PyTorch NLP From Scratch: 生成名稱與字符級RNN

原文：PyTorch NLP From Scratch: 生成名稱與字符級RNN

作者： Sean Robertson

這是我們關(guān)于“NLP From Scratch”的三個教程中的第二個。 在<cite>第一個教程< / intermediate / char_rnn_classification_tutorial ></cite> 中，我們使用了 RNN 將名稱分類為來源語言。 這次，我們將轉(zhuǎn)過來并使用語言生成名稱。

> python sample.py Russian RUS
Rovakov
Uantov
Shavakov


> python sample.py German GER
Gerren
Ereng
Rosher


> python sample.py Spanish SPA
Salla
Parer
Allan


> python sample.py Chinese CHI
Chan
Hang
Iun

我們?nèi)栽谑止ぶ谱鲙в幸恍┚€性層的小型 RNN。 最大的區(qū)別在于，我們無需輸入名稱中的所有字母即可預測類別，而是輸入類別并一次輸出一個字母。 反復預測字符以形成語言(這也可以用單詞或其他高階結(jié)構(gòu)來完成）通常稱為“語言模型”。

推薦讀物：

我假設(shè)您至少已經(jīng)安裝了 PyTorch，了解 Python 和了解 Tensors：

• https://pytorch.org/ 有關(guān)安裝說明
• 使用 PyTorch 進行深度學習：60 分鐘的閃電戰(zhàn)通常開始使用 PyTorch
• 使用示例學習 PyTorch 進行廣泛而深入的概述
• PyTorch(以前的 Torch 用戶）(如果您以前是 Lua Torch 用戶）

了解 RNN 及其工作方式也將很有用：

• 循環(huán)神經(jīng)網(wǎng)絡(luò)的不合理效果顯示了許多現(xiàn)實生活中的例子
• 了解 LSTM 網(wǎng)絡(luò)特別是關(guān)于 LSTM 的，但總體上也關(guān)于 RNN 的

我還建議上一個教程從頭開始進行 NLP：使用字符級 RNN 對名稱進行分類

準備數(shù)據(jù)

Note

從的下載數(shù)據(jù)，并將其提取到當前目錄。

有關(guān)此過程的更多詳細信息，請參見上一教程。 簡而言之，有一堆純文本文件data/names/[Language].txt，每行都有一個名稱。 我們將行分割成一個數(shù)組，將 Unicode 轉(zhuǎn)換為 ASCII，最后得到一個字典{language: [names ...]}。

from __future__ import unicode_literals, print_function, division
from io import open
import glob
import os
import unicodedata
import string


all_letters = string.ascii_letters + " .,;'-"
n_letters = len(all_letters) + 1 # Plus EOS marker


def findFiles(path): return glob.glob(path)


## Turn a Unicode string to plain ASCII, thanks to https://stackoverflow.com/a/518232/2809427
def unicodeToAscii(s):
    return ''.join(
        c for c in unicodedata.normalize('NFD', s)
        if unicodedata.category(c) != 'Mn'
        and c in all_letters
    )


## Read a file and split into lines
def readLines(filename):
    lines = open(filename, encoding='utf-8').read().strip().split('\n')
    return [unicodeToAscii(line) for line in lines]


## Build the category_lines dictionary, a list of lines per category
category_lines = {}
all_categories = []
for filename in findFiles('data/names/*.txt'):
    category = os.path.splitext(os.path.basename(filename))[0]
    all_categories.append(category)
    lines = readLines(filename)
    category_lines[category] = lines


n_categories = len(all_categories)


if n_categories == 0:
    raise RuntimeError('Data not found. Make sure that you downloaded data '
        'from https://download.pytorch.org/tutorial/data.zip and extract it to '
        'the current directory.')


print('# categories:', n_categories, all_categories)
print(unicodeToAscii("O'Néàl"))

出：

## categories: 18 ['French', 'Czech', 'Dutch', 'Polish', 'Scottish', 'Chinese', 'English', 'Italian', 'Portuguese', 'Japanese', 'German', 'Russian', 'Korean', 'Arabic', 'Greek', 'Vietnamese', 'Spanish', 'Irish']
O'Neal

建立網(wǎng)絡(luò)

該網(wǎng)絡(luò)使用最后一個教程的 RNN 擴展了，并為類別張量附加了一個參數(shù)，該參數(shù)與其他張量串聯(lián)在一起。 類別張量是一個熱向量，就像字母輸入一樣。

