在上一篇博客中我们使用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(多对一,多输入单输出),而是输入一个类别之后在每一时刻输出一个字母(一对多,单输入多输出)。 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:
我默认你已经安装好了PyTorch,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入门
- Learning PyTorch with Examples 一些PyTorch的例子
- PyTorch for Former Torch Users Lua Torch 用户参考
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
目录
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切分得到一个数组,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)
# 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
)
# 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] #对每个名字转码
# Build the category_lines dictionary, a list of lines per category
category_lines = {}
all_categories = []
for filename in findFiles('data/data/names/*.txt'):
category = os.path.splitext(os.path.basename(filename))[0] #提取类别 .txt前的信息
all_categories.append(category)
lines = readLines(filename) #名字列表
category_lines[category] = lines #language:名字列表
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"))
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。
我们的输出是下一个字母是什么的可能性分布。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
- 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
# Random item from a list
def randomChoice(l):
return l[random.randint(0, len(l) - 1)]
# Get a random category and random line from that category
def randomTrainingPair():
category = randomChoice(all_categories) #随机选一个类别/一种语言
line = randomChoice(category_lines[category]) #随机选择该类别/语言的一个名字
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,对于每个训练样本,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 向量。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。
# One-hot vector for category9
def categoryTensor(category):
li = all_categories.index(category) #得到类别索引
tensor = torch.zeros(1, n_categories) #转为one-hot表示
tensor[0][li] = 1
return tensor
# One-hot matrix of first to last letters (not including EOS) for input
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
# LongTensor of second letter to end (EOS) for target
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,名字)的对并将它们转换为所需要的(类别,输入,目标)格式张量。
# Make category, input, and target tensors from a random category, line pair
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
- 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() #损失函数
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train,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): #100000次迭代 每次随机选择一个样本
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
- 损失数据做图
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
%matplotlib inline
plt.figure()
plt.plot(all_losses)
4. 预测/采样
训练完成后,我们每次给网络提供一个字母并预测下一个字母是什么,将预测得到的字母继续作为下一时刻的输入,直到得到EOS字符结束循环。得到一个生成的名字。
- 用输入类别、起始字母和空隐藏状态创建输入张量。
- 用起始字母生成一个字符串变量
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,而是在训练时,给输入的单词前添加一个“字符串开始”的标记,如SOS,之前训练过程,第一个时间步骤的输入是单词的第一个字母,目标是第二个字母,以此类推;现在第一个时间步骤输入是SOS,目标是第一个字母,以此类推。这样网络可以自己选择起始的字母。
max_length = 20
# Sample from a category and starting letter
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可能最大的位置索引
topi = topi[0][0]
if topi == n_letters - 1: #是EOS
break
else:
letter = all_letters[topi]
output_name += letter
input = inputTensor(letter) #预测时 当前时刻的输出作为下一时刻的输入
return output_name
# Get multiple samples from one category and multiple starting letters
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')
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
- 尝试