文本

2024-04-06 14:50| 来源: 网络整理| 查看: 265

使用字符级别特征的RNN网络生成名字准备数据构造神经网络训练训练准备训练神经网络损失数据作图网络采样练习使用字符级别特征的RNN网络生成名字

译者：hhxx2015

校对者：hijkzzz

作者: Sean Robertson

在上一个例子中我们使用RNN网络对名字所属的语言进行分类。这一次我们会反过来根据语言生成名字。

> python sample.py Russian RUSRovakovUantovShavakov> python sample.py German GERGerrenErengRosher> python sample.py Spanish SPASallaParerAllan> python sample.py Chinese CHIChanHangIun

我们仍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:

我默认你已经安装好了PyTorch，熟悉Python语言，理解“张量”的概念：

https://pytorch.org/ PyTorch安装指南Deep Learning with PyTorch: A 60 Minute Blitz PyTorch入门Learning PyTorch with Examples 一些PyTorch的例子PyTorch for Former Torch Users Lua Torch 用户参考

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的说明准备数据

点击这里下载数据并将其解压到当前文件夹。

有关此过程的更多详细信息，请参阅上一个教程。简而言之，有一些纯文本文件data/names/[Language].txt，它们的每行都有一个名字。我们按行将文本按行切分得到一个数组，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, divisionfrom io import openimport globimport osimport unicodedataimport stringall_letters = string.ascii_letters + " .,;'-"n_letters = len(all_letters) + 1 # Plus EOS markerdef findFiles(path): return glob.glob(path)# Turn a Unicode string to plain ASCII, thanks to https://stackoverflow.com/a/518232/2809427def 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 linesdef 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 categorycategory_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] = linesn_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"))

Out:

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

这个神经网络比上一个RNN教程中的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么的可能性。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 torchimport torch.nn as nnclass 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) 训练训练准备

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# Random item from a listdef randomChoice(l): return l[random.randint(0, len(l) - 1)]# Get a random category and random line from that categorydef 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“(类别，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"，我们将创建(“A”，“B”），(“B”，“C”），(“C”，“D”），(“D”，“EOS”））。

类别张量是一个尺寸的one-hot 向量

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，或者其他什么结构。

# One-hot vector for category9def 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 inputdef 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 targetdef 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，输入，目标）格式张量。

# Make category, input, and target tensors from a random category, line pairdef 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 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 = 0.0005def 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 timeimport mathdef 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train，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 = 100000print_every = 5000plot_every = 500all_losses = []total_loss = 0 # Reset every plot_every itersstart = 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%) 2.51520m 43s (10000 10%) 2.77581m 4s (15000 15%) 2.28841m 25s (20000 20%) 3.24041m 47s (25000 25%) 2.72982m 8s (30000 30%) 3.43012m 29s (35000 35%) 2.23062m 51s (40000 40%) 2.56283m 12s (45000 45%) 1.77003m 34s (50000 50%) 2.46573m 55s (55000 55%) 2.19094m 16s (60000 60%) 2.10044m 38s (65000 65%) 2.35244m 59s (70000 70%) 2.33395m 21s (75000 75%) 2.39365m 42s (80000 80%) 2.18866m 3s (85000 85%) 2.07396m 25s (90000 90%) 2.54516m 46s (95000 95%) 1.51047m 7s (100000 100%) 2.4600 损失数据作图

从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 pltimport matplotlib.ticker as tickerplt.figure()plt.plot(all_losses)

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么，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# Sample from a category and starting letterdef 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 lettersdef 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:

RovanikUakilovevShaveriGarterErenRomerSantaPareraArteraChanHaIua 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

【本文地址】

文本

文本

今日新闻

推荐新闻