示例代码源自keras/examples/lstm_seq2seq.py
算法介绍
- 算法目的是将来自某个域中的输入序列
X
(英语语句) 映射到 另一个域中对应的目标序列
Y (法语语句)。 - LSTM编码器:将输入序列映射
X
为一个2维的状态向量
v (仅保留LSTM最后的状态向量,而不要LSTM的输出); - LSTM解码器:训练该解码器,将目标序列
Y
映射到向后偏移一个时间步的
Y 。这个训练过程称为“教师强迫Teacher Forcing”,训练使用 编码器 输出的状态向量 v 作为初始状态。实际上,解码器学习 在给定Y(…,t) 和输入序列 X 的条件下预测Y(t+1,…) - 进行推断时,我们需要解码未知输入序列:
- 将输入序列编码为状态向量
- 从一个长度为1的目标序列开始(即序列
开始标志字符
) - 将状态向量和长度为1的目标序列送入解码器,预测下一个字符,并将它加入目标序列
- 重复,直到出现
序列终止标识字符
或 达到预设的最大字符串长度
数据集下载
English to French sentence pairs.
http://www.manythings.org/anki/fra-eng.zip
参考文献
- Sequence to Sequence Learning with Neural Networks
https://arxiv.org/abs/1409.3215 - Learning Phrase Representations using
RNN Encoder-Decoder for Statistical Machine Translation
https://arxiv.org/abs/1406.1078
from keras.models import Model
from keras.layers import Input, LSTM, Dense
import numpy as np
batch_size = 64
epochs = 100
latent_dim = 256 #编码空间维数
num_samples = 10000 # 用于训练的样本数
data_path = 'W:/DataSets/Anki/fra.txt'
# 数据向量化
input_texts = [] # 输入文本列表
target_texts = [] # 目标文本列表
input_characters = set() # 输入文本的字符集合
target_characters = set() # 目标文本的字符集合
lines = open(data_path, encoding='UTF-8').read().split('\n')
for line in lines[: min(num_samples, len(lines) - 1)]:
input_text, target_text = line.split('\t') # 将输入文本与目标文本分开
target_text = '\t' + target_text + '\n' # 为目标文本加入头尾标识
input_texts.append(input_text) # 添加到输入文本序列
target_texts.append(target_text) # 添加到目标文本序列
for char in input_text:
if char not in input_characters:
input_characters.add(char) # 构建输入文本字符集
for char in target_text:
if char not in target_characters:
target_characters.add(char) # 构建目标文本字符集
input_characters = sorted(list(input_characters)) # 将输入文本字符集转换成有序列表
target_characters = sorted(list(target_characters)) # 将目标文本字符集转换成有序列表
num_encoder_tokens = len(input_characters) # 输入文本字符数量
num_decoder_tokens = len(target_characters) # 目标文本字符数量
max_encoder_seq_length = max([len(txt) for txt in input_texts]) # 最大编码序列长度 = 单个输入文本的最大长度
max_decoder_seq_length = max([len(txt) for txt in target_texts]) # 最大解码序列长度 = 单个目标文本的最大长度
print('Number of samples:', len(input_texts))
print('Number of unique input tokens:', num_encoder_tokens)
print('Number of unique output tokens:', num_decoder_tokens)
print('Max sequence length for inputs:', max_encoder_seq_length)
print('Max sequence length for outputs:', max_decoder_seq_length)
input_token_index = dict(
[(char, i) for i, char in enumerate(input_characters)]) # 构建输入文本字符与数字的字典映射
target_token_index = dict(
[(char, i) for i, char in enumerate(target_characters)]) # 构建目标文本字符与数字的字典映射
encoder_input_data = np.zeros(
(len(input_texts), max_encoder_seq_length, num_encoder_tokens),
dtype='float32') # 创建编码器输入数据存储空间,(输入文本样本总数 ×最大编码序列长度×输入文本字符数量)
decoder_input_data = np.zeros(
(len(input_texts), max_decoder_seq_length, num_decoder_tokens),
dtype='float32') # 创建解码其输入数据存储空间, (输入文本样本总数 ×最大解码序列长度×目标文本字符数量)
decoder_target_data = np.zeros(
(len(input_texts), max_decoder_seq_length, num_decoder_tokens),
dtype='float32') # 创建解码器目标数据存储空间,(输入文本样本总数 ×最大解码序列长度×输入文本字符数量)
for i, (input_text, target_text) in enumerate(zip(input_texts, target_texts)):
for t, char in enumerate(input_text):
encoder_input_data[i, t, input_token_index[char]] = 1.
