NLP nedir?
NLP veya Doğal Dil İşleme, bilgisayarların bir insanı doğal dillerinde anlamasına, manipüle etmesine veya ona yanıt vermesine yardımcı olan Yapay Zekanın popüler dallarından biridir. NLP, diğer dilleri anlamamıza yardımcı olan Google Translate'in arkasındaki motordur.
Seq2Seq nedir?
Seq2Seq , bir dizi girişini bir etiket ve dikkat değeri ile bir dizi çıktısına eşleyen kodlayıcı-kod çözücü tabanlı makine çevirisi ve dil işleme yöntemidir. Buradaki fikir, özel bir belirteçle birlikte çalışacak 2 RNN kullanmak ve önceki diziden sonraki durum dizisini tahmin etmeye çalışmaktır.
Adım 1) Verilerimizi Yükleme
Veri kümemiz için, Sekmeyle Ayrılmış İki Dilli Cümle Çiftlerinden bir veri kümesi kullanacaksınız. Burada İngilizce'den Endonezya'ya veri setini kullanacağım. İstediğiniz herhangi bir şeyi seçebilirsiniz, ancak koddaki dosya adını ve dizini değiştirmeyi unutmayın.
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")
Adım 2) Veri Hazırlama
Veri kümesini doğrudan kullanamazsınız. Cümleleri kelimelere bölmeniz ve onu One-Hot Vector'e dönüştürmeniz gerekir. Bir sözlük oluşturmak için her kelime Lang sınıfında benzersiz bir şekilde dizine eklenecektir. Lang Sınıfı her cümleyi kaydedecek ve addSentence ile kelimeye bölecektir. Ardından, Sıra için bilinmeyen her kelimeyi sıralı modellere dizine ekleyerek bir sözlük oluşturun.
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
Lang Sınıfı, sözlük yapmamıza yardımcı olacak bir sınıftır. Her dil için, her cümle kelimelere bölünecek ve ardından kaba eklenecektir. Her bir kap, kelimeleri uygun dizinde saklar, sözcüğü sayar ve sözcüğün dizinini ekler, böylece onu bir sözcüğün dizinini veya dizininden bir sözcüğü bulmak için kullanabiliriz.
Verilerimiz TAB ile ayrıldığından, veri yükleyicimiz olarak pandaları kullanmanız gerekir. Pandalar, verilerimizi dataFrame olarak okuyacak ve kaynak ve hedef cümlenize bölecekler. Sahip olduğun her cümle için
- küçük harfe normalleştireceksiniz,
- karakter olmayanların tümünü kaldır
- Unicode'dan ASCII'ye dönüştür
- cümleleri bölün, böylece içindeki her kelimeye sahip olursunuz.
#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
Kullanacağınız başka bir kullanışlı işlev, çiftleri Tensöre dönüştürmektir. Bu çok önemlidir çünkü ağımız yalnızca tensör tipi verileri okur. Aynı zamanda önemlidir çünkü bu, cümlenin her sonunda ağa girdinin bittiğini bildiren bir belirtecin olacağı kısımdır. Cümledeki her kelime için, sözlükteki uygun kelimeden indeksi alacak ve cümlenin sonuna bir simge ekleyecektir.
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)
Seq2Seq Modeli
Kaynak: Seq2Seq
PyTorch Seq2seq modeli, modelin üstünde PyTorch kodlayıcı kod çözücü kullanan bir model türüdür. Kodlayıcı, cümle kelimesini, indeksli bir kelime haznesi veya bilinen kelimelerin indeksli olarak kodlayacaktır ve kod çözücü, kodlanmış girişin çıktısını sırayla kod çözerek tahmin edecek ve son girişi bir sonraki giriş olarak kullanmaya çalışacaktır. Mümkün. Bu yöntemle, bir cümle oluşturmak için bir sonraki girdiyi tahmin etmek de mümkündür. Sıranın sonunu belirtmek için her cümleye bir simge atanacaktır. Tahmin sonunda, çıktının sonunu işaretlemek için bir simge de olacaktır. Böylece, kodlayıcıdan çıktıyı tahmin etmek için kod çözücüye bir durum geçirecektir.
Kaynak: Seq2Seq Modeli
Kodlayıcı, girdi cümlemizi sırayla kelime kelime kodlayacak ve sonunda bir cümlenin sonunu işaretlemek için bir simge olacaktır. Kodlayıcı, bir Gömme katmanından ve bir GRU katmanından oluşur. Gömme katmanı, girdimizin gömülmesini sabit boyutlu bir kelime sözlüğüne depolayan bir arama tablosudur. Bir GRU katmanına aktarılacaktır. GRU katmanı, sıralı girdiyi hesaplayacak çok katmanlı RNN türünden oluşan Geçitli Tekrarlayan Birimdir. Bu katman, öncekinden gizli durumu hesaplayacak ve sıfırlama, güncelleme ve yeni geçitleri güncelleyecektir.
Kaynak: Seq2Seq
Dekoder, girişin kodlayıcı çıkışından kodunu çözecektir. Bir sonraki çıktıyı tahmin etmeye çalışacak ve mümkünse bir sonraki girdi olarak kullanmaya çalışacaktır. Kod çözücü bir Gömme katmanı, GRU katmanı ve bir Doğrusal katmandan oluşur. Gömme katmanı, çıktı için bir arama tablosu oluşturacak ve tahmin edilen çıktı durumunu hesaplamak için bir GRU katmanına geçecektir. Bundan sonra, bir Doğrusal katman, tahmin edilen çıktının gerçek değerini belirlemek için etkinleştirme işlevinin hesaplanmasına yardımcı olacaktır.
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
Adım 3) Modeli Eğitmek
Seq2seq modellerinde eğitim süreci, her bir cümle çiftinin Lang indeksinden Tensörlere dönüştürülmesiyle başlar. Sekans modeline sekansımız, optimize edici olarak SGD'yi ve kayıpları hesaplamak için NLLLoss işlevini kullanacaktır. Eğitim süreci, doğru çıktıyı tahmin etmek için bir cümle çiftini modele beslemekle başlar. Her adımda, kayıpları bulmak ve parametreleri güncellemek için modelden çıkan çıktı doğru kelimelerle hesaplanacaktır. Dolayısıyla, 75000 yineleme kullanacağınız için, dizilim modelimiz veri kümemizden rastgele 75000 çift üretecektir.
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
Adım 4) Modeli Test Edin
Seq2seq PyTorch'un değerlendirme süreci model çıktısını kontrol etmektir. Sıralamadan diziye modellerin her bir çifti, modele beslenecek ve tahmin edilen kelimeleri üretecektir. Bundan sonra, doğru dizini bulmak için her çıktıda en yüksek değere bakacaksınız. Ve sonunda, model tahminimizi gerçek cümle ile karşılaştıracaksınız.
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))
Şimdi 75000 iterasyon sayısı ve 512 gizli boyutu ile 1 RNN katmanı sayısı ile Seq to Seq ile eğitimimize başlayalım.
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)
Gördüğünüz gibi, tahmin edilen cümleniz çok iyi eşleşmiyor, bu nedenle daha yüksek doğruluk elde etmek için, çok daha fazla veriyle eğitim almanız ve öğrenmeyi sıralamak için Sırayı kullanarak daha fazla yineleme ve katman sayısı eklemeye çalışmanız gerekir.
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