PyTorch NLP From Scratch: 使用char

您所在的位置：网站首页 › pytorch 练习题 › PyTorch NLP From Scratch: 使用char

PyTorch NLP From Scratch: 使用char

2023-07-21 23:38| 来源: 网络整理| 查看: 265

原文： https://pytorch.org/tutorials/intermediate/char_rnn_classification_tutorial.html

作者： Sean Robertson

我们将构建和训练基本的字符级 RNN 对单词进行分类。本教程与以下两个教程一起，展示了如何“从头开始”进行 NLP 建模的预处理数据，特别是不使用 torchtext 的许多便利功能，因此您可以了解如何进行 NLP 建模的预处理在低水平上工作。

字符级 RNN 将单词作为一系列字符读取-在每个步骤输出预测和“隐藏状态”，将其先前的隐藏状态输入到每个下一步。我们将最终的预测作为输出，即单词属于哪个类别。

具体来说，我们将训练来自 18 种起源语言的数千种姓氏，并根据拼写方式预测名称的来源：

$ python predict.py Hinton (-0.47) Scottish (-1.52) English (-3.57) Irish $ python predict.py Schmidhuber (-0.19) German (-2.48) Czech (-2.68) Dutch

推荐读物：

我假设您至少已经安装了 PyTorch，了解 Python 和了解 Tensors：

https://pytorch.org/ 有关安装说明使用 PyTorch 进行深度学习：60 分钟的闪电战通常开始使用 PyTorch 使用示例学习 PyTorch 进行广泛而深入的概述 PyTorch(以前的 Torch 用户）(如果您以前是 Lua Torch 用户）

了解 RNN 及其工作方式也将很有用：

循环神经网络的不合理效果显示了许多现实生活中的例子了解 LSTM 网络特别是关于 LSTM 的，但总体上也关于 RNN 的准备数据

注意：

从的下载数据，并将其提取到当前目录。

data/names目录中包含 18 个文本文件，名为“ [Language] .txt”。每个文件包含一堆名称，每行一个名称，大多数都是罗马化的(但我们仍然需要从 Unicode 转换为 ASCII）。

我们将得到一个字典，列出每种语言的名称列表{language: [names ...]}。通用变量“类别”和“行”(在本例中为语言和名称）用于以后的扩展。

from __future__ import unicode_literals, print_function, division from io import open import glob import os def findFiles(path): return glob.glob(path) print(findFiles('data/names/*.txt')) import unicodedata import string all_letters = string.ascii_letters + " .,;'" n_letters = len(all_letters) ## 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 ) print(unicodeToAscii('Ślusàrski')) ## Build the category_lines dictionary, a list of names per language category_lines = {} all_categories = [] ## 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] 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)

得出：

['data/names/French.txt', 'data/names/Czech.txt', 'data/names/Dutch.txt', 'data/names/Polish.txt', 'data/names/Scottish.txt', 'data/names/Chinese.txt', 'data/names/English.txt', 'data/names/Italian.txt', 'data/names/Portuguese.txt', 'data/names/Japanese.txt', 'data/names/German.txt', 'data/names/Russian.txt', 'data/names/Korean.txt', 'data/names/Arabic.txt', 'data/names/Greek.txt', 'data/names/Vietnamese.txt', 'data/names/Spanish.txt', 'data/names/Irish.txt'] Slusarski

现在我们有了category_lines，这是一个字典，将每个类别(语言）映射到行(名称）列表。我们还跟踪了all_categories(只是语言列表）和n_categories，以供以后参考。

print(category_lines['Italian'][:5])

得出:

['Abandonato', 'Abatangelo', 'Abatantuono', 'Abate', 'Abategiovanni'] 将名称转换为张量

现在我们已经组织了所有名称，我们需要将它们转换为张量以使用它们。

为了表示单个字母，我们使用大小为;1 x n_letters;的“ one-hot vector”。一个热门向量用 0 填充，但当前字母的索引处的数字为 1，例如 "b" = ;0 1 0 0 0 ...;。

