个人公众号
AI蜗牛车
作者是南京985AI硕士,CSDN博客专家,研究方向主要是时空序列预测和时间序列数据挖掘,获国家奖学金,校十佳大学生,省优秀毕业生,阿里天池时空序列比赛rank3。公众号致力于技术专栏化,主要包括ML、DL、NLP、CV、个人思考总结等
个人微信号id:Che_Hongshu,欢迎来交流,加的时候请备注好CSDN,谢谢配合
一、前言
其他实战笔记
建议先看:
其他选看
- 《TensorFlow实战笔记》 MINST数字识别问题-简单的神经网络实现
- 《TensorFlow实战笔记》卷积神经网络CNN实战-cifar10数据集(tensorboard可视化)
- 《TensorFlow实战笔记》 迁移学习实战–卷积神经网络CNN-Inception-v3模型
environment:
- os: linux
- python: 2.7
- tf: 1.12.0
本文中所有的代码来自于本人github,希望您star.
https://github.com/chehongshu/DL-tenserflow/tree/master/Seq2Seq_Attention
二、Se2Seq 模型的基本思想
使用一个循环神经网络读取输入句子,将整个句子的信息压缩到一个固定维度的编码中;再使用另一个循环神经网络读取这个编码,将其“解压”为目标语言的一个句子。
这两个循环神经网络分别称为编码器( Encoder )和解码器( Decoder ),这个模型也称为
encoder-decoder模型.
从途中可以看到解码器第一个input为SOS,结束为EOS,解释如下。
- SOS Start of sentence
- EOS End of sentence
在图中也可以看出来编码器没有输出,而解码器有输出,并且每次输出作为下次的输入
-
编码器(Encoder):词向量层(embedding)+rnn,因为没有输出不需要softmax层
-
解码器(Decoder):输入为单词的词向量 ,输出为 softmax层产生的单词概率,损失函数为 log perplexity,解决器其实就是一个以编码为前提的一个语言模型,所以很多trick和上次讲的LSTM一样可以利用,比如softmax和embedding层可以共享参数。
作为翻译model评测方法直接用翻译结果来评测即可,比如输入一段文字,输出对应的结果,利用人工或者其他方式来判别是否正确,输出结果的过程为解码器的解码过程,每次输出为概率最大的词,当然他也作为下一次的输入。
三、下载数据集
选择较小的IWLST-TED数据集(以英文-中文数据为例)它的英文- 中文训练数据包含约 21 万个句子对, 内容是 TED 演讲的中英字幕。
下载地址:
https://wit3.fbk.eu/mt.php?release=2015-01
点击如上图所示,下载en-zh.tgz文件,并解压。
四、预处理数据
说白了,预处理数据其实就是将数据进行数字化处理和上一篇我写的预处理方式差不多参考
《tensorflow实战笔记》通俗详述RNN理论,LSTM理论,以及LSTM对于PTB数据集进行实战
基本步骤就是:
- 统计预料中出现的单词,并存到vocab文件中。
- 为每个单词分配一个单词的id,在这边处理上为行数作为id,这个id就是最后用来转换为数字化的规则。
- 最后通过这种规则来把文本转换为单词编号形式的文件。
1.处理原文本格式(切片)
这个文件里的句子如下所示
i was studying dl in the ‘60 s,’ 70s.
我喜欢写代码。
而我们需要有那种每个元素都是由空格所分开的(包括所有符号:’ ’ , .等等)
所以处理之后的句子为
i was studying dl in the ‘ 60 s , ’ 70s .
我 喜 欢 写 代 码 。
每个元素都可以由空格直接分开(代码上好统一操作)
所以当务之急是将这个数据进行相应的切片操作,常用的为moses
进入这个网站
https://github.com/moses-smt/mosesdecoder/blob/master/scripts/tokenizer/tokenizer.perl
鼠标右键,从链接另存文件到本地一个文件夹里去。我习惯直接放在dataset文件夹中
这里面的两个文件 train.tags.en-zh.en, train.tags.en-zh.zh
需要自行将里面的没有用的部分删掉因为带有一些tags,把文件里面的类似于url,keywords,speaker, talkid, title,description的这种结构的全部删掉。
类似于这种情况的全部删掉,有些在前面,有些在后面,有些在文章中间。
这些东西应该是类似于每个talk的简介那种性质,我查了一下一个差不多有3000多个,难受了,大家还是不要在这个上面浪费时间了,直接用我的弄好的得了,在下面的github的repo里。
以下是利用工具进行文本切片。
# train.raw.en 是原始输入数据,格式为每行一句话: train.txt.en 是输出的文件名。
# -no-escape 参数表示不把标点符号替换为HTML编码(如把引号替换为 ”"”) 。
# -1 en 参数表示输入文件的语言是英文。
perl ./moses_tokenizer.perl -no-escape -1 en < ./train.raw.en > train.txt.en
# train.raw.zh 是原始输入数据,格式为每行一句话: tra 工 n .t xt.zh 是输出的文件名。
# sed ’ s/ I 忡 ’ 表示去除文本中已有的空格。 ’ s/\B/ /g e 将每个字之间的边界替换为空格。
sed ’ s/ //g; s/\B/ /g ’ . / train . raw .zh > train.txt.zh
中文这里处理是单个中文或者符号进行分割切片。
我弄好的数据集在我的个人github中:
https://github.com/chehongshu/DL-tenserflow/tree/master/Seq2Seq_Attention/en-zh
2.处理原文本格式(切片)
完成切词后,再使用《tensorflow实战笔记》通俗详述RNN理论,LSTM理论,以及LSTM对于PTB数据集进行实战中处理PTB数据相同的方法,分别生成英文文本和中文文本词汇文件即vocab,再将文本转化为单词编号。生成词汇文件时,需要注意将 <sos>、<eso>、<unk>这三个词手动加入到词汇表中,并且要限制词汇表大小,将词频过低的词替换为 <unk>,在这里我们假定英文词汇表大小为 10000 ,中文词汇表大小为 4000。
generate_VOCAB.py
# -*- coding:UTF-8 -*-
"""
@Author:Che_Hongshu
@Modify:2019.1.8
"""
import codecs
import collections
from operator import itemgetter
DATA_TYPE = "english" # 将DATA_TYPE先后设置为chinese,english得到中英文VOCAB文件
if DATA_TYPE == "chinese": # 翻译语料的中文部分
RAW_DATA = "./en-zh/train.txt.zh"
VOCAB_OUTPUT = "zh.vocab"
VOCAB_SIZE = 4000 #中文词汇表单词个数
elif DATA_TYPE == "english": # 翻译语料的英文部分
RAW_DATA = "./en-zh/train.txt.en"
VOCAB_OUTPUT = "en.vocab"
VOCAB_SIZE = 10000 #英文词汇表单词个数
counter = collections.Counter() #一个计数器,统计每个单词出现的次数
with codecs.open(RAW_DATA, "r", "utf-8") as f: #utf-8格式读取
for line in f:
for word in line.strip().split(): #line.strip().split()相当于把每一行的前后空格去掉,再根据空格分词生成list
counter[word] += 1 #统计相同单词出现次数+1
# Counter 集成于 dict 类,因此也可以使用字典的方法,此类返回一个以元素为 key 、元素个数为 value 的 Counter 对象集合
# 依据key排序 itermgetter(1)为降序
sorted_word_to_cnt = sorted(counter.items(), key=itemgetter(1), reverse=True)
# 转换成单词string的list
sorted_words_list = [x[0] for x in sorted_word_to_cnt]
