上一篇文章我们介绍了LSTM的基本原理,本文我们将构建一个双向LSTM网络去生成一个语言模型。所谓语言模型就是估算一个单词在一个序列中出现的概率,简单讲就是给定一段话,通过神经网络的学习之后,可以通过前面的词和句子去预测下一个词。
1、模型原理
BiLSTM是Bi-directional Long Short-Term Memory的缩写,是由前向LSTM与后向LSTM组合而成。通过上篇文章我们可以得知,使用LSTM模型可以更好的捕捉到较长距离的依赖关系,但是利用LSTM对句子进行建模还存在一个问题:无法编码从后到前的信息。有些时候预测可能需要由前面若干输入和后面若干输入共同决定,这样会更加准确,通过BiLSTM可以更好的捕捉双向的语义依赖。
2、代码实现
1. 导入需要的库,设置数据类型
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable
dtype = torch.FloatTensor
2. 创建数据和字典
//一段没有意义的拉丁文
sentence = ('Lorem ipsum dolor sit amet consectetur adipisicing elit '
'sed do eiusmod tempor incididunt ut labore et dolore magna '
'aliqua Ut enim ad minim veniam quis nostrud exercitation')
n_class = len(word_dict) //词表的数量
max_len = len(sentence.split()) //句子的长度(所有单词的数量)
n_hidden = 5 //LSTM网络隐藏层的个数
3. 创建batch
def make_batch(sentence):
input_batch = []
target_batch = []
words = sentence.split()
//构建batch,依次用句子中前面的词组成的序列去预测下一个词
for i, word in enumerate(words[:-1]):