原文链接:/?p=8438
原文出处:拓端数据部落公众号
在本文中,我们将看到如何创建语言翻译模型,这也是神经机器翻译的非常著名的应用。我们将使用seq2seq通过Python的Keras库创建我们的语言翻译模型。
假定您对循环神经网络(尤其是LSTM)有很好的了解。本文中的代码是使用Keras库用Python编写的。
库和配置设置
首先导入所需的库:
import os, sysfrom keras.models import Modelfrom keras.layers import Input, LSTM, GRU, Dense, Embeddingfrom keras.preprocessing.text import Tokenizerfrom keras.preprocessing.sequence import pad_sequencesfrom keras.utils import to_categoricalimport numpy as npimport matplotlib.pyplot as plt
执行以下脚本来设置不同参数的值:
BATCH_SIZE = 64EPOCHS = 20LSTM_NODES =256NUM_SENTENCES = 20000MAX_SENTENCE_LENGTH = 50MAX_NUM_WORDS = 20000EMBEDDING_SIZE = 100
数据集
我们将在本文中开发的语言翻译模型会将英语句子翻译成法语。要开发这样的模型,我们需要一个包含英语句子及其法语翻译的数据集。 在每一行上,文本文件包含一个英语句子及其法语翻译,并用制表符分隔。文件的前20行fra.txt
如下所示:
Go. Va !Hi. Salut !Hi. Salut.Run! Cours !Run! Courez !Who? Qui ?Wow! Ça alors !Fire! Au feu !Help! À l'aide !Jump. Saute.Stop! Ça suffit !Stop! Stop !Stop! Arrête-toi !Wait! Attends !Wait! Attendez !Go on. Poursuis.Go on. Continuez.Go on. Poursuivez.Hello! Bonjour !Hello! Salut !
该模型包含超过170,000条记录,但是我们将仅使用前20,000条记录来训练我们的模型。
数据预处理
神经机器翻译模型通常基于seq2seq架构。seq2seq体系结构是一种编码-解码体系结构,由两个LSTM网络组成:编码LSTM和解码LSTM。
在我们的数据集中,我们不需要处理输入,但是,我们需要生成翻译后的句子的两个副本:一个带有句子开始标记,另一个带有句子结束标记。这是执行此操作的脚本:
input_sentences = []output_sentences = []output_sentences_inputs = []count = 0for line in open(r'/content/drive/My Drive/datasets/fra.txt', encoding="utf-8"):count += 1if count > NUM_SENTENCES:breakif '\t' not in line:continueinput_sentence, output = line.rstrip().split('\t')output_sentence = output + ' <eos>'output_sentence_input = '<sos> ' + outputinput_sentences.append(input_sentence)output_sentences.append(output_sentence)output_sentences_inputs.append(output_sentence_input)print("num samples input:", len(input_sentences))print("num samples output:", len(output_sentences))print("num samples output input:", len(output_sentences_inputs))
注意:您可能需要更改fra.txt
计算机上文件的文件路径。
最后,输出中将显示三个列表中的样本数量:
num samples input: 20000num samples output: 20000num samples output input: 20000
现在让我们来随机输出一个句子从input_sentences[]
,output_sentences[]
和output_sentences_inputs[]
列表:
print(input_sentences[172])print(output_sentences[172])print(output_sentences_inputs[172])
这是输出:
I'm ill.Je suis malade. <eos><sos> Je suis malade.