# 加入句子结束符
sorted_words_list = ["<unk>", "<sos>", "<eos>"] + sorted_words_list
if len(sorted_words_list) > VOCAB_SIZE:
sorted_words_list = sorted_words_list[:VOCAB_SIZE]
with codecs.open(VOCAB_OUTPUT, 'w', 'utf-8') as file_output:
for word in sorted_words_list:
file_output.write(word + '\n')
产生两个vocab文件 分别为中文英文的词汇文件。
再通过VOCAB_transfrom_sequence.py产生数据集对应的id文件
# -*- coding:UTF-8 -*-
"""
@Author:Che_Hongshu
@Modify:2018.1.8
"""
import codecs
DATA_TYPE = "chinese" # 将DATA_TYPE先后设置为chinese,english得到中英文VOCAB文件
if DATA_TYPE == "chinese": # 翻译语料的中文部分
RAW_DATA = "./en-zh/train.txt.zh"
VOCAB = "zh.vocab"
OUTPUT_DATA = "train.zh"
elif DATA_TYPE == "english": # 翻译语料的英文部分
RAW_DATA = "./en-zh/train.txt.en"
VOCAB = "en.vocab"
OUTPUT_DATA = "train.en"
with codecs.open(VOCAB, 'r', 'utf-8') as f_vocab: #打开文件进入读操作
vocab = [w.strip() for w in f_vocab.readlines()] # 先把所有词转换成list
# 把每个词和所在行数对应起来并且zip打包成(“词”,行数)格式转换成dict格式
word_to_id = {k: v for (k, v) in zip(vocab, range(len(vocab)))}
# 返回id 如果在词汇表文件中则返回对应的id即可,如果没有则返回'<unk>'
def get_id(word):
return word_to_id[word] if word in word_to_id else word_to_id['<unk>']
# 打开文件
fin = codecs.open(RAW_DATA, 'r', 'utf-8')
fout = codecs.open(OUTPUT_DATA, 'w', 'utf-8')
for line in fin:
words = line.strip().split() + ["<eos>"] #每一行的单词变成sring list格式,每一句话后面加上一个结束符号
out_line = ' '.join([str(get_id(w)) for w in words]) + '\n' #这一行中的每个单词取出对应的id之后用空格相连接
fout.write(out_line)
# 关闭文件
fin.close()
fout.close()
3.语料的填充( padding )和 batching
在PTB的数据中,句子之间有上下文关联,因此可以直接将句子连接起来成为一个大的段落,这样就可以利用《tensorflow实战笔记》通俗详述RNN理论,LSTM理论,以及LSTM对于PTB数据集进行实战这篇文还章中的办法来进行相应的batching操作。而在机器翻译的训练样本中,每个句子对通常都是作为独立的数据来训练的。由于每个句子的长短不一致,因此在将这些句子放到同一个batch时,需要将较短的句子补齐到与同 batch 内最长句子相同的长度。用于填充长度而填入的位置叫做填充(padding)。在TensorFlow中,tf.data.Dataset 的 padded_batch 函数可以解决这个问题。
example:
假设一个数据集中有4句话,分别是 ”A1A2A3A4”,“B1B2”,“C1C2C3C4C5C6C7”和“D1”,将它们加入必要的填充并组成大小为2 的batch后,得到的batch如下图所示:
循环神经网络在读取数据时会将填充位置的内容与其他内容一样纳入计算,因此为了不让填充影响训练,可能会影响训练结果和loss的计算,所以需要以下两个解决对策:
- 第一,循环神经网络在读取填充时,应当跳过这一位置的计算。以编码器为例,如果编码器在读取填充时,像正常输入一样处理填充输入,那么在读取"B1B200”之后产生的最后一位隐藏序列就和读取“B1B2”之后的隐藏状态不同,会产生错误的结果。通俗一点来说就是通过编码器预测,输入原始数据+padding数据产生的结果变了。
但是TensorFlow提供了tf.nn.dynamic_rnn
函数来很方便的实现这一功能,解决这个问题。dynamic_rnn 对每一个batch的数据读取两个输入。
①输入数据的内容(维度为[batch_size, time])
②输入数据的长度(维度为[time])
对于输入batch里的每一条数据,在读取了相应长度的内容后,dynamic_rnn就跳过后面的输入,直接把前一步的计算结果复制到后面的时刻。这样可以保证padding是否存在不影响模型效果。通俗来说就是用一个句子的长度也就是time来把控这一点。
并且使用dynamic_rnn时每个batch的最大序列长度不需要相同。例如上面的例子,batch大小为2,第一个batch的维度是2x4,而第二个batch的维度是2x7。在训练中dynamic_rnn会根据每个batch的最大长度动态展开到需要的层数,其实就是对每个batch本身的最大长度没有关系,函数会自动动态(dynamic)调整。 - 第二,在设计损失函数时需要特别将填充位置的损失权重设置为 0 ,这样在填充位
置产生的预测不会影响梯度的计算。
下面的代码使用tf.data.Dataset.padded_batch
来进行填充和 batching,并记录每个句子的序列长度以用作dynamic_rnn的输入。与上篇文章PTB的例子不同,这里没有将所有的数据读入内存,而是使用Dataset从磁盘动态读取数据。
# -*- coding:UTF-8 -*-
import tensorflow as tf
MAX_LEN = 50 # 限定句子的最大单词数量
SOS_ID = 1 # 目标语言词汇表中<sos>的ID
"""
function: 数据batching,产生最后输入数据格式
Parameters:
file_path-数据路径
Returns:
dataset- 每个句子-对应的长度组成的TextLineDataset类的数据集对应的张量
CSDN:
http://blog.csdn.net/qq_33431368
"""
# 使用Dataset从一个文件中读取一个语言的数据。
# 数据的格式为每一句话,单词已经转化为单词编号
def MakeDataset(file_path):
dataset = tf.data.TextLineDataset(file_path)
# map(function, sequence[, sequence, ...]) -> list
# 通过定义可以看到,这个函数的第一个参数是一个函数,剩下的参数是一个或多个序列,返回值是一个集合。
# function可以理解为是一个一对一或多对一函数,map的作用是以参数序列中的每一个元素调用function函数,返回包含每次function函数返回值的list。
# lambda argument_list: expression
# 其中lambda是Python预留的关键字,argument_list和expression由用户自定义
# argument_list参数列表, expression 为函数表达式
# 根据空格将单词编号切分开并放入一个一维向量
dataset = dataset.map(lambda string: tf.string_split([string]).values)
# 将字符串形式的单词编号转化为整数
dataset = dataset.map(lambda string: tf.string_to_number(string, tf.int32))
# 统计每个句子的单词数量,并与句子内容一起放入Dataset
dataset = dataset.map(lambda x: (x, tf.size(x)))
return dataset
"""
function: 从源语言文件src_path和目标语言文件trg_path中分别读取数据,并进行填充和batching操作
Parameters:
src_path-源语言,即被翻译的语言,英语.
trg_path-目标语言,翻译之后的语言,汉语.