为了制造一个单词，我们将其中的一些连接成 2D 矩阵;line_length x 1 x n_letters;。

额外的 1 维是因为 PyTorch 假设所有内容都是批量的-我们在这里只使用 1 的批量大小。

import torch ## Find letter index from all_letters, e.g. "a" = 0 def letterToIndex(letter): return all_letters.find(letter) ## Just for demonstration, turn a letter into a Tensor def letterToTensor(letter): tensor = torch.zeros(1, n_letters) tensor[0][letterToIndex(letter)] = 1 return tensor ## Turn a line into a , ## or an array of one-hot letter vectors def lineToTensor(line): tensor = torch.zeros(len(line), 1, n_letters) for li, letter in enumerate(line): tensor[li][0][letterToIndex(letter)] = 1 return tensor print(letterToTensor('J')) print(lineToTensor('Jones').size())

得出：

tensor([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]]) torch.Size([5, 1, 57]) 建立网络

在进行自动分级之前，在 Torch 中创建一个递归神经网络需要在多个时间步上克隆图层的参数。图层保留了隐藏状态和渐变，这些图层现在完全由图形本身处理。这意味着您可以以非常“纯粹”的方式实现 RNN，作为常规的前馈层。

这个 RNN 模块(主要从 PyTorch for Torch 用户教程的复制）仅是 2 个线性层，它们在输入和隐藏状态下运行，输出之后是 LogSoftmax 层。

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(input_size + hidden_size, hidden_size) self.i2o = nn.Linear(input_size + hidden_size, output_size) self.softmax = nn.LogSoftmax(dim=1) def forward(self, input, hidden): combined = torch.cat((input, hidden), 1) hidden = self.i2h(combined) output = self.i2o(combined) output = self.softmax(output) return output, hidden def initHidden(self): return torch.zeros(1, self.hidden_size) n_hidden = 128 rnn = RNN(n_letters, n_hidden, n_categories)

要运行此网络的步骤，我们需要传递输入(在本例中为当前字母的张量）和先前的隐藏状态(首先将其初始化为零）。我们将返回输出(每种语言的概率）和下一个隐藏状态(我们将其保留用于下一步）。

input = letterToTensor('A') hidden =torch.zeros(1, n_hidden) output, next_hidden = rnn(input, hidden)

为了提高效率，我们不想为每个步骤创建一个新的 Tensor，因此我们将使用lineToTensor而不是letterToTensor并使用切片。这可以通过预先计算一批张量来进一步优化。

input = lineToTensor('Albert') hidden = torch.zeros(1, n_hidden) output, next_hidden = rnn(input[0], hidden) print(output)

得出:

tensor([[-2.9504, -2.8402, -2.9195, -2.9136, -2.9799, -2.8207, -2.8258, -2.8399, -2.9098, -2.8815, -2.8313, -2.8628, -3.0440, -2.8689, -2.9391, -2.8381, -2.9202, -2.8717]], grad_fn=)

如您所见，输出为;1 x n_categories;张量，其中每个项目都是该类别的可能性(更高的可能性更大）。

训练准备训练

在接受训练之前，我们应该做一些辅助功能。首先是解释网络的输出，我们知道这是每个类别的可能性。我们可以使用Tensor.topk来获得最大值的索引：

def categoryFromOutput(output): top_n, top_i = output.topk(1) category_i = top_i[0].item() return all_categories[category_i], category_i print(categoryFromOutput(output))

得出:

('Chinese', 5)

我们还将需要一种快速的方法来获取训练示例(名称及其语言）：

import random def randomChoice(l): return l[random.randint(0, len(l) - 1)] def randomTrainingExample(): category = randomChoice(all_categories) line = randomChoice(category_lines[category]) category_tensor = torch.tensor([all_categories.index(category)], dtype=torch.long) line_tensor = lineToTensor(line) return category, line, category_tensor, line_tensor for i in range(10): category, line, category_tensor, line_tensor = randomTrainingExample() print('category =', category, '/ line =', line)