您可以看到原始句子,即I'm ill
;在输出中对应的翻译,即Je suis malade. <eos>
。
标记化和填充
下一步是标记原始句子和翻译后的句子,并对大于或小于特定长度的句子应用填充,在输入的情况下,这将是最长输入句子的长度。对于输出,这将是输出中最长句子的长度。
对于标记化,可以使用库中的Tokenizer
类keras.preprocessing.text
。本tokenizer
类执行两个任务:
它将句子分为相应的单词列表然后将单词转换为整数
这是非常重要的,因为深度学习和机器学习算法可以处理数字。
除了标记化和整数转换外,该类的word_index
属性还Tokenizer
返回一个单词索引字典,其中单词是键,而相应的整数是值。上面的脚本还输出字典中唯一词的数量和输入中最长句子的长度:
Total unique words in the input: 3523Length of longest sentence in input: 6
同样,输出语句也可以用以下所示的相同方式进行标记:这是输出:
Total unique words in the output: 9561Length of longest sentence in the output: 13
通过比较输入和输出中唯一词的数量,可以得出结论,与翻译后的法语句子相比,英语句子通常较短,平均包含较少的单词。
接下来,我们需要填充输入。对输入和输出进行填充的原因是文本句子的长度可以变化,但是LSTM(我们将要训练模型的算法)期望输入实例具有相同的长度。因此,我们需要将句子转换为固定长度的向量。一种方法是通过填充。
在填充中,为句子定义了一定的长度。在我们的情况下,输入和输出中最长句子的长度将分别用于填充输入和输出句子。输入中最长的句子包含6个单词。对于少于6个单词的句子,将在空索引中添加零。
脚本显示了填充的输入句子的形状。还输出了索引为172的句子的填充整数序列。这是输出:
encoder_input_sequences.shape: (20000, 6)encoder_input_sequences[172]: [ 0 0 0 0 6 539]
由于输入中有20,000个句子,并且每个输入句子的长度为6,所以输入的形状现在为(20000,6)。如果查看输入句子索引172处句子的整数序列,可以看到存在三个零,后跟值为6和539。您可能还记得索引172处的原始句子是I'm ill
。标记生成器分割的句子翻译成两个词I'm
和ill
,将它们转换为整数,然后通过在输入列表的索引172在用于句子对应的整数序列的开始添加三个零施加预填充。
要验证的整数值i'm
和ill
是6和539分别可以传递到word2index_inputs
词典,如下图所示:
print(word2idx_inputs["i'm"])print(word2idx_inputs["ill"])
输出:
6539
以相同的方式,解码输出和解码器输入的填充如下:
print("decoder_input_sequences.shape:", decoder_input_sequences.shape)print("decoder_input_sequences[172]:", decoder_input_sequences[172])
输出:
decoder_input_sequences.shape: (20000, 13)decoder_input_sequences[172]: [ 2 3 6 188 0 0 0 0 0 0 0 0 0]
解码器输入的索引172处的句子为<sos> je suis malade.
。如果从word2idx_outputs
字典中输出相应的整数,则应该在控制台上看到2、3、6和188,如下所示:
print(word2idx_outputs["<sos>"])print(word2idx_outputs["je"])print(word2idx_outputs["suis"])print(word2idx_outputs["malade."])
输出:
236188
词嵌入
由于我们使用的是深度学习模型,并且深度学习模型使用数字,因此我们需要将单词转换为相应的数字矢量表示形式。但是我们已经将单词转换为整数。
在本文中,对于英文句子(即输入),我们将使用GloVe词嵌入。对于输出中的法语翻译句子,我们将使用自定义单词嵌入。
让我们首先为输入创建单词嵌入。为此,我们需要将GloVe字向量加载到内存中。然后,我们将创建一个字典,其中单词是键,而相应的向量是值,如下所示:
回想一下,我们在输入中包含3523个唯一词。我们将创建一个矩阵,其中行号将表示单词的序号,而列将对应于单词维度。此矩阵将包含输入句子中单词的单词嵌入。
num_words = min(MAX_NUM_WORDS, len(word2idx_inputs) + 1)embedding_matrix = zeros((num_words, EMBEDDING_SIZE))for word, index in word2idx_inputs.items():embedding_vector = embeddings_dictionary.get(word)if embedding_vector is not None:embedding_matrix[index] = embedding_vector
首先,ill
使用GloVe词嵌入词典为该词输出词嵌入。