batch_size-batch的大小
Returns:
dataset- 每个句子-对应的长度 组成的TextLineDataset类的数据集
CSDN:
http://blog.csdn.net/qq_33431368
"""
def MakeSrcTrgDataset(src_path, trg_path, batch_size):
# 首先分别读取源语言数据和目标语言数据
src_data = MakeDataset(src_path)
trg_data = MakeDataset(trg_path)
# 通过zip操作将两个Dataset合并为一个Dataset,现在每个Dataset中每一项数据ds由4个张量组成
# ds[0][0]是源句子
# ds[0][1]是源句子长度
# ds[1][0]是目标句子
# ds[1][1]是目标句子长度
#https://blog.csdn.net/qq_32458499/article/details/78856530这篇博客看一下可以细致了解一下Dataset这个库,以及.map和.zip的用法
dataset = tf.data.Dataset.zip((src_data, trg_data))
# 删除内容为空(只包含<eos>)的句子和长度过长的句子
def FilterLength(src_tuple, trg_tuple):
((src_input, src_len), (trg_label, trg_len)) = (src_tuple, trg_tuple)
# tf.logical_and 相当于集合中的and做法,后面两个都为true最终结果才会为true,否则为false
# tf.greater Returns the truth value of (x > y),所以以下所说的是句子长度必须得大于一也就是不能为空的句子
# tf.less_equal Returns the truth value of (x <= y),所以所说的是长度要小于最长长度
src_len_ok = tf.logical_and(tf.greater(src_len, 1), tf.less_equal(src_len, MAX_LEN))
trg_len_ok = tf.logical_and(tf.greater(trg_len, 1), tf.less_equal(trg_len, MAX_LEN))
return tf.logical_and(src_len_ok, trg_len_ok) #两个都满足才返回true
# filter接收一个函数Func并将该函数作用于dataset的每个元素,根据返回值True或False保留或丢弃该元素,True保留该元素,False丢弃该元素
# 最后得到的就是去掉空句子和过长的句子的数据集
dataset = dataset.filter(FilterLength)
# 解码器需要两种格式的目标句子:
# 1.解码器的输入(trg_input), 形式如同'<sos> X Y Z'
# 2.解码器的目标输出(trg_label), 形式如同'X Y Z <eos>'
# 上面从文件中读到的目标句子是'X Y Z <eos>'的形式,我们需要从中生成'<sos> X Y Z'形式并加入到Dataset
# 编码器只有输入,没有输出,而解码器有输入也有输出,输入为<sos>+(除去最后一位eos的label列表)
# 例如train.en最后都为2,id为2就是eos
def MakeTrgInput(src_tuple, trg_tuple):
((src_input, src_len), (trg_label, trg_len)) = (src_tuple, trg_tuple)
# tf.concat用法 https://blog.csdn.net/qq_33431368/article/details/79429295
trg_input = tf.concat([[SOS_ID], trg_label[:-1]], axis=0)
return ((src_input, src_len), (trg_input, trg_label, trg_len))
dataset = dataset.map(MakeTrgInput)
# 随机打乱训练数据
dataset = dataset.shuffle(10000)
# 规定填充后的输出的数据维度
padded_shapes = (
(tf.TensorShape([None]), # 源句子是长度未知的向量
tf.TensorShape([])), # 源句子长度是单个数字
(tf.TensorShape([None]), # 目标句子(解码器输入)是长度未知的向量
tf.TensorShape([None]), # 目标句子(解码器目标输出)是长度未知的向量
tf.TensorShape([])) # 目标句子长度(输出)是单个数字
)
# 调用padded_batch方法进行batching操作
batched_dataset = dataset.padded_batch(batch_size, padded_shapes)
return batched_dataset
五、seq2seq模型建立
因为这边没有对应的一个acc相似的评判对model本身而是直接输出预测结果,所以需要两个模型,一个是train ,另一个是test
1.train_model
和《tensorflow实战笔记》通俗详述RNN理论,LSTM理论,以及LSTM对于PTB数据集进行实战一样也使用一个双层
LSTM 作为循环神经网络的主体,并在 Softmax 层和词向量层之间共享参数,增加如下:
- 增加了一个循环神经网络作为编码器(如前面示意图)
- 使用 Dataset 动态读取数据,而不是直接将所有数据读入内存(这个就是Dataset输入数据的特点)
- 每个 batch 完全独立,不需要在batch之间传递状态(因为不是一个文件整条句子,每个句子之间没有传递关系)
- 每训练200步便将模型参数保存到一个 checkpoint 中,以后用于测试。
"""
function: seq2seq模型
Parameters:
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
class NMTModel(object):
"""
function: 模型初始化
Parameters:
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
def __init__(self):
# 定义编码器和解码器所使用的LSTM结构
self.enc_cell = tf.nn.rnn_cell.MultiRNNCell(
[tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) for _ in range(NUM_LAYERS)])
self.dec_cell = tf.nn.rnn_cell.MultiRNNCell(
[tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) for _ in range(NUM_LAYERS)])
# 为源语言和目标语言分别定义词向量
self.src_embedding = tf.get_variable('src_emb', [SRC_VOCAB_SIZE, HIDDEN_SIZE])
self.trg_embedding = tf.get_variable('trg_emb', [TRG_VOCAB_SIZE, HIDDEN_SIZE])
# 定义softmax层的变量
if SHARE_EMB_AND_SOFTMAX:
self.softmax_weight = tf.transpose(self.trg_embedding)
else:
self.softmax_weight = tf.get_variable('weight', [HIDDEN_SIZE, TRG_VOCAB_SIZE])
self.softmax_bias = tf.get_variable('softmax_loss', [TRG_VOCAB_SIZE])
"""
function: 在forward函数中定义模型的前向计算图
Parameters:
MakeSrcTrgDataset函数产生的五种张量如下(全部为张量)
src_input: 编码器输入(源数据)
src_size : 输入大小
trg_input:解码器输入(目标数据)
trg_label:解码器输出(目标数据)
trg_size: 输出大小
Returns:
cost_per_token: cost操作op
train_op: 训练操作op
CSDN:
http://blog.csdn.net/qq_33431368
"""
def forward(self, src_input, src_size, trg_input, trg_label, trg_size):
batch_size = tf.shape(src_input)[0]
# 将输入和输出单词转为词向量(rnn中输入数据都要转换成词向量)
# 相当于input中的每个id对应的embedding中的向量转换
src_emb = tf.nn.embedding_lookup(self.src_embedding, src_input)
trg_emb = tf.nn.embedding_lookup(self.trg_embedding, trg_input)
# 在词向量上进行dropout
src_emb = tf.nn.dropout(src_emb, KEEP_PROB)
trg_emb = tf.nn.dropout(trg_emb, KEEP_PROB)
# 使用dynamic_rnn构造编码器
# 编码器读取源句子每个位置的词向量,输出最后一步的隐藏状态enc_state
# 因为编码器是一个双层LSTM,因此enc_state是一个包含两个LSTMStateTuple类的tuple,
# 每个LSTMStateTuple对应编码器中一层的状态
# enc_outputs是顶层LSTM在每一步的输出,它的维度是[batch_size, max_time, HIDDEN_SIZE]
# seq2seq模型中不需要用到enc_outputs,而attention模型会用到它
with tf.variable_scope('encoder'):
enc_outputs, enc_state = tf.nn.dynamic_rnn(self.enc_cell, src_emb, src_size, dtype=tf.float32)
# 使用dynamic_rnn构造解码器
# 解码器读取目标句子每个位置的词向量,输出的dec_outputs为每一步顶层LSTM的输出
# dec_outputs的维度是[batch_size, max_time, HIDDEN_SIZE]
# initial_state=enc_state表示用编码器的输出来初始化第一步的隐藏状态
# 编码器最后编码结束最后的状态为解码器初始化的状态
with tf.variable_scope('decoder'):
dec_outputs, _ = tf.nn.dynamic_rnn(self.dec_cell, trg_emb, trg_size, initial_state=enc_state)