得出:

category = Italian / line = Pastore category = Arabic / line = Toma category = Irish / line = Tracey category = Portuguese / line = Lobo category = Arabic / line = Sleiman category = Polish / line = Sokolsky category = English / line = Farr category = Polish / line = Winogrodzki category = Russian / line = Adoratsky category = Dutch / line = Robert 训练网络

现在，训练该网络所需要做的就是向它展示大量示例，进行猜测，并告诉它是否错误。

对于损失函数，nn.NLLLoss是适当的，因为 RNN 的最后一层是nn.LogSoftmax。

criterion = nn.NLLLoss()

每个训练循环将：

创建输入和目标张量创建归零的初始隐藏状态阅读和中的每个字母保持下一个字母的隐藏状态比较最终输出与目标反向传播返回输出和损失 learning_rate = 0.005 # If you set this too high, it might explode. If too low, it might not learn def train(category_tensor, line_tensor): hidden = rnn.initHidden() rnn.zero_grad() for i in range(line_tensor.size()[0]): output, hidden = rnn(line_tensor[i], hidden) loss = criterion(output, category_tensor) loss.backward() # Add parameters' gradients to their values, multiplied by learning rate for p in rnn.parameters(): p.data.add_(-learning_rate, p.grad.data) return output, loss.item()

现在，我们只需要运行大量示例。由于train函数同时返回输出和损失，因此我们可以打印其猜测并跟踪绘制损失。因为有 1000 个示例，所以我们仅打印每个print_every示例，并对损失进行平均。

import time import math n_iters = 100000 print_every = 5000 plot_every = 1000 ## Keep track of losses for plotting current_loss = 0 all_losses = [] def timeSince(since): now = time.time() s = now - since m = math.floor(s / 60) s -= m * 60 return '%dm %ds' % (m, s) start = time.time() for iter in range(1, n_iters + 1): category, line, category_tensor, line_tensor = randomTrainingExample() output, loss = train(category_tensor, line_tensor) current_loss += loss # Print iter number, loss, name and guess if iter % print_every == 0: guess, guess_i = categoryFromOutput(output) correct = '✓' if guess == category else '✗ (%s)' % category print('%d %d%% (%s) %.4f %s / %s %s' % (iter, iter / n_iters * 100, timeSince(start), loss, line, guess, correct)) # Add current loss avg to list of losses if iter % plot_every == 0: all_losses.append(current_loss / plot_every) current_loss = 0

得出:

5000 5% (0m 12s) 3.1806 Olguin / Irish ✗ (Spanish) 10000 10% (0m 21s) 2.1254 Dubnov / Russian ✓ 15000 15% (0m 29s) 3.1001 Quirke / Polish ✗ (Irish) 20000 20% (0m 38s) 0.9191 Jiang / Chinese ✓ 25000 25% (0m 46s) 2.3233 Marti / Italian ✗ (Spanish) 30000 30% (0m 54s) nan Amari / Russian ✗ (Arabic) 35000 35% (1m 3s) nan Gudojnik / Russian ✓ 40000 40% (1m 11s) nan Finn / Russian ✗ (Irish) 45000 45% (1m 20s) nan Napoliello / Russian ✗ (Italian) 50000 50% (1m 28s) nan Clark / Russian ✗ (Irish) 55000 55% (1m 37s) nan Roijakker / Russian ✗ (Dutch) 60000 60% (1m 46s) nan Kalb / Russian ✗ (Arabic) 65000 65% (1m 54s) nan Hanania / Russian ✗ (Arabic) 70000 70% (2m 3s) nan Theofilopoulos / Russian ✗ (Greek) 75000 75% (2m 11s) nan Pakulski / Russian ✗ (Polish) 80000 80% (2m 20s) nan Thistlethwaite / Russian ✗ (English) 85000 85% (2m 29s) nan Shadid / Russian ✗ (Arabic) 90000 90% (2m 37s) nan Finnegan / Russian ✗ (Irish) 95000 95% (2m 46s) nan Brannon / Russian ✗ (Irish) 100000 100% (2m 54s) nan Gomulka / Russian ✗ (Polish) 绘制结果