print(embeddings_dictionary["ill"])
输出:
[ 0.12648 0.13660.22192 -0.025204 -0.71970.661470.48509 0.057223 0.13829 -0.26375 -0.23647 0.743490.46737 -0.4620.1 -0.26302 0.093948 -0.61756-0.28213 0.13530.28213 0.21813 0.16418 0.22547-0.98945 0.29624 -0.62476 -0.29535 0.21534 0.922740.38388 0.55744 -0.14628 -0.15674 -0.51941 0.25629-0.0079678 0.12998 -0.029192 0.20868 -0.55127 0.0753530.44746 -0.71046 0.75562 0.010378 0.095229 0.166730.22073 -0.46562 -0.10199 -0.80386 0.45162 0.451830.19869 -1.65710.7584 -0.40298 0.82426 -0.3860.0039546 0.61318 0.02701 -0.3308 -0.095652 -0.0821640.78580.13394 -0.32715 -0.31371 -0.20247 -0.73001-0.49343 0.56445 0.61038 0.36777 -0.070182 0.44859-0.61774 -0.18849 0.65592 0.44797 -0.10469 0.62512-1.9474 -0.60622 0.073874 0.50013 -1.1278 -0.42066-0.37322 -0.50538 0.59171 0.46534 -0.42482 0.832650.081548 -0.44147 -0.084311 -1.2304 ]
在上一节中,我们看到了单词的整数表示形式为ill
539。现在让我们检查单词嵌入矩阵的第539个索引。
print(embedding_matrix[539])
输出:
[ 0.12648 0.13660.22192 -0.025204 -0.71970.661470.48509 0.057223 0.13829 -0.26375 -0.23647 0.743490.46737 -0.4620.1 -0.26302 0.093948 -0.61756-0.28213 0.13530.28213 0.21813 0.16418 0.22547-0.98945 0.29624 -0.62476 -0.29535 0.21534 0.922740.38388 0.55744 -0.14628 -0.15674 -0.51941 0.25629-0.0079678 0.12998 -0.029192 0.20868 -0.55127 0.0753530.44746 -0.71046 0.75562 0.010378 0.095229 0.166730.22073 -0.46562 -0.10199 -0.80386 0.45162 0.451830.19869 -1.65710.7584 -0.40298 0.82426 -0.3860.0039546 0.61318 0.02701 -0.3308 -0.095652 -0.0821640.78580.13394 -0.32715 -0.31371 -0.20247 -0.73001-0.49343 0.56445 0.61038 0.36777 -0.070182 0.44859-0.61774 -0.18849 0.65592 0.44797 -0.10469 0.62512-1.9474 -0.60622 0.073874 0.50013 -1.1278 -0.42066-0.37322 -0.50538 0.59171 0.46534 -0.42482 0.832650.081548 -0.44147 -0.084311 -1.2304 ]
可以看到,嵌入矩阵中第539行的值类似于GloVeill
词典中单词的向量表示,这证实了嵌入矩阵中的行代表了GloVe单词嵌入词典中的相应单词嵌入。这个词嵌入矩阵将用于为我们的LSTM模型创建嵌入层。
创建模型
现在是时候开发我们的模型了。我们需要做的第一件事是定义输出,因为我们知道输出将是一个单词序列。回想一下,输出中的唯一单词总数为9562。因此,输出中的每个单词可以是9562个单词中的任何一个。输出句子的长度为13。对于每个输入句子,我们需要一个对应的输出句子。
以下脚本创建空的输出数组:
decoder_targets_one_hot = np.zeros((len(input_sentences),max_out_len,num_words_output),dtype='float32')
以下脚本输出解码的维度:
decoder_targets_one_hot.shape
输出:
(20000, 13, 9562)
为了进行预测,模型的最后一层将是一个密集层,因此我们需要以一热编码矢量的形式进行输出,因为我们将在密集层使用softmax激活函数。要创建这样的单编码输出,下一步是将1分配给与该单词的整数表示形式对应的列号。例如,<sos> je suis malade