# 计算解码器每一步的log perplexity
# 输出重新转换成shape为[,HIDDEN_SIZE]
output = tf.reshape(dec_outputs, [-1, HIDDEN_SIZE])
# 计算解码器每一步的softmax概率值
logits = tf.matmul(output, self.softmax_weight) + self.softmax_bias
# 交叉熵损失函数,算loss
loss = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.reshape(trg_label, [-1]), logits=logits)
# 在计算平均损失时,需要将填充位置的权重设置为0,以避免无效位置的预测干扰模型的训练
label_weights = tf.sequence_mask(trg_size, maxlen=tf.shape(trg_label)[1], dtype=tf.float32)
label_weights = tf.reshape(label_weights, [-1])
cost = tf.reduce_sum(loss * label_weights)
cost_per_token = cost / tf.reduce_sum(label_weights)
# 定义反向传播操作
trainable_variables = tf.trainable_variables()
# 控制梯度大小,定义优化方法和训练步骤
# 算出每个需要更新的值的梯度,并对其进行控制
grads = tf.gradients(cost / tf.to_float(batch_size), trainable_variables)
grads, _ = tf.clip_by_global_norm(grads, MAX_GRAD_NORM)
# 利用梯度下降优化算法进行优化.学习率为1.0
optimizer = tf.train.GradientDescentOptimizer(learning_rate=1.0)
# 相当于minimize的第二步,正常来讲所得到的list[grads,vars]由compute_gradients得到,返回的是执行对应变量的更新梯度操作的op
train_op = optimizer.apply_gradients(zip(grads, trainable_variables))
return cost_per_token, train_op
2.全部训练代码
# -*- coding:UTF-8 -*-
"""
@Author:Che_Hongshu
@Modify:2018.1.9
"""
import tensorflow as tf
SRC_TRAIN_DATA = 'train.en' # 源语言输入文件
TRG_TRAIN_DATA = 'train.zh' # 目标语言输入文件
CHECKPOINT_PATH = './model/seq2seq_ckpt' # checkpoint保存路径
HIDDEN_SIZE = 1024 # LSTM的隐藏层规模
NUM_LAYERS = 2 # 深层循环神经网络中LSTM结构的层数
SRC_VOCAB_SIZE = 10000 # 源语言词汇表大小
TRG_VOCAB_SIZE = 4000 # 目标语言词汇表大小
BATCH_SIZE = 100 # 训练数据batch的大小
NUM_EPOCH = 5 # 使用训练数据的轮数
KEEP_PROB = 0.8 # 节点不被dropout的概率
MAX_GRAD_NORM = 5 # 用于控制梯度膨胀的梯度大小上限
SHARE_EMB_AND_SOFTMAX = True # 在softmax层和词向量层之间共享参数
MAX_LEN = 50 # 限定句子的最大单词数量
SOS_ID = 1 # 目标语言词汇表中<sos>的ID
"""
function: 数据batching,产生最后输入数据格式
Parameters:
file_path-数据路径
Returns:
dataset- 每个句子-对应的长度组成的TextLineDataset类的数据集对应的张量
CSDN:
http://blog.csdn.net/qq_33431368
"""
def MakeDataset(file_path):
dataset = tf.data.TextLineDataset(file_path)
# map(function, sequence[, sequence, ...]) -> list
# 通过定义可以看到,这个函数的第一个参数是一个函数,剩下的参数是一个或多个序列,返回值是一个集合。
# function可以理解为是一个一对一或多对一函数,map的作用是以参数序列中的每一个元素调用function函数,返回包含每次function函数返回值的list。
# lambda argument_list: expression
# 其中lambda是Python预留的关键字,argument_list和expression由用户自定义
# argument_list参数列表, expression 为函数表达式
# 根据空格将单词编号切分开并放入一个一维向量
dataset = dataset.map(lambda string: tf.string_split([string]).values)
# 将字符串形式的单词编号转化为整数
dataset = dataset.map(lambda string: tf.string_to_number(string, tf.int32))
# 统计每个句子的单词数量,并与句子内容一起放入Dataset
dataset = dataset.map(lambda x: (x, tf.size(x)))
return dataset
"""
function: 从源语言文件src_path和目标语言文件trg_path中分别读取数据,并进行填充和batching操作
Parameters:
src_path-源语言,即被翻译的语言,英语.
trg_path-目标语言,翻译之后的语言,汉语.
batch_size-batch的大小
Returns:
dataset- 每个句子-对应的长度 组成的TextLineDataset类的数据集
CSDN:
http://blog.csdn.net/qq_33431368
"""
def MakeSrcTrgDataset(src_path, trg_path, batch_size):
# 首先分别读取源语言数据和目标语言数据
src_data = MakeDataset(src_path)
trg_data = MakeDataset(trg_path)
# 通过zip操作将两个Dataset合并为一个Dataset,现在每个Dataset中每一项数据ds由4个张量组成
# ds[0][0]是源句子
# ds[0][1]是源句子长度
# ds[1][0]是目标句子
# ds[1][1]是目标句子长度
#https://blog.csdn.net/qq_32458499/article/details/78856530这篇博客看一下可以细致了解一下Dataset这个库,以及.map和.zip的用法
dataset = tf.data.Dataset.zip((src_data, trg_data))
# 删除内容为空(只包含<eos>)的句子和长度过长的句子
def FilterLength(src_tuple, trg_tuple):
((src_input, src_len), (trg_label, trg_len)) = (src_tuple, trg_tuple)
# tf.logical_and 相当于集合中的and做法,后面两个都为true最终结果才会为true,否则为false
# tf.greater Returns the truth value of (x > y),所以以下所说的是句子长度必须得大于一也就是不能为空的句子
# tf.less_equal Returns the truth value of (x <= y),所以所说的是长度要小于最长长度
src_len_ok = tf.logical_and(tf.greater(src_len, 1), tf.less_equal(src_len, MAX_LEN))
trg_len_ok = tf.logical_and(tf.greater(trg_len, 1), tf.less_equal(trg_len, MAX_LEN))
return tf.logical_and(src_len_ok, trg_len_ok) #两个都满足才返回true
# filter接收一个函数Func并将该函数作用于dataset的每个元素,根据返回值True或False保留或丢弃该元素,True保留该元素,False丢弃该元素
# 最后得到的就是去掉空句子和过长的句子的数据集
dataset = dataset.filter(FilterLength)
# 解码器需要两种格式的目标句子:
# 1.解码器的输入(trg_input), 形式如同'<sos> X Y Z'
# 2.解码器的目标输出(trg_label), 形式如同'X Y Z <eos>'
# 上面从文件中读到的目标句子是'X Y Z <eos>'的形式,我们需要从中生成'<sos> X Y Z'形式并加入到Dataset
# 编码器只有输入,没有输出,而解码器有输入也有输出,输入为<sos>+(除去最后一位eos的label列表)
# 例如train.en最后都为2,id为2就是eos
def MakeTrgInput(src_tuple, trg_tuple):
((src_input, src_len), (trg_label, trg_len)) = (src_tuple, trg_tuple)
# tf.concat用法 https://blog.csdn.net/qq_33431368/article/details/79429295
trg_input = tf.concat([[SOS_ID], trg_label[:-1]], axis=0)
return ((src_input, src_len), (trg_input, trg_label, trg_len))
dataset = dataset.map(MakeTrgInput)
# 随机打乱训练数据
dataset = dataset.shuffle(10000)
# 规定填充后的输出的数据维度
padded_shapes = (
(tf.TensorShape([None]), # 源句子是长度未知的向量
tf.TensorShape([])), # 源句子长度是单个数字
(tf.TensorShape([None]), # 目标句子(解码器输入)是长度未知的向量
tf.TensorShape([None]), # 目标句子(解码器目标输出)是长度未知的向量
tf.TensorShape([])) # 目标句子长度(输出)是单个数字
)
# 调用padded_batch方法进行padding 和 batching操作
batched_dataset = dataset.padded_batch(batch_size, padded_shapes)
