نموذج Seq2seq (التسلسل إلى التسلسل) باستخدام PyTorch

ما هو البرمجة اللغوية العصبية؟

يعد البرمجة اللغوية العصبية (NLP) أو معالجة اللغات الطبيعية أحد الفروع الشائعة للذكاء الاصطناعي التي تساعد أجهزة الكمبيوتر على فهم الإنسان أو التعامل معه أو الاستجابة له بلغته الطبيعية. البرمجة اللغوية العصبية هي المحرك وراء Google Translate التي تساعدنا على فهم اللغات الأخرى.

ما هو Seq2Seq؟

Seq2Seq هي إحدى طرق الترجمة الآلية القائمة على التشفير وفك التشفير ومعالجة اللغة التي تقوم بتعيين مدخلات التسلسل إلى مخرجات التسلسل باستخدام علامة وقيمة انتباه. تتمثل الفكرة في استخدام شبكتين RNN تعملان معًا مع رمز خاص وتحاول التنبؤ بتسلسل الحالة التالي من التسلسل السابق.

كيفية التنبؤ بالتسلسل من التسلسل السابق

فيما يلي الخطوات الخاصة بالتنبؤ بالتسلسل من التسلسل السابق باستخدام PyTorch.

الخطوة 1) تحميل بياناتنا

بالنسبة لمجموعة البيانات الخاصة بنا، ستستخدم مجموعة بيانات من أزواج الجمل ثنائية اللغة المحددة بعلامات جدولة. سأستخدم هنا مجموعة البيانات من الإنجليزية إلى الإندونيسية. يمكنك اختيار أي شيء تريده ولكن تذكر تغيير اسم الملف والدليل في الكود.

from __future__ import unicode_literals, print_function, division
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F

import numpy as np
import pandas as pd

import os
import re
import random

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

الخطوة 2) إعداد البيانات

لا يمكنك استخدام مجموعة البيانات مباشرة. تحتاج إلى تقسيم الجمل إلى كلمات وتحويلها إلى One-Hot Vector. سيتم فهرسة كل كلمة بشكل فريد في فئة لانج لإنشاء قاموس. سيقوم Lang Class بتخزين كل جملة وتقسيمها كلمة بكلمة باستخدام addSentence. ثم قم بإنشاء قاموس عن طريق فهرسة كل كلمة غير معروفة لنماذج التسلسل إلى نماذج التسلسل.

SOS_token = 0
EOS_token = 1
MAX_LENGTH = 20

#initialize Lang Class
class Lang:
   def __init__(self):
       #initialize containers to hold the words and corresponding index
       self.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 container
   def 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 counter
   def addWord(self, word):
       if word not in self.word2index:
           self.word2index[word] = self.n_words
           self.word2count[word] = 1
           self.index2word[self.n_words] = word
           self.n_words += 1
       else:
           self.word2count[word] += 1

فئة Lang هي فئة ستساعدنا في إنشاء قاموس. بالنسبة لكل لغة، سيتم تقسيم كل جملة إلى كلمات ثم إضافتها إلى الحاوية. ستقوم كل حاوية بتخزين الكلمات في الفهرس المناسب، وتعداد الكلمة، وإضافة فهرس الكلمة حتى نتمكن من استخدامها للعثور على فهرس الكلمة أو العثور على كلمة من فهرسها.

نظرًا لأن بياناتنا مفصولة بواسطة TAB، فأنت بحاجة إلى استخدامها الباندا كمحمل البيانات لدينا. سوف تقرأ الباندا بياناتنا على هيئة dataFrame وتقسمها إلى جملة المصدر والجملة المستهدفة. لكل جملة لديك،

• سوف تقوم بتطبيعه إلى حالة صغيرة،
• إزالة كافة الأحرف غير
• تحويل إلى ASCII من Unicode
• قم بتقسيم الجمل، بحيث يكون لديك كل كلمة فيها.

#Normalize every sentence
def 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 sentence

def read_sentence(df, lang1, lang2):
   sentence1 = normalize_sentence(df, lang1)
   sentence2 = normalize_sentence(df, lang2)
   return sentence1, sentence2

def read_file(loc, lang1, lang2):
   df = pd.read_csv(loc, delimiter='\t', header=None, names=[lang1, lang2])
   return df

def 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

وظيفة أخرى مفيدة ستستخدمها هي تحويل الأزواج إلى Tensor. وهذا مهم جدًا لأن شبكتنا تقرأ فقط بيانات نوع الموتر. إنه مهم أيضًا لأن هذا هو الجزء الذي يوجد في كل نهاية الجملة رمز مميز لإخبار الشبكة بأن الإدخال قد انتهى. لكل كلمة في الجملة، ستحصل على فهرس من الكلمة المناسبة في القاموس وتضيف رمزًا مميزًا في نهاية الجملة.