我們將輸出解釋為下一個字母的概率。 采樣時，最有可能的輸出字母用作下一個輸入字母。

我添加了第二個線性層o2o(將隱藏和輸出結(jié)合在一起之后），以使它具有更多的肌肉可以使用。 還有一個輟學層，以給定的概率(此處為 0.1）將輸入的部分隨機歸零，通常用于模糊輸入以防止過擬合。 在這里，我們在網(wǎng)絡(luò)的末端使用它來故意添加一些混亂并增加采樣種類。

import torch
import torch.nn as nn


class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()
        self.hidden_size = hidden_size


        self.i2h = nn.Linear(n_categories + input_size + hidden_size, hidden_size)
        self.i2o = nn.Linear(n_categories + input_size + hidden_size, output_size)
        self.o2o = nn.Linear(hidden_size + output_size, output_size)
        self.dropout = nn.Dropout(0.1)
        self.softmax = nn.LogSoftmax(dim=1)


    def forward(self, category, input, hidden):
        input_combined = torch.cat((category, input, hidden), 1)
        hidden = self.i2h(input_combined)
        output = self.i2o(input_combined)
        output_combined = torch.cat((hidden, output), 1)
        output = self.o2o(output_combined)
        output = self.dropout(output)
        output = self.softmax(output)
        return output, hidden


    def initHidden(self):
        return torch.zeros(1, self.hidden_size)

訓練

準備訓練

首先，helper 函數(shù)獲取隨機對(類別，行）：

import random


## Random item from a list
def randomChoice(l):
    return l[random.randint(0, len(l) - 1)]


## Get a random category and random line from that category
def randomTrainingPair():
    category = randomChoice(all_categories)
    line = randomChoice(category_lines[category])
    return category, line

對于每個時間步(即，對于訓練詞中的每個字母），網(wǎng)絡(luò)的輸入將為(category, current letter, hidden state)，而輸出將為(next letter, next hidden state)。 因此，對于每個訓練集，我們都需要類別，一組輸入字母和一組輸出/目標字母。

由于我們正在預測每個時間步中當前字母的下一個字母，因此字母對是該行中連續(xù)字母的組-例如 對于"ABCD<EOS>"，我們將創(chuàng)建(“ A”，“ B”），(“ B”，“ C”），(“ C”，“ D”），(“ D”，“ EOS”）。

類別張量是大小為<1 x n_categories>的一熱張量。 訓練時，我們會隨時隨地將其饋送到網(wǎng)絡(luò)中-這是一種設(shè)計選擇，它可能已被包含為初始隱藏狀態(tài)或某些其他策略的一部分。

## One-hot vector for category
def categoryTensor(category):
    li = all_categories.index(category)
    tensor = torch.zeros(1, n_categories)
    tensor[0][li] = 1
    return tensor


## One-hot matrix of first to last letters (not including EOS) for input
def inputTensor(line):
    tensor = torch.zeros(len(line), 1, n_letters)
    for li in range(len(line)):
        letter = line[li]
        tensor[li][0][all_letters.find(letter)] = 1
    return tensor


## LongTensor of second letter to end (EOS) for target
def targetTensor(line):
    letter_indexes = [all_letters.find(line[li]) for li in range(1, len(line))]
    letter_indexes.append(n_letters - 1) # EOS
    return torch.LongTensor(letter_indexes)

為了方便訓練，我們將使用randomTrainingExample函數(shù)來提取隨機(類別，行）對，并將其轉(zhuǎn)換為所需的(類別，輸入，目標）張量。

## Make category, input, and target tensors from a random category, line pair
def randomTrainingExample():
    category, line = randomTrainingPair()
    category_tensor = categoryTensor(category)
    input_line_tensor = inputTensor(line)
    target_line_tensor = targetTensor(line)
    return category_tensor, input_line_tensor, target_line_tensor

訓練網(wǎng)絡(luò)

與僅使用最后一個輸出的分類相反，我們在每個步驟進行預測，因此在每個步驟都計算損失。

autograd 的神奇之處在于，您可以簡單地將每一步的損失相加，然后在末尾調(diào)用。

criterion = nn.NLLLoss()


learning_rate = 0.0005


def train(category_tensor, input_line_tensor, target_line_tensor):
    target_line_tensor.unsqueeze_(-1)
    hidden = rnn.initHidden()


    rnn.zero_grad()


    loss = 0


    for i in range(input_line_tensor.size(0)):
        output, hidden = rnn(category_tensor, input_line_tensor[i], hidden)
        l = criterion(output, target_line_tensor[i])
        loss += l


    loss.backward()


    for p in rnn.parameters():
        p.data.add_(-learning_rate, p.grad.data)


    return output, loss.item() / input_line_tensor.size(0)

為了跟蹤訓練需要多長時間，我添加了一個timeSince(timestamp)函數(shù)，該函數(shù)返回人類可讀的字符串：

import time
import math


def timeSince(since):
    now = time.time()
    s = now - since
    m = math.floor(s / 60)
    s -= m * 60
    return '%dm %ds' % (m, s)