return batched_dataset
"""
function: seq2seq模型
Parameters:
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
class NMTModel(object):
"""
function: 模型初始化
Parameters:
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
def __init__(self):
# 定义编码器和解码器所使用的LSTM结构
self.enc_cell = tf.nn.rnn_cell.MultiRNNCell(
[tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) for _ in range(NUM_LAYERS)])
self.dec_cell = tf.nn.rnn_cell.MultiRNNCell(
[tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) for _ in range(NUM_LAYERS)])
# 为源语言和目标语言分别定义词向量
self.src_embedding = tf.get_variable('src_emb', [SRC_VOCAB_SIZE, HIDDEN_SIZE])
self.trg_embedding = tf.get_variable('trg_emb', [TRG_VOCAB_SIZE, HIDDEN_SIZE])
# 定义softmax层的变量
if SHARE_EMB_AND_SOFTMAX:
self.softmax_weight = tf.transpose(self.trg_embedding)
else:
self.softmax_weight = tf.get_variable('weight', [HIDDEN_SIZE, TRG_VOCAB_SIZE])
self.softmax_bias = tf.get_variable('softmax_loss', [TRG_VOCAB_SIZE])
"""
function: 在forward函数中定义模型的前向计算图
Parameters:
MakeSrcTrgDataset函数产生的五种张量如下(全部为张量)
src_input: 编码器输入(源数据)
src_size : 输入大小
trg_input:解码器输入(目标数据)
trg_label:解码器输出(目标数据)
trg_size: 输出大小
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
def forward(self, src_input, src_size, trg_input, trg_label, trg_size):
batch_size = tf.shape(src_input)[0]
# 将输入和输出单词转为词向量(rnn中输入数据都要转换成词向量)
# 相当于input中的每个id对应的embedding中的向量转换
src_emb = tf.nn.embedding_lookup(self.src_embedding, src_input)
trg_emb = tf.nn.embedding_lookup(self.trg_embedding, trg_input)
# 在词向量上进行dropout
src_emb = tf.nn.dropout(src_emb, KEEP_PROB)
trg_emb = tf.nn.dropout(trg_emb, KEEP_PROB)
# 使用dynamic_rnn构造编码器
# 编码器读取源句子每个位置的词向量,输出最后一步的隐藏状态enc_state
# 因为编码器是一个双层LSTM,因此enc_state是一个包含两个LSTMStateTuple类的tuple,
# 每个LSTMStateTuple对应编码器中一层的状态
# enc_outputs是顶层LSTM在每一步的输出,它的维度是[batch_size, max_time, HIDDEN_SIZE]
# seq2seq模型中不需要用到enc_outputs,而attention模型会用到它
with tf.variable_scope('encoder'):
enc_outputs, enc_state = tf.nn.dynamic_rnn(self.enc_cell, src_emb, src_size, dtype=tf.float32)
# 使用dynamic_rnn构造解码器
# 解码器读取目标句子每个位置的词向量,输出的dec_outputs为每一步顶层LSTM的输出
# dec_outputs的维度是[batch_size, max_time, HIDDEN_SIZE]
# initial_state=enc_state表示用编码器的输出来初始化第一步的隐藏状态
# 编码器最后编码结束最后的状态为解码器初始化的状态
with tf.variable_scope('decoder'):
dec_outputs, _ = tf.nn.dynamic_rnn(self.dec_cell, trg_emb, trg_size, initial_state=enc_state)
# 计算解码器每一步的log perplexity
# 输出重新转换成shape为[,HIDDEN_SIZE]
output = tf.reshape(dec_outputs, [-1, HIDDEN_SIZE])
# 计算解码器每一步的softmax概率值
logits = tf.matmul(output, self.softmax_weight) + self.softmax_bias
# 交叉熵损失函数,算loss
loss = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.reshape(trg_label, [-1]), logits=logits)
# 在计算平均损失时,需要将填充位置的权重设置为0,以避免无效位置的预测干扰模型的训练
label_weights = tf.sequence_mask(trg_size, maxlen=tf.shape(trg_label)[1], dtype=tf.float32)
label_weights = tf.reshape(label_weights, [-1])
cost = tf.reduce_sum(loss * label_weights)
cost_per_token = cost / tf.reduce_sum(label_weights)
# 定义反向传播操作
trainable_variables = tf.trainable_variables()
# 控制梯度大小,定义优化方法和训练步骤
# 算出每个需要更新的值的梯度,并对其进行控制
grads = tf.gradients(cost / tf.to_float(batch_size), trainable_variables)
grads, _ = tf.clip_by_global_norm(grads, MAX_GRAD_NORM)
# 利用梯度下降优化算法进行优化.学习率为1.0
optimizer = tf.train.GradientDescentOptimizer(learning_rate=1.0)
# 相当于minimize的第二步,正常来讲所得到的list[grads,vars]由compute_gradients得到,返回的是执行对应变量的更新梯度操作的op
train_op = optimizer.apply_gradients(zip(grads, trainable_variables))
return cost_per_token, train_op
"""
function: 使用给定的模型model上训练一个epoch,并返回全局步数,每训练200步便保存一个checkpoint
Parameters:
session : 会议
cost_op : 计算loss的操作op
train_op: 训练的操作op
saver: 保存model的类
step: 训练步数
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
def run_epoch(session, cost_op, train_op, saver, step):
# 训练一个epoch
# 重复训练步骤直至遍历完Dataset中所有数据
while True:
try:
# 运行train_op并计算cost_op的结果也就是损失值,训练数据在main()函数中以Dataset方式提供
cost, _ = session.run([cost_op, train_op])
# 步数为10的倍数进行打印
if step % 10 == 0:
print('After %d steps, per token cost is %.3f' % (step, cost))
# 每200步保存一个checkpoint
if step % 200 == 0:
saver.save(session, CHECKPOINT_PATH, global_step=step)
step += 1
except tf.errors.OutOfRangeError:
break
return step
"""
function: 主函数
Parameters:
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
def main():
# 定义初始化函数
initializer = tf.random_uniform_initializer(-0.05, 0.05)
# 定义训练用的循环神经网络模型
with tf.variable_scope('nmt_model', reuse=None, initializer=initializer):
train_model = NMTModel()
# 定义输入数据
data = MakeSrcTrgDataset(SRC_TRAIN_DATA, TRG_TRAIN_DATA, BATCH_SIZE)
iterator = data.make_initializable_iterator()
(src, src_size), (trg_input, trg_label, trg_size) = iterator.get_next()
# 定义前向计算图,输入数据以张量形式提供给forward函数
cost_op, train_op = train_model.forward(src, src_size, trg_input, trg_label, trg_size)
# 训练模型
# 保存模型
saver = tf.train.Saver()
step = 0
with tf.Session() as sess:
# 初始化全部变量
tf.global_variables_initializer().run()
# 进行NUM_EPOCH轮数
for i in range(NUM_EPOCH):
print('In iteration: %d' % (i + 1))