for t, char in enumerate(target_text):
decoder_input_data[i, t, target_token_index[char]] = 1.
if t > 0:
decoder_target_data[i, t - 1, target_token_index[char]] = 1. # 解码器目标数据在解码器输入数据的前一个时间步
# 定义编码器
encoder_inputs = Input(shape=(None, num_encoder_tokens)) # 编码器输入 (None × 输入文本one-hot编码维度)
encoder = LSTM(latent_dim, return_state=True) # LSTM单元个数为隐变量维数
encoder_outputs, state_h, state_c = encoder(encoder_inputs)
encoder_states = [state_h, state_c] # 只保留编码器状态
# 定义解码器, 使用`encoder_states` 作为初始状态
decoder_inputs = Input(shape=(None, num_decoder_tokens)) # 编码器输入 (None × 目标文本one-hot编码维度)
#设置解码器返回全部输出序列和状态。训练时不使用返回的状态,但做推断时要使用。
decoder_lstm = LSTM(latent_dim, return_sequences=True, return_state=True) # LSTM单元个数为隐变量维数
decoder_outputs, _, _ = decoder_lstm(decoder_inputs,
initial_state=encoder_states)
decoder_dense = Dense(num_decoder_tokens, activation='softmax')
decoder_outputs = decoder_dense(decoder_outputs)
# 定义模型并训练
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)
model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
model.fit([encoder_input_data, decoder_input_data], decoder_target_data,
batch_size=batch_size,
epochs=epochs,
validation_split=0.2)
# 保存模型
model.save('s2s.h5')
# 下一步: 推断模型
# Here's the drill:
# 1) 编码输入,取回初始解码器状态
# 2) 使用这个初始状态和一个“序列开始”记号运行一步解码器,输出将是下一个记号
# 3) 使用当前目标记号和当前状态进行重复
# 定义采样模型
encoder_model = Model(encoder_inputs, encoder_states)
decoder_state_input_h = Input(shape=(latent_dim,)) # 解码器状态输入h
decoder_state_input_c = Input(shape=(latent_dim,)) # 解码器状态输入c
decoder_states_inputs = [decoder_state_input_h, decoder_state_input_c]
decoder_outputs, state_h, state_c = decoder_lstm(
decoder_inputs, initial_state=decoder_states_inputs)# 计算解码器输出,及状态
decoder_states = [state_h, state_c]
decoder_outputs = decoder_dense(decoder_outputs)
decoder_model = Model(
[decoder_inputs] + decoder_states_inputs,
[decoder_outputs] + decoder_states)
reverse_input_char_index = dict(
(i, char) for char, i in input_token_index.items())
reverse_target_char_index = dict(
(i, char) for char, i in target_token_index.items())
def decode_sequence(input_seq):
states_value = encoder_model.predict(input_seq)# 将输入编码为一个状态向量
target_seq = np.zeros((1, 1, num_decoder_tokens))# 创建长度为1的空的目标序列
target_seq[0, 0, target_token_index['\t']] = 1.# 使用 开始记号 填入目标序列的第一个字符
stop_condition = False
decoded_sentence = ''
while not stop_condition:
output_tokens, h, c = decoder_model.predict(
[target_seq] + states_value)
sampled_token_index = np.argmax(output_tokens[0, -1, :])
sampled_char = reverse_target_char_index[sampled_token_index]
decoded_sentence += sampled_char
#达到最大长度或遇到 停止记号时 触发终止条件
if (sampled_char == '\n' or
len(decoded_sentence) > max_decoder_seq_length):
stop_condition = True
target_seq = np.zeros((1, 1, num_decoder_tokens))
target_seq[0, 0, sampled_token_index] = 1.
states_value = [h, c] #更新状态
return decoded_sentence
# 试验
for seq_index in range(100):
input_seq = encoder_input_data[seq_index: seq_index + 1]
decoded_sentence = decode_sequence(input_seq)
print('-')
print('Input sentence:', input_texts[seq_index])
print('Decoded sentence:', decoded_sentence)