訓練照常進行-召集訓練多次，等待幾分鐘，每print_every個示例打印當前時間和損失，并在all_losses中將每個plot_every實例的平均損失存儲下來，以便以后進行繪圖。

rnn = RNN(n_letters, 128, n_letters)


n_iters = 100000
print_every = 5000
plot_every = 500
all_losses = []
total_loss = 0 # Reset every plot_every iters


start = time.time()


for iter in range(1, n_iters + 1):
    output, loss = train(*randomTrainingExample())
    total_loss += loss


    if iter % print_every == 0:
        print('%s (%d %d%%) %.4f' % (timeSince(start), iter, iter / n_iters * 100, loss))


    if iter % plot_every == 0:
        all_losses.append(total_loss / plot_every)
        total_loss = 0

Out:

0m 21s (5000 5%) 2.7607
0m 41s (10000 10%) 2.8047
1m 0s (15000 15%) 3.8541
1m 19s (20000 20%) 2.1222
1m 39s (25000 25%) 3.7181
1m 58s (30000 30%) 2.6274
2m 17s (35000 35%) 2.4538
2m 37s (40000 40%) 1.3385
2m 56s (45000 45%) 2.1603
3m 15s (50000 50%) 2.2497
3m 35s (55000 55%) 2.7588
3m 54s (60000 60%) 2.3754
4m 13s (65000 65%) 2.2863
4m 33s (70000 70%) 2.3610
4m 52s (75000 75%) 3.1793
5m 11s (80000 80%) 2.3203
5m 31s (85000 85%) 2.5548
5m 50s (90000 90%) 2.7351
6m 9s (95000 95%) 2.7740
6m 29s (100000 100%) 2.9683

繪制損失

繪制 all_losses 的歷史損失可顯示網(wǎng)絡(luò)學習情況：

import matplotlib.pyplot as plt
import matplotlib.ticker as ticker


plt.figure()
plt.plot(all_losses)

網(wǎng)絡(luò)采樣

為了示例，我們給網(wǎng)絡(luò)一個字母，詢問下一個字母是什么，將其作為下一個字母輸入，并重復直到 EOS 令牌。

• 為輸入類別，起始字母和空隱藏狀態(tài)創(chuàng)建張量
• 用起始字母創(chuàng)建一個字符串output_name
• 直到最大輸出長度，
  • 將當前信件輸入網(wǎng)絡(luò)
  • 從最高輸出中獲取下一個字母，以及下一個隱藏狀態(tài)
  • 如果字母是 EOS，請在此處停止
  • 如果是普通字母，請?zhí)砑拥?code>output_name并繼續(xù)
• 返回姓氏

Note

不必給它起一個開始字母，另一種策略是在訓練中包括一個“字符串開始”令牌，并讓網(wǎng)絡(luò)選擇自己的開始字母。

max_length = 20


## Sample from a category and starting letter
def sample(category, start_letter='A'):
    with torch.no_grad():  # no need to track history in sampling
        category_tensor = categoryTensor(category)
        input = inputTensor(start_letter)
        hidden = rnn.initHidden()


        output_name = start_letter


        for i in range(max_length):
            output, hidden = rnn(category_tensor, input[0], hidden)
            topv, topi = output.topk(1)
            topi = topi[0][0]
            if topi == n_letters - 1:
                break
            else:
                letter = all_letters[topi]
                output_name += letter
            input = inputTensor(letter)


        return output_name


## Get multiple samples from one category and multiple starting letters
def samples(category, start_letters='ABC'):
    for start_letter in start_letters:
        print(sample(category, start_letter))


samples('Russian', 'RUS')


samples('German', 'GER')


samples('Spanish', 'SPA')


samples('Chinese', 'CHI')

Out:

Rovakovak
Uariki
Sakilok
Gare
Eren
Rour
Salla
Pare
Alla
Cha
Honggg
Iun

練習題

• 嘗試使用其他類別的數(shù)據(jù)集->行，例如：
  • 虛構(gòu)系列->角色名稱
  • 詞性->詞
  • 國家->城市
• 使用“句子開頭”標記，以便可以在不選擇開始字母的情況下進行采樣
• 通過更大和/或形狀更好的網(wǎng)絡(luò)獲得更好的結(jié)果
  • 嘗試 nn.LSTM 和 nn.GRU 層
  • 將多個這些 RNN 合并為更高級別的網(wǎng)絡(luò)

腳本的總運行時間：(6 分鐘 29.292 秒）

Download Python source code: char_rnn_generation_tutorial.py Download Jupyter notebook: char_rnn_generation_tutorial.ipynb