sess.run(iterator.initializer)
step = run_epoch(sess, cost_op, train_op, saver, step)
if __name__ == '__main__':
main()
3.全部测试代码
模型保存在checkpoint中
测试也可以称为完全解码或者推理过程
可以由上面的图可知:
在训练的时候解码器是可以从输入读取到完整的目标训练句子。
而在解码或推理的过程中模型只能看到输入句子,却看不到目标句子
具体过程:和图中描述的一样,解码器在第一步读取<sos> 符,预测目标句子的第一个单词,然后需要将这个预测的单词复制到第二步作为输入, 再预测第二个单词,直到预测的单词为<eso> 为止 。 这个过程需要使用一个循环结构来实现 。在TensorFlow 中,循环结构是由 tf.while_loop 来实现的 。
# -*- coding:UTF-8 -*-
"""
@Author:Che_Hongshu
@Modify:2018.1.10
"""
import tensorflow as tf
import codecs
import sys
# 读取checkpoint的路径。4800表示是训练程序在第4800步保存的checkpoint
CHECKPOINT_PATH = 'model/seq2seq_ckpt-9000'
# 模型参数。必须与训练时的模型参数保持一致
HIDDEN_SIZE = 1024 # LSTM的隐藏层规模
NUM_LAYERS = 2 # 深层循环神经网络中LSTM结构的层数
SRC_VOCAB_SIZE = 10000 # 源语言词汇表大小
TRG_VOCAB_SIZE = 4000 # 目标语言词汇表大小
SHARE_EMB_AND_SOFTMAX = True # 在softmax层和词向量层之间共享参数
# 词汇表文件
SRC_VOCAB = "en.vocab"
TRG_VOCAB = "zh.vocab"
# 词汇表中<sos>和<eos>的ID,在解码过程中需要用<sos>作为第一步的输入,<eos>为最终的输出结果,因此需要知道这两个符号的ID
SOS_ID = 1
EOS_ID = 2
"""
function: seq2seq模型
Parameters:
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
class NMTModel(object):
# 在模型的初始化函数中定义模型要用到的变量
def __init__(self):
# 定义编码器和解码器所使用的LSTM结构
self.enc_cell = tf.nn.rnn_cell.MultiRNNCell(
[tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) for _ in range(NUM_LAYERS)])
self.dec_cell = tf.nn.rnn_cell.MultiRNNCell(
[tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) for _ in range(NUM_LAYERS)])
# 为源语言和目标语言分别定义词向量
self.src_embedding = tf.get_variable('src_emb', [SRC_VOCAB_SIZE, HIDDEN_SIZE])
self.trg_embedding = tf.get_variable('trg_emb', [TRG_VOCAB_SIZE, HIDDEN_SIZE])
# 定义softmax层的变量
if SHARE_EMB_AND_SOFTMAX:
self.softmax_weight = tf.transpose(self.trg_embedding)
else:
self.softmax_weight = tf.get_variable('weight', [HIDDEN_SIZE, TRG_VOCAB_SIZE])
self.softmax_bias = tf.get_variable('softmax_loss', [TRG_VOCAB_SIZE])
"""
function: 利用模型进行推理
Parameters:
src_input: 输入句子,在这里就是已经转换成id文本的英文句子。
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
def inference(self, src_input):
# 虽然输入只有一个句子,但因为dynamic_rnn要求输入时batch的形式,因此这里将输入句子整理为大小为1的batch
src_size = tf.convert_to_tensor([len(src_input)], dtype=tf.int32)
src_input = tf.convert_to_tensor([src_input], dtype=tf.int32)
src_emb = tf.nn.embedding_lookup(self.src_embedding, src_input)
# 使用dynamic_rnn 构造编码器
with tf.variable_scope('encoder'):
enc_outputs, enc_state = tf.nn.dynamic_rnn(self.enc_cell, src_emb, dtype=tf.float32)
# 设置解码的最大步数 避免在极端情况出现无限循环的问题
MAX_DEC_LEN = 100
with tf.variable_scope('decoder/rnn/multi_rnn_cell'):
# 使用一个变长的TensorArray来存储生成的句子
# dynamic_size=True 动态大小 clear_after_read=False 每次读完之后不清除
init_array = tf.TensorArray(dtype=tf.int32, size=0, dynamic_size=True, clear_after_read=False)
# 填入第一个单词<sos>作为解码器的输入
init_array = init_array.write(0, SOS_ID)
# 构建初始的循环状态,循环状态包含循环神经网络的隐藏状态,保存生成句子TensorArray, 以及记录解码步数的一个整数step
init_loop_var = (enc_state, init_array, 0)
"""
function: tf.while_loop的循环条件
Parameters:
state: 隐藏状态
trg_ids: 目标句子的id的集合,也就是上面定义的 TensorArray
step: 解码步数
Returns:
解码器没有输出< eos > , 或者没有达到最大步数则输出True,循环继续。
CSDN:
http://blog.csdn.net/qq_33431368
"""
def contunue_loop_condition(state, trg_ids, step):
return tf.logical_and(tf.not_equal(trg_ids.read(step), EOS_ID),
tf.less(step, MAX_DEC_LEN-1))
"""
function: tf.while_loop的循环条件
Parameters:
state: 隐藏状态
trg_ids: 目标句子的id的集合,也就是上面定义的 TensorArray
step: 解码步数
Returns:
next_state: 下一个隐藏状态
trg_ids: 新的得到的目标句子
step+1: 下一步
CSDN:
http://blog.csdn.net/qq_33431368
"""
def loop_body(state, trg_ids, step):
# 读取最后一步输出的单词,并读取其词向量,作为下一步的输入
trg_input = [trg_ids.read(step)]
trg_emb = tf.nn.embedding_lookup(self.trg_embedding, trg_input)
# 这里不使用dynamic_rnn,而是直接调用dec_cell向前计算一步
# 每个RNNCell都有一个call方法,使用方式是:(output, next_state) = call(input, state)。
# 每调用一次RNNCell的call方法,就相当于在时间上“推进了一步”,这就是RNNCell的基本功能。
dec_outputs, next_state = self.dec_cell.call(inputs=trg_emb, state=state)
# 计算每个可能的输出单词对应的logit,并选取logit值最大的单词作为这一步的输出
# 解码器输出经过softmax层,算出每个结果的概率取最大为最终输出
output = tf.reshape(dec_outputs, [-1, HIDDEN_SIZE])
logits = (tf.matmul(output, self.softmax_weight) + self.softmax_bias)
# tf.argmax(logits, axis=1, output_type=tf.int32)相当于一维里的数据概率返回醉倒的索引值,即比step小一个
next_id = tf.argmax(logits, axis=1, output_type=tf.int32)
# 将这部输出的单词写入循环状态的trg_ids中,也就是继续写入到结果里
trg_ids = trg_ids.write(step+1, next_id[0])
return next_state, trg_ids, step+1
# 执行tf.while_loop,返回最终状态
# while_loop(contunue_loop_condition, loop_body, init_loop_var)
# contunue_loop_condition 循环条件
# loop_body 循环体
# 循环的起始状态,所以循环条件和循环体的输入参数就是起始状态
state, trg_ids, step = tf.while_loop(contunue_loop_condition, loop_body, init_loop_var)
# 将TensorArray中元素叠起来当做一个Tensor输出
return trg_ids.stack()
def main():
# 定义训练用的循环神经网络模型。
with tf.variable_scope("nmt_model", reuse=None):
model = NMTModel()
# 定义个测试句子。
test_en_text = "The sea is blue . <eos>"
print(test_en_text)
# 根据英文词汇表,将测试句子转为单词ID。
with codecs.open(SRC_VOCAB, "r", "utf-8") as vocab:
src_vocab = [w.strip() for w in vocab.readlines()]
# 运用dict, 将单词和id对应起来组成字典,用于后面的转换。
src_id_dict = dict((src_vocab[x], x) for x in range(SRC_VOCAB_SIZE))
