在上一个教程中, 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 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
开始本教程前,你已经安装好了PyTorch,并熟悉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
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 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)
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“(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<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,或者其他什么结构。
# 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,输入, 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
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 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 # 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
文章来源:https://zhiya360.com/docs/pytorchstudy/pytorch-txt/02-rnn