的整数表示形式是[ 2 3 6 188 0 0 0 0 0 0 0 ]
。在decoder_targets_one_hot
输出数组的第一行的第二列中,将插入1。同样,在第二行的第三个索引处,将插入另一个1,依此类推。
看下面的脚本:
for i, d in enumerate(decoder_output_sequences):for t, word in enumerate(d):decoder_targets_one_hot[i, t, word] = 1
接下来,我们需要创建编码器和解码器。编码器的输入将是英文句子,输出将是LSTM的隐藏状态和单元状态。
以下脚本定义了编码器:
下一步是定义解码器。解码器将有两个输入:编码器和输入语句的隐藏状态和单元状态,它们实际上将是输出语句。
以下脚本创建解码器LSTM:
最后,来自解码器LSTM的输出将通过密集层以预测解码器输出,如下所示:
decoder_dense = Dense(num_words_output, activation='softmax')
下一步是编译模型:
model = Model([encoder_inputs_placeholder,decoder_inputs_placeholder], decoder_outputs)
让我们绘制模型查看:
plot_model(model, to_file='model_plot4a.png', show_shapes=True, show_layer_names=True)
输出:
从输出中,可以看到我们有两种输入。input_1
是编码器的输入占位符,它被嵌入并通过lstm_1
层,该层基本上是编码器LSTM。该lstm_1
层有三个输出:输出,隐藏层和单元状态。但是,只有单元状态和隐藏状态才传递给解码器。
这里的lstm_2
层是解码器LSTM。在input_2
还通过一个嵌入层传递,并且被用作输入到解码器LSTM,lstm_2
。最后,来自解码器LSTM的输出将通过密集层进行预测。
下一步是使用以下fit()
方法训练模型:
model.fit()
该模型经过18,000条记录的训练,并针对其余2,000条记录进行了测试。 经过20个时间段后,我得到了90.99%的训练精度和79.11%的验证精度,这表明该模型是过度拟合的。
修改预测模型
在训练时,我们知道序列中所有输出字的实际输入解码器。训练期间发生的情况的示例如下。假设我们有一句话i'm ill
。句子翻译如下:
// 输入在编码器/解码器的左侧,输出在右侧。Step 1:I'm ill -> Encoder -> enc(h1,c1)enc(h1,c1) + <sos> -> Decoder -> je + dec(h1,c1)step 2:enc(h1,c1) + je -> Decoder -> suis + dec(h2,c2)step 3:enc(h2,c2) + suis -> Decoder -> malade. + dec(h3,c3)step 3:enc(h3,c3) + malade. -> Decoder -> <eos> + dec(h4,c4)
您可以看到解码器的输入和解码器的输出是已知的,并且基于这些输入和输出对模型进行了训练。
但是,在预测期间,将根据前一个单词预测下一个单词,而该单词又会在前一个时间步长中进行预测。预测期间发生的情况的示例如下。我们将再次翻译句子i'm ill
:
// 输入在编码器/解码器的左侧,输出在右侧。Step 1:I'm ill -> Encoder -> enc(h1,c1)enc(h1,c1) + <sos> -> Decoder -> y1(je) + dec(h1,c1)step 2:enc(h1,c1) + y1 -> Decoder -> y2(suis) + dec(h2,c2)step 3:enc(h2,c2) + y2 -> Decoder -> y3(malade.) + dec(h3,c3)step 3:enc(h3,c3) + y3 -> Decoder -> y4(<eos>) + dec(h4,c4)
可以看到编码器的功能保持不变。原始语言的句子通过编码器和隐藏状态传递,而单元格状态是编码器的输出。
在步骤1中,将编码器的隐藏状态和单元状态以及<sos>
用作解码器的输入。解码器预测一个单词y1
可能为真或不为真。但是,根据我们的模型,正确预测的概率为0.7911。在步骤2,将来自步骤1的解码器隐藏状态和单元状态与一起y1
用作预测的解码器的输入y2
。该过程一直持续到<eos>
遇到令牌为止。然后,将来自解码器的所有预测输出进行级联以形成最终输出语句。让我们修改模型实现此逻辑。
编码器型号保持不变:
encoder_model = Model(encoder_inputs_placeholder, encoder_states)
因为现在在每一步我们都需要解码器的隐藏状态和单元状态,所以我们将修改模型以接受隐藏状态和单元状态,如下所示:
decoder_state_input_h = Input(shape=(LSTM_NODES,))
现在,在每个时间步长,解码器输入中只有一个字,我们需要按如下所示修改解码器嵌入层:
decoder_inputs_single = Input(shape=(1,))...接下来,我们需要为解码器输出创建占位符:
decoder_outputs, h, c = decoder_lstm(...)