test_en_ids = [(src_id_dict[en_text] if en_text in src_id_dict else src_id_dict['<unk>'])
for en_text in test_en_text.split()]
print(test_en_ids)
# 建立解码所需的计算图。
output_op = model.inference(test_en_ids)
sess = tf.Session()
saver = tf.train.Saver()
saver.restore(sess, CHECKPOINT_PATH)
# 读取翻译结果。
output_ids = sess.run(output_op)
print(output_ids)
# 根据中文词汇表,将翻译结果转换为中文文字。
with codecs.open(TRG_VOCAB, "r", "utf-8") as f_vocab:
trg_vocab = [w.strip() for w in f_vocab.readlines()]
output_text = ''.join([trg_vocab[x] for x in output_ids])
# 输出翻译结果。 utf-8编码
print(output_text.encode('utf8'))
sess.close()
if __name__ == '__main__':
main()
六、Attention机制(注意力机制)
1.先看Attention理论
https://blog.csdn.net/wuzqchom/article/details/75792501
https://blog.csdn.net/guohao_zhang/article/details/79540014
这两篇写的不错,先仔细看完,也谢谢这两位博主
总结一下,其实从理解的角度为:Attention机制的作用就是为了让输入不光是编码器的最终状态,还可以和之前少许忘记的输入编码的部分相对应,看是否有关联。
如图所示,在代码上的直观改变为
- 编码器从单向的LSTM结构,更改为双向的LSTM结构,所以编码器的输出也随之变为两个方向一同的LSTM合成输出
- 需要根据编码器输出来计算Attention权重(有相应的计算模型)
- 解码器和Attention机制封装成一个更为高级的循环神经网络结构
2.把NMTmodel替换成NMTmodel_Attention
train中需要替代的代码如下:
"""
function: seq2seq模型-Attention机制
Parameters:
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
# attention 编码器双向循环,解码器单向循环
class NMTModel_Attention(object):
# 在模型的初始化函数中定义模型要用到的变量
def __init__(self):
# 定义编码器和解码器所使用的LSTM结构
self.enc_cell_fw = tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) #前向
self.enc_cell_bw = tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) #反向
self.dec_cell = tf.nn.rnn_cell.MultiRNNCell(
[tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) for _ in range(NUM_LAYERS)])
# 为源语言和目标语言分别定义词向量
self.src_embedding = tf.get_variable('src_emb', [SRC_VOCAB_SIZE, HIDDEN_SIZE])
self.trg_embedding = tf.get_variable('trg_emb', [TRG_VOCAB_SIZE, HIDDEN_SIZE])
# 定义softmax层的变量
# 只有解码器需要用到softmax
if SHARE_EMB_AND_SOFTMAX:
self.softmax_weight = tf.transpose(self.trg_embedding)
else:
self.softmax_weight = tf.get_variable('weight', [HIDDEN_SIZE, TRG_VOCAB_SIZE])
self.softmax_bias = tf.get_variable('softmax_loss', [TRG_VOCAB_SIZE])
"""
function: 在forward函数中定义模型的前向计算图
Parameters:
MakeSrcTrgDataset函数产生的五种张量如下(全部为张量)
src_input: 编码器输入(源数据)
src_size : 输入大小
trg_input:解码器输入(目标数据)
trg_label:解码器输出(目标数据)
trg_size: 输出大小
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
def forward(self, src_input, src_size, trg_input, trg_label, trg_size):
batch_size = tf.shape(src_input)[0]
# 将输入和输出单词转为词向量
src_emb = tf.nn.embedding_lookup(self.src_embedding, src_input)
trg_emb = tf.nn.embedding_lookup(self.trg_embedding, trg_input)
# 在词向量上进行dropout
src_emb = tf.nn.dropout(src_emb, KEEP_PROB)
trg_emb = tf.nn.dropout(trg_emb, KEEP_PROB)
# 编码器
with tf.variable_scope('encoder'):
# 构造编码器时,使用birdirectional_dynamic_rnn构造双向循环网络。
# 双向循环网络的顶层输出enc_outputs是一个包含两个张量的tuple,每个张量的
# 维度都是[batch_size, max_time, HIDDEN_SIZE],代表两个LSTM在每一步的输出
enc_outputs, enc_state = tf.nn.bidirectional_dynamic_rnn(self.enc_cell_fw, self.enc_cell_bw, src_emb,
src_size, dtype=tf.float32)
# 将两个LSTM输出拼接为一个张量
enc_outputs = tf.concat([enc_outputs[0], enc_outputs[1]], -1)
# 使用dynamic_rnn构造解码器
with tf.variable_scope('decoder'):
# 选择注意力权重的计算模型。BahdanauAttention是使用一个隐藏层的前馈神经网络
# memory_sequence_length是一个维度为[batch_size]的张量,代表batch中每个句子的长度
# Attention需要根据这个信息把填充位置的注意里权重设置为0
attention_mechanism = tf.contrib.seq2seq.BahdanauAttention(HIDDEN_SIZE, enc_outputs,
memory_sequence_length=src_size)
# 将解码器的循环神经网络self.dec_cell和注意力一起封装成更高层的循环神经网络
attention_cell = tf.contrib.seq2seq.AttentionWrapper(self.dec_cell, attention_mechanism,
attention_layer_size=HIDDEN_SIZE)
# 使用attention_cell和dynamic_rnn构造编码器
# 这里没有指定init_state,也就是没有使用编码器的输出来初始化输入,而完全依赖注意力作为信息来源
dec_outputs, _ = tf.nn.dynamic_rnn(attention_cell, trg_emb, trg_size, dtype=tf.float32)
# 计算解码器每一步的log perplexity
output = tf.reshape(dec_outputs, [-1, HIDDEN_SIZE])
logits = tf.matmul(output, self.softmax_weight) + self.softmax_bias
loss = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.reshape(trg_label, [-1]), logits=logits)
# 在计算平均损失时,需要将填充位置的权重设置为0,以避免无效位置的预测干扰模型的训练
label_weights = tf.sequence_mask(trg_size, maxlen=tf.shape(trg_label)[1], dtype=tf.float32)
label_weights = tf.reshape(label_weights, [-1])
cost = tf.reduce_sum(loss * label_weights)
cost_per_token = cost / tf.reduce_sum(label_weights)
# 定义反向传播操作
trainable_variables = tf.trainable_variables()
# 控制梯度大小,定义优化方法和训练步骤
grads = tf.gradients(cost / tf.to_float(batch_size), trainable_variables)
grads, _ = tf.clip_by_global_norm(grads, MAX_GRAD_NORM)
optimizer = tf.train.GradientDescentOptimizer(learning_rate=1.0)
train_op = optimizer.apply_gradients(zip(grads, trainable_variables))
return cost_per_token, train_op
decoding需要替代的代码
"""
function: seq2seq模型-Attention
Parameters:
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
class NMTModel_Attention(object):
# 在模型的初始化函数中定义模型要用到的变量
def __init__(self):
# 定义编码器和解码器所使用的LSTM结构
self.enc_cell_fw = tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE)