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)

نموذج Seq2Seq

نموذج PyTorch Seq2seq هو نوع من النماذج التي تستخدم وحدة فك ترميز PyTorch أعلى النموذج. سيقوم برنامج التشفير بتشفير الجملة كلمة بعد كلمة في فهرس للمفردات أو الكلمات المعروفة مع الفهرس، وسوف يتنبأ جهاز فك التشفير بمخرجات الإدخال المشفر عن طريق فك تشفير الإدخال بالتسلسل وسيحاول استخدام الإدخال الأخير كمدخل تالٍ إذا انه ممكن. باستخدام هذه الطريقة، من الممكن أيضًا التنبؤ بالمدخل التالي لإنشاء الجملة. سيتم تخصيص رمز مميز لكل جملة لتمييز نهاية التسلسل. في نهاية التنبؤ، سيكون هناك أيضًا رمز مميز لتمييز نهاية الإخراج. لذلك، من جهاز التشفير، سيتم تمرير الحالة إلى وحدة فك التشفير للتنبؤ بالإخراج.

سيقوم برنامج التشفير بتشفير الجملة المدخلة لدينا كلمة بكلمة بالتسلسل وفي النهاية سيكون هناك رمز مميز لتمييز نهاية الجملة. يتكون برنامج التشفير من طبقة التضمين وطبقات GRU. طبقة التضمين عبارة عن جدول بحث يقوم بتخزين تضمين مدخلاتنا في قاموس كلمات ثابت الحجم. سيتم تمريره إلى طبقة GRU. طبقة GRU عبارة عن وحدة متكررة مسورة تتكون من طبقات متعددة RNN من شأنها أن تحسب المدخلات المتسلسلة. ستقوم هذه الطبقة بحساب الحالة المخفية من الحالة السابقة وتحديث إعادة التعيين والتحديث والبوابات الجديدة.

سيقوم جهاز فك التشفير بفك تشفير الإدخال من إخراج جهاز التشفير. سيحاول التنبؤ بالمخرج التالي ومحاولة استخدامه كمدخل تالي إذا كان ذلك ممكنًا. يتكون جهاز فك التشفير من طبقة التضمين وطبقة GRU وطبقة خطية. ستقوم طبقة التضمين بإنشاء جدول بحث للمخرجات وتمريره إلى طبقة GRU لحساب حالة الإخراج المتوقعة. بعد ذلك، ستساعد الطبقة الخطية في حساب دالة التنشيط لتحديد القيمة الحقيقية للمخرجات المتوقعة.

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 layers 
       self.input_dim = input_dim
       self.embbed_dim = embbed_dim
       self.hidden_dim = hidden_dim
       self.num_layers = num_layers

       #initialize the embedding layer with input and embbed dimention
       self.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 layers
       self.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, hidden

class 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 layers 
       self.embbed_dim = embbed_dim
       self.hidden_dim = hidden_dim
       self.output_dim = output_dim
       self.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, hidden

class Seq2Seq(nn.Module):
   def __init__(self, encoder, decoder, device, MAX_LENGTH=MAX_LENGTH):
       super().__init__()
      
#initialize the encoder and decoder
       self.encoder = encoder
       self.decoder = decoder
       self.device = device
     
   def 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 outputs
       outputs = torch.zeros(target_length, batch_size, vocab_size).to(self.device)

#encode every word in a sentence
       for i in range(input_length):
           encoder_output, encoder_hidden = self.encoder(source[i])

#use the encoder’s hidden layer as the decoder hidden
       decoder_hidden = encoder_hidden.to(device)
  
#add a token before the first predicted word
       decoder_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_output
           teacher_force = random.random() < teacher_forcing_ratio
           topv, topi = decoder_output.topk(1)
           input = (target[t] if teacher_force else topi)
           if(teacher_force == False and input.item() == EOS_token):
               break

       return outputs

الخطوة 3) تدريب النموذج

تبدأ عملية التدريب في نماذج Seq2seq بتحويل كل زوج من الجمل إلى Tensors من مؤشر Lang الخاص بها. سيستخدم نموذج التسلسل إلى التسلسل الخاص بنا SGD كمُحسِّن ووظيفة NLLLoss لحساب الخسائر. تبدأ عملية التدريب بتغذية النموذج بزوج من الجمل للتنبؤ بالإخراج الصحيح. في كل خطوة، سيتم حساب مخرجات النموذج بالكلمات الحقيقية للعثور على الخسائر وتحديث المعلمات. لذا، نظرًا لأنك ستستخدم 75000 تكرارًا، فإن نموذج التسلسل إلى التسلسل الخاص بنا سيولد 75000 زوجًا عشوائيًا من مجموعة البيانات الخاصة بنا.

