Press "Enter" to skip to content

手把手带你使用字符级RNN生成名字 | PyTorch

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

作者 | News

 

编辑 | 奇予纪

 

出品 | 磐创AI团队出品

 

【磐创 AI  导读】 :本篇文章讲解了PyTorch专栏的第五章中的 使用字符级RNN生成名字 。 查 看专栏历史文章,请点击下方蓝色字体进入相应链接阅读。查看关于本专栏的介绍: PyTorch专栏开篇 。想 要更多电子杂志的机器学习,深度学习资源,大家欢迎点击上方蓝字关注我们的公众 号: 磐创 AI 。

 

专栏目录:

 

第一章: PyTorch之简介与下载

 

PyTorch简介

 

PyTorch环境搭建

 

第二章:PyTorch之60分钟入门

 

PyTorch入门

 

PyTorch自动微分

 

PyTorch神经网络

 

PyTorch图像分类器

 

PyTorch数据并行处理

 

第三章:PyTorch之入门强化

 

数据加载和处理

 

PyTorch小试牛刀

 

迁移学习

 

混合前端的seq2seq模型部署

 

保存和加载模型

 

第四章:PyTorch之图像篇

 

微调基于torchvision 0.3的目标检测模型

 

微调TorchVision模型

 

空间变换器网络

 

使用PyTorch进行神经传递

 

生成对抗示例

 

使用ONNX将模型转移至Caffe2和移动端

 

第五章:PyTorch之文本篇

 

聊天机器人教程

 

使用字符级RNN生成名字

 

使用字符级RNN进行名字分类

 

在深度学习和NLP中使用Pytorch

 

使用Sequence2Sequence网络和注意力进行翻译

 

第六章:PyTorch之生成对抗网络

 

第七章:PyTorch之强化学习

 

使用字符级RNN生成名字

 

在本教程 中我们使用RNN网络根据语言生成名字。

 

> 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

 

我们使用只有几层线性层的小型RNN。 最大的区别在于,这里不是在读取一个名字的所有字母后预测类别,而是输入一个类别之后在每一时刻输出一个字母。 循环预测字符以形成语言通常也被称为“语言模型”。 (也可以将字符换成单词或更高级的结构进行这一过程)

 

阅读建议

 

开始本教程前,你已经安装好了PyTorch,并熟悉Python语言,理解“”的概念:

 

https://.org/ 安装指南

 

Deep Learning with PyTorch: A 60 Minute Blitz :PyTorch的基本入门教程

 

Learning PyTorch with Examples: 得到深层而广泛的概述

 

PyTorch for Former Torch Users Lua Torch: 如果你曾是一个Lua张量的使用者

 

事先学习并了解RNN的工作原理对理解这个例子十分有帮助:

 

The Unreasonable Effectiveness of Recurrent Neural Networks 展示了很多实际的例子

 

Understanding LSTM Networks 是关于LSTM的,但也提供有关RNN的说明

 

1.准备数据

 

打开网页( https://download.pytorch.org/tutorial/data.zip )下载数据并将其解压到当前文件夹。 有些纯文本文件 data/names/[Language].txt ,它们的每行都有一个名字。

 

我们按行将文本按行分割得到一个数组,将Unicode编码转化为ASCII编码,最终得到 {language: [names ...]} 格式存储的字典变量。

 

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)
# 将Unicode字符串转换为纯ASCII, 感谢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
    )
# 读取文件并分成几行
def readLines(filename):
    lines = open(filename, encoding='utf-8').read().strip().split('\n')
    return [unicodeToAscii(line) for line in lines]
# 构建category_lines字典,列表中的每行是一个类别
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"))

 

输出结果

 

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

 

2.构造神经网络

 

这个神经网络 网络增加了额外的类别张量参数,该参数与其他输入连接在一起。 类别可以像字母一样组成 one-hot 向量构成张量输入。

 

我们将输出作为下一个字母是什幺的可能性。 采样过程中,当前输出可能性最高的字母作为下一时刻输入字母。

 

在组合隐藏状态和输出之后我们增加了第二个linear层 o2o ,使模型的性能更好。 当然还有一个dropout层,参考这篇论文 随机将输入部分替换为0 给出的参数(dropout=0.1)来模糊处理输入防止过拟合。

 

我们将它添加到网络的末端,故意添加一些混乱使采样特征增加。

 

import torch
import torch.nn as nn
class (nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(, 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)

 

3.训练

 

3.1 训练准备

 

首先,构造一个可以随机获取成对训练数据(category, line)的函数。

 

import random
# 列表中的随机项
def randomChoice(l):
    return l[random.randint(0, len(l) - 1)]
# 从该类别中获取随机类别和随机行
def randomTrainingPair():
    category = randomChoice(all_categories)
    line = randomChoice(category_lines[category])
    return category, line

