Seq2Seq in Keras 示例

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 $Y(\dots,t)$ 和输入序列 $X$ 的条件下预测 $Y(t+1,\dots)$
• 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)