为了进行预测,解码器的输出将通过密集层:
decoder_states = [h, c]decoder_outputs = decoder_dense(decoder_outputs)
最后一步是定义更新的解码器模型,如下所示:
decoder_model = Model()
现在,让我们绘制经过修改的解码器LSTM来进行预测:
plot_model(decoder_model, to_file='model_plot_dec.png', show_shapes=True, show_layer_names=True)
输出:
上图中lstm_2
是修改后的解码器LSTM。您会看到它接受带有一个单词的句子(如所示)input_5
,以及上一个输出(input_3
和input_4
)的隐藏状态和单元格状态。您可以看到输入句子的维度现在是这样的,(none,1)
因为在解码器输入中将只有一个单词。相反,在训练期间,输入句子的形状是(None,6)
因为输入包含完整的句子,最大长度为6。
做出预测
在这一步中,您将看到如何使用英语句子作为输入进行预测。
在标记化步骤中,我们将单词转换为整数。解码器的输出也将是整数。但是,我们希望输出是法语中的单词序列。为此,我们需要将整数转换回单词。我们将为输入和输出创建新的字典,其中的键将是整数,而相应的值将是单词。
idx2word_input = {v:k for k, v in word2idx_inputs.items()}idx2word_target = {v:k for k, v in word2idx_outputs.items()}
接下来,我们将创建一个方法,即translate_sentence()
。该方法将接受带有输入填充序列的英语句子(以整数形式),并将返回翻译后的法语句子。看一下translate_sentence()
方法:
def translate_sentence(input_seq):states_value = encoder_model.predict(input_seq)target_seq = np.zeros((1, 1))target_seq[0, 0] = word2idx_outputs['<sos>']eos = word2idx_outputs['<eos>']output_sentence = []for _ in range(max_out_len):return ' '.join(output_sentence)
在上面的脚本中,我们将输入序列传递给encoder_model
,以预测隐藏状态和单元格状态,这些状态存储在states_value
变量中。
接下来,我们定义一个变量target_seq
,它是一个1 x 1
全零的矩阵。target_seq
变量包含所述第一字给解码器模型,这是<sos>
。
之后,将eos
初始化变量,该变量存储<eos>
令牌的整数值。在下一行中,将output_sentence
定义列表,其中将包含预测的翻译。
接下来,我们执行一个for
循环。循环的执行周期数for
等于输出中最长句子的长度。在循环内部,在第一次迭代中,decoder_model
预测器使用编码器的隐藏状态和单元格状态以及输入令牌(即)来预测输出状态,隐藏状态和单元格状态<sos>
。循环继续进行,直到达到最大输出序列长度或<eos>
遇到令牌为止。
最后,output_sentence
使用空格将列表中的单词连接起来,并将结果字符串返回给调用函数。
测试模型
为了测试代码,我们将从input_sentences
列表中随机选择一个句子,检索该句子的相应填充序列,并将其传递给该translate_sentence()
方法。该方法将返回翻译后的句子,如下所示。
这是测试模型功能的脚本:
print('-')print('Input:', input_sentences[i])print('Response:', translation)
这是输出:
-Input: You're not fired.Response: vous n'êtes pas viré.
再次执行上述脚本,以查看其他一些翻译成法语的英语句子。我得到以下结果:
-Input: I'm not a lawyer.Response: je ne suis pas avocat.
该模型已成功将另一个英语句子翻译为法语。
结论与展望
神经机器翻译是自然语言处理的相当先进的应用,涉及非常复杂的体系结构。
本文介绍了如何通过seq2seq体系结构执行神经机器翻译,该体系结构又基于编码器-解码器模型。编码器是一种LSTM,用于对输入语句进行编码,而解码器则对输入进行解码并生成相应的输出。本文中介绍的技术可以用于创建任何机器翻译模型,只要数据集的格式类似于本文中使用的格式即可。
最受欢迎的见解
1.r语言用神经网络改进nelson-siegel模型拟合收益率曲线分析
2.r语言实现拟合神经网络预测和结果可视化
3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析
4.用于nlp的python:使用keras的多标签文本lstm神经网络分类
5.用r语言实现神经网络预测股票实例
6.R语言基于Keras的小数据集深度学习图像分类
7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译
8.python中基于网格搜索算法优化的深度学习模型分析糖
9.matlab使用贝叶斯优化的深度学习