 

对于每个时间步长(即,对于要训练单词中的每个字母),网络的输入将是“ ,当前字母,隐藏状态) ”,输出将是“ (下一个字母, 下一个隐藏状态) ”。 因此,对于每个训练集,我们将需要类别、一组输入字母和一组输出/目标字母。

 

在每一个时间序列,我们使用当前字母预测下一个字母,所以训练用的字母对来自于一个单词。 例如 对于 ” ABCD<EOS> “,我们将创建(“A”,“B”),(“B”,“C”),(“C”,“D”),(“D”,“EOS”))。

 

类别张量是一个 <1 x n_categories> 尺寸的 one-hot张量 。 训练时,我们在每一个时间序列都将其提供给神经网络。 这是一种选择策略,也可选择将其作为初始隐藏状态的一部分,或者其他什幺结构。

 

# 类别的One-hot张量
def categoryTensor(category):
    li = all_categories.index(category)
    tensor = torch.zeros(1, n_categories)
    tensor[0][li] = 1
    return tensor
# 用于输入的从头到尾字母(不包括EOS)的one-hot矩阵
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
# 用于目标的第二个结束字母(EOS)的LongTensor
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)

 

为了方便训练,我们将创建一个 randomTrainingExample 函数,该函数随机获取(类别,行)的对并将它们转换为所需要的(类别,,目标)格式张量。

 

# 从随机(类别,行)对中创建类别,输入和目标张量
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

 

3.2 训练神经网络

 

和只使用最后一个时刻输出的分类任务相比,这次我们每一个时间序列都会进行一次预测,所以每一个时间序列我们都会计算损失。

 

autograd 的神奇之处在于您可以在每一步中简单地累加这些损失,并在最后反向传播。

 

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)

 

为了跟踪训练耗费的时间,我添加一个 timeSince(timestamp) 函数,它返回一个人类可读的字符串:

 

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)

 

训练过程和平时一样。 多次运行训练,等待几分钟,每 print_every 次打印当前时间和损失。 在 all_losses 中保留每 plot_every 次的平均损失,以便稍后进行绘图。

 

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

 

输出结果:

 

0m 23s (5000 5%) 3.1569
0m 43s (10000 10%) 2.3132
1m 3s (15000 15%) 2.5069
1m 24s (20000 20%) 1.3100
1m 44s (25000 25%) 3.6083
2m 4s (30000 30%) 3.5398
2m 24s (35000 35%) 2.4387
2m 44s (40000 40%) 2.2262
3m 4s (45000 45%) 2.6500
3m 24s (50000 50%) 2.4559
3m 44s (55000 55%) 2.5030
4m 4s (60000 60%) 2.9417
4m 24s (65000 65%) 2.1571
4m 44s (70000 70%) 1.7415
5m 4s (75000 75%) 2.3649
5m 24s (80000 80%) 3.0096
5m 44s (85000 85%) 1.9196
6m 4s (90000 90%) 1.9468
6m 25s (95000 95%) 2.1522
6m 45s (100000 100%) 2.0344

 

3.3 损失数据作图

 

all_losses 得到历史损失记录,反映了神经网络的学习情况:

 

import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
plt.figure()
plt.plot(all_losses)

 

 

4.网络采样

 

我们每次给网络提供一个字母并预测下一个字母是什幺,将预测到的字母继续输入,直到得到EOS字符结束循环。

 

用输入类别、起始字母和空隐藏状态创建输入张量。

 

用起始字母构建一个字符串变量 output_name

 

得到最大输出长度,

* 将当前字母传入神经网络

* 从前一层得到下一个字母和下一个隐藏状态

* 如果字母是EOS,在这里停止

* 如果是一个普通的字母,添加到output_name变量并继续循环

 

返回最终得到的名字单词

 

另一种策略是,不必给网络一个起始字母,而是在训练中提供一个“字符串开始”的标记,并让网络自己选择起始的字母。

 

max_length = 20
# 来自类别和首字母的样本
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
# 从一个类别和多个起始字母中获取多个样本
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')

 

输出结果:

 

Rovanik
Uakilovev
Shaveri
Garter
Eren
Romer
Santa
Parera
Artera
Chan
Ha
Iua

 

练习

 

尝试其它 (类别->行) 格式的数据集,比如:

* 系列小说 -> 角色名称

* 词性 -> 单词

* 国家 -> 城市

 

尝试“start of sentence” 标记,使采样的开始过程不需要指定起始字母

 

通过更大和更复杂的网络获得更好的结果

* 尝试 nn.LSTM 和 nn.GRU 层

* 组合这些 RNN构造更复杂的神经网络

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注