teacher_forcing_ratio = 0.5

def clacModel(model, input_tensor, target_tensor, model_optimizer, criterion):
   model_optimizer.zero_grad()

   input_length = input_tensor.size(0)
   loss = 0
   epoch_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 result
   for ot in range(num_iter):
       loss += criterion(output[ot], target_tensor[ot])

   loss.backward()
   model_optimizer.step()
   epoch_loss = loss.item() / num_iter

   return epoch_loss

def trainModel(model, source, target, pairs, num_iteration=20000):
   model.train()

   optimizer = optim.SGD(model.parameters(), lr=0.01)
   criterion = nn.NLLLoss()
   total_loss_iterations = 0

   training_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 += loss

       if iter % 5000 == 0:
           avarage_loss= total_loss_iterations / 5000
           total_loss_iterations = 0
           print('%d %.4f' % (iter, avarage_loss))
          
   torch.save(model.state_dict(), 'mytraining.pt')
   return model

الخطوة 4) اختبار النموذج

تتمثل عملية تقييم Seq2seq PyTorch في التحقق من مخرجات النموذج. سيتم إدخال كل زوج من نماذج التسلسل إلى التسلسل في النموذج وإنشاء الكلمات المتوقعة. بعد ذلك سوف تبحث عن أعلى قيمة في كل نتيجة للعثور على الفهرس الصحيح. وفي النهاية سوف تقارن لترى توقعاتنا النموذجية مع الجملة الحقيقية

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('<EOS>')
               break
           else:
               decoded_words.append(output_lang.index2word[topi[0].item()])
   return decoded_words

def 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))

الآن، لنبدأ تدريبنا باستخدام Seq to Seq، بعدد التكرارات 75000 وعدد طبقات RNN 1 بالحجم المخفي 512.

lang1 = 'eng'
lang2 = 'ind'
source, target, pairs = process_data(lang1, lang2)

randomize = random.choice(pairs)
print('random sentence {}'.format(randomize))

#print number of words
input_size = source.n_words
output_size = target.n_words
print('Input : {} Output : {}'.format(input_size, output_size))

embed_size = 256
hidden_size = 512
num_layers = 1
num_iteration = 100000

#create encoder-decoder model
encoder = 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 model 
print(encoder)
print(decoder)

model = trainModel(model, source, target, pairs, num_iteration)
evaluateRandomly(model, source, target, pairs)

كما ترون، الجملة المتوقعة لدينا ليست متطابقة بشكل جيد، لذلك من أجل الحصول على دقة أعلى، تحتاج إلى التدريب باستخدام المزيد من البيانات ومحاولة إضافة المزيد من التكرارات وعدد الطبقات باستخدام التعلم التسلسلي للتسلسل.

random sentence ['tom is finishing his work', 'tom sedang menyelesaikan pekerjaannya']
Input : 3551 Output : 4253
Encoder(
  (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 4.0906
10000 3.9129
15000 3.8171
20000 3.8369
25000 3.8199
30000 3.7957
35000 3.8037
40000 3.8098
45000 3.7530
50000 3.7119
55000 3.7263
60000 3.6933
65000 3.6840
70000 3.7058
75000 3.7044

> this is worth one million yen
= ini senilai satu juta yen
< tom sangat satu juta yen <EOS>

> she got good grades in english
= dia mendapatkan nilai bagus dalam bahasa inggris
< tom meminta nilai bagus dalam bahasa inggris <EOS>

> put in a little more sugar
= tambahkan sedikit gula
< tom tidak <EOS>

> are you a japanese student
= apakah kamu siswa dari jepang
< tom kamu memiliki yang jepang <EOS>

> 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 <EOS>

> speaking about trips have you ever been to kobe
= berbicara tentang wisata apa kau pernah ke kobe
< tom tidak <EOS>

> tom bought me roses
= tom membelikanku bunga mawar
< tom tidak bunga mawar <EOS>

> no one was more surprised than tom
= tidak ada seorangpun yang lebih terkejut dari tom
< tom ada orang yang lebih terkejut <EOS>

> i thought it was true
= aku kira itu benar adanya
< tom tidak <EOS>