self.enc_cell_bw = tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE)
self.dec_cell = tf.nn.rnn_cell.MultiRNNCell(
[tf.nn.rnn_cell.LSTMCell(HIDDEN_SIZE) for _ in range(NUM_LAYERS)])
# 为源语言和目标语言分别定义词向量
self.src_embedding = tf.get_variable('src_emb', [SRC_VOCAB_SIZE, HIDDEN_SIZE])
self.trg_embedding = tf.get_variable('trg_emb', [TRG_VOCAB_SIZE, HIDDEN_SIZE])
# 定义softmax层的变量
if SHARE_EMB_AND_SOFTMAX:
self.softmax_weight = tf.transpose(self.trg_embedding)
else:
self.softmax_weight = tf.get_variable('weight', [HIDDEN_SIZE, TRG_VOCAB_SIZE])
self.softmax_bias = tf.get_variable('softmax_loss', [TRG_VOCAB_SIZE])
"""
function: 利用模型进行推理
Parameters:
src_input: 输入句子,在这里就是已经转换成id文本的英文句子。
Returns:
CSDN:
http://blog.csdn.net/qq_33431368
"""
def inference(self, src_input):
# 虽然输入只有一个句子,但因为dynamic_rnn要求输入时batch的形式,因此这里将输入句子整理为大小为1的batch
src_size = tf.convert_to_tensor([len(src_input)], dtype=tf.int32)
src_input = tf.convert_to_tensor([src_input], dtype=tf.int32)
src_emb = tf.nn.embedding_lookup(self.src_embedding, src_input)
# 使用bidirectional_dynamic_rnn 构造编码器(双向LSTM)
with tf.variable_scope('encoder'):
enc_outputs, enc_state = tf.nn.bidirectional_dynamic_rnn(
self.enc_cell_fw, self.enc_cell_bw, src_emb, src_size, dtype=tf.float32)
# 将两个LSTM输出拼接为一个张量
enc_outputs = tf.concat([enc_outputs[0], enc_outputs[1]], -1)
with tf.variable_scope("decoder"):
# 定义解码器使用的注意力机制。
# 选择注意力权重的计算模型。BahdanauAttention是使用一个隐藏层的前馈神经网络
# memory_sequence_length是一个维度为[batch_size]的张量,代表batch中每个句子的长度
# Attention需要根据这个信息把填充位置的注意里权重设置为0
attention_mechanism = tf.contrib.seq2seq.BahdanauAttention(
HIDDEN_SIZE, enc_outputs,
memory_sequence_length=src_size)
# 将解码器的循环神经网络self.dec_cell和注意力一起封装成更高层的循环神经网络。
attention_cell = tf.contrib.seq2seq.AttentionWrapper(
self.dec_cell, attention_mechanism,
attention_layer_size=HIDDEN_SIZE)
# 设置解码的最大步数 避免在极端情况出现无限循环的问题
MAX_DEC_LEN = 100
with tf.variable_scope('decoder/rnn/attention_wrapper'):
# 使用一个变长的TensorArray来存储生成的句子
init_array = tf.TensorArray(dtype=tf.int32, size=0, dynamic_size=True, clear_after_read=False)
# 填入第一个单词<sos>作为解码器的输入
init_array = init_array.write(0, SOS_ID)
# 构建初始的循环状态,循环状态包含循环神经网络的隐藏状态,保存生成句子TensorArray, 以及记录解码步数的一个整数step
init_loop_var = (attention_cell.zero_state(batch_size=1, dtype=tf.float32), init_array, 0)
# tf.while_loop的循环条件
"""
function: tf.while_loop的循环条件
Parameters:
state: 隐藏状态
trg_ids: 目标句子的id的集合,也就是上面定义的 TensorArray
step: 解码步数
Returns:
解码器没有输出< eos > , 或者没有达到最大步数则输出True,循环继续。
CSDN:
http://blog.csdn.net/qq_33431368
"""
def contunue_loop_condition(state, trg_ids, step):
return tf.logical_and(tf.not_equal(trg_ids.read(step), EOS_ID),
tf.less(step, MAX_DEC_LEN-1))
"""
function: tf.while_loop的循环条件
Parameters:
state: 隐藏状态
trg_ids: 目标句子的id的集合,也就是上面定义的 TensorArray
step: 解码步数
Returns:
next_state: 下一个隐藏状态
trg_ids: 新的得到的目标句子
step+1: 下一步
CSDN:
http://blog.csdn.net/qq_33431368
"""
def loop_body(state, trg_ids, step):
# 读取最后一步输出的单词,并读取其词向量
trg_input = [trg_ids.read(step)]
trg_emb = tf.nn.embedding_lookup(self.trg_embedding, trg_input)
# 这里不使用dynamic_rnn,而是直接调用call向前计算一步
# 每个RNNCell都有一个call方法,使用方式是:(output, next_state) = call(input, state)。
# 每调用一次RNNCell的call方法,就相当于在时间上“推进了一步”,这就是RNNCell的基本功能。
dec_outputs, next_state = attention_cell.call(inputs=trg_emb, state=state)
# 计算每个可能的输出单词对应的logit,并选取logit值最大的单词作为这一步的输出
# 解码器输出经过softmax层,算出每个结果的概率取最大为最终输出
output = tf.reshape(dec_outputs, [-1, HIDDEN_SIZE])
logits = (tf.matmul(output, self.softmax_weight) + self.softmax_bias)
# tf.argmax(logits, axis=1, output_type=tf.int32)相当于一维里的数据概率返回醉倒的索引值,即比step小一个
next_id = tf.argmax(logits, axis=1, output_type=tf.int32)
# 将这部输出的单词写入循环状态的trg_ids中
trg_ids = trg_ids.write(step+1, next_id[0])
return next_state, trg_ids, step+1
# while_loop(contunue_loop_condition, loop_body, init_loop_var)
# contunue_loop_condition 循环条件
# loop_body 循环体
# 循环的起始状态,所以循环条件和循环体的输入参数就是起始状态
state, trg_ids, step = tf.while_loop(contunue_loop_condition, loop_body, init_loop_var)
# 将TensorArray中元素叠起来当做一个Tensor输出
return trg_ids.stack()
七、测试结果(以下为Attention_model训练测试结果图)
1.
2.
3.
八、github代码地址(欢迎star, fork)
训练的最后的model存在百度云中,想抓紧试试代码就下载,要不就自己train也行,里面只上传seq2seq_attention的最后得到的model了
链接: https://pan.baidu.com/s/1QFJxFzBFZJfZChHoB1Cy4w 提取码: mnwa
github代码地址:
https://github.com/chehongshu/DL-tenserflow/tree/master/Seq2Seq_Attention
下载训练好的model文件之后把文件夹复制到工程里去,之后重命名为model即可使用
类似于以下所示:
PS: 如果觉得本篇本章对您有所帮助,欢迎关注、评论、点赞!Github给个Star就更完美了_!
欢迎关注本人公众号
Reference
https://www.w3cschool.cn/tensorflow_python/tensorflow_python-8pwb2dbr.html
http://www.runoob.com/python/python-func-map.html
https://blog.csdn.net/zjuxsl/article/details/79437563
https://blog.csdn.net/lvjc2010/article/details/78777098/
https://blog.csdn.net/chixujohnny/article/details/51025336
https://blog.csdn.net/qq_32458499/article/details/78856530
https://blog.csdn.net/qq_16234613/article/details/81703228
《TensorFlow: 实战Google深度学习框架》
https://blog.csdn.net/weixin_31767897/article/details/79365968
https://blog.csdn.net/guolindonggld/article/details/79256018