从all_losses绘制历史损失可显示网络学习情况：

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

../_images/sphx_glr_char_rnn_classification_tutorial_001.png

评估结果

为了查看网络在不同类别上的表现如何，我们将创建一个混淆矩阵，为每种实际语言(行）指示网络猜测(列）哪种语言。为了计算混淆矩阵，使用evaluate()通过网络运行一堆样本，该样本等于train()减去反向传播器。

# Keep track of correct guesses in a confusion matrix confusion = torch.zeros(n_categories, n_categories) n_confusion = 10000 ## Just return an output given a line def evaluate(line_tensor): hidden = rnn.initHidden() for i in range(line_tensor.size()[0]): output, hidden = rnn(line_tensor[i], hidden) return output ## Go through a bunch of examples and record which are correctly guessed for i in range(n_confusion): category, line, category_tensor, line_tensor = randomTrainingExample() output = evaluate(line_tensor) guess, guess_i = categoryFromOutput(output) category_i = all_categories.index(category) confusion[category_i][guess_i] += 1 ## Normalize by dividing every row by its sum for i in range(n_categories): confusion[i] = confusion[i] / confusion[i].sum() ## Set up plot fig = plt.figure() ax = fig.add_subplot(111) cax = ax.matshow(confusion.numpy()) fig.colorbar(cax) ## Set up axes ax.set_xticklabels([''] + all_categories, rotation=90) ax.set_yticklabels([''] + all_categories) ## Force label at every tick ax.xaxis.set_major_locator(ticker.MultipleLocator(1)) ax.yaxis.set_major_locator(ticker.MultipleLocator(1)) ## sphinx_gallery_thumbnail_number = 2 plt.show()

../_images/sphx_glr_char_rnn_classification_tutorial_002.png

您可以从主轴上挑出一些亮点，以显示它猜错了哪些语言，例如中文(朝鲜语）和西班牙语(意大利语）。它似乎与希腊语搭配得很好，与英语搭配得很差(可能是因为与其他语言重叠）。

在用户输入上运行def predict(input_line, n_predictions=3): print('\n> %s' % input_line) with torch.no_grad(): output = evaluate(lineToTensor(input_line)) # Get top N categories topv, topi = output.topk(n_predictions, 1, True) predictions = [] for i in range(n_predictions): value = topv[0][i].item() category_index = topi[0][i].item() print('(%.2f) %s' % (value, all_categories[category_index])) predictions.append([value, all_categories[category_index]]) predict('Dovesky') predict('Jackson') predict('Satoshi')

得出:

> Dovesky (nan) Russian (nan) Arabic (nan) Korean > Jackson (nan) Russian (nan) Arabic (nan) Korean > Satoshi (nan) Russian (nan) Arabic (nan) Korean

实际 PyTorch 存储库中的脚本的最终版本将上述代码分成几个文件：

data.py(加载文件） model.py(定义 RNN） train.py(进行训练） predict.py(使用命令行参数运行predict()） server.py(通过 bottle.py 将预测用作 JSON API）

运行train.py训练并保存网络。

使用名称运行predict.py以查看预测：

$ python predict.py Hazaki (-0.42) Japanese (-1.39) Polish (-3.51) Czech 练习题尝试使用其他行->类别的数据集，例如：任何字词->语言名->性别角色名称->作家页面标题->博客或 subreddit 通过更大和/或形状更好的网络获得更好的结果添加更多线性层尝试nn.LSTM和nn.GRU层将多个这些 RNN 合并为更高级别的网络

脚本的总运行时间：(3 分 4.326 秒）

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

由狮身人面像画廊生成的画廊

【本文地址】

公司简介

联系我们