCII desde Unicode
- divide las oraciones, para que tengas cada palabra en ella.
#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
Otra función útil que utilizará es la conversión de pares en tensor. Esto es muy importante porque nuestra red solo lee datos de tipo tensor. También es importante porque esta es la parte en la que en cada final de la oración habrá un token para decirle a la red que la entrada está terminada. Para cada palabra de la oración, obtendrá el índice de la palabra apropiada en el diccionario y agregará un símbolo al final de la oración.
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)
Modelo Seq2Seq
Fuente: Seq2Seq
El modelo PyTorch Seq2seq es un tipo de modelo que usa el decodificador del codificador PyTorch en la parte superior del modelo. El codificador codificará la oración palabra por palabra en un vocabulario indexado o palabras conocidas con índice, y el decodificador predecirá la salida de la entrada codificada decodificando la entrada en secuencia e intentará utilizar la última entrada como la siguiente entrada si Es posible. Con este método, también es posible predecir la siguiente entrada para crear una oración. A cada oración se le asignará una ficha para marcar el final de la secuencia. Al final de la predicción, también habrá un token para marcar el final de la salida. Entonces, desde el codificador, pasará un estado al decodificador para predecir la salida.
Fuente: Modelo Seq2Seq
El codificador codificará nuestra oración de entrada palabra por palabra en secuencia y al final habrá una ficha para marcar el final de una oración. El codificador consta de una capa de incrustación y una capa de GRU. La capa de incrustación es una tabla de búsqueda que almacena la incrustación de nuestra entrada en un diccionario de palabras de tamaño fijo. Se pasará a una capa GRU. La capa GRU es una unidad recurrente cerrada que consta de un tipo de capa múltiple de RNN que calculará la entrada secuenciada. Esta capa calculará el estado oculto de la anterior y actualizará el reinicio, la actualización y las nuevas puertas.
Fuente: Seq2Seq
El decodificador decodificará la entrada de la salida del codificador. Intentará predecir la próxima salida e intentará usarla como la próxima entrada si es posible. El decodificador consta de una capa de incrustación, una capa de GRU y una capa lineal. La capa de incrustación creará una tabla de búsqueda para la salida y la pasará a una capa GRU para calcular el estado de salida previsto. Después de eso, una capa lineal ayudará a calcular la función de activación para determinar el valor real de la salida prevista.
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
Paso 3) Entrenamiento del modelo
El proceso de entrenamiento en los modelos Seq2seq se inicia con la conversión de cada par de oraciones en tensores a partir de su índice Lang. Nuestro modelo secuencia a secuencia utilizará SGD como optimizador y la función NLLLoss para calcular las pérdidas. El proceso de formación comienza con la introducción de un par de frases en el modelo para predecir la salida correcta. En cada paso, la salida del modelo se calculará con las palabras verdaderas para encontrar las pérdidas y actualizar los parámetros. Entonces, debido a que usará 75000 iteraciones, nuestro modelo de secuencia a secuencia generará 75000 pares aleatorios de nuestro conjunto de datos.
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
Paso 4) Pruebe el modelo
El proceso de evaluación de Seq2seq PyTorch es verificar la salida del modelo. Cada par de modelos de secuencia a secuencia se introducirá en el modelo y generará las palabras predichas. Después de eso, buscará el valor más alto en cada salida para encontrar el índice correcto. Y al final, compararás para ver nuestro modelo de predicción con la oración verdadera.
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))
Ahora, comencemos nuestro entrenamiento con Seq to Seq, con el número de iteraciones de 75000 y el número de capa RNN de 1 con el tamaño oculto de 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)
Como puede ver, nuestra oración predicha no coincide muy bien, por lo que para obtener una mayor precisión, debe entrenar con muchos más datos e intentar agregar más iteraciones y cantidad de capas usando Sequence para secuenciar el aprendizaje.
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