动手学深度学习Pytorch Task02

第二节课的内容包括文本预处理、语言模型和循环神经网络基础。本人对这方面不是很精通，可能会有错误。

一、文本预处理

文本预处理主要包括四个步骤：读入文本、分词、建立字典、将词转化为索引

1.读入文本

import collections
import re

def read_time_machine():
    with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f:
        lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
    return lines


lines = read_time_machine()
print('# sentences %d' % len(lines))

首先引入collections模块和re模块。collections模块的主要功能是提供了一些特殊的容器，本节课用到的是counter类，能够支持方便快捷的计数；re模块主要提供正则表达式的功能，正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。图中代码表示对得到的字符先进行去除空格、制表、换行符操作和大小写转换操作，最后对非小写英文字符构成的非空字符串替换为空格。

2.分词

我们对每个句子进行分词，也就是将一个句子划分成若干个词（token），转换为一个词的序列。

def tokenize(sentences, token='word'):
    """Split sentences into word or char tokens"""
    if token == 'word':
        return [sentence.split(' ') for sentence in sentences]
    elif token == 'char':
        return [list(sentence) for sentence in sentences]
    else:
        print('ERROR: unkown token type '+token)

tokens = tokenize(lines)
tokens[0:2]

分词操作将选择将句子分解为单词还是字符，如果是单词，则将句子按照空格划分为一个个单词，如果是字符，则直接转换为列表。

3.建立字典

为了方便模型处理，我们需要将字符串转换为数字。因此我们需要先构建一个字典（vocabulary），将每个词映射到一个唯一的索引编号。

class Vocab(object):
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
    	'''
    	tokens:二维列表，语料库中所有的词
    	min_freq：阈值，将出现频率小于min_freq的词去除
    	use_special_tokens：是否使用特殊标志
    	'''
        counter = count_corpus(tokens)  # 记录词和词频的字典
        self.token_freqs = list(counter.items())  # 将字典转换为列表
        self.idx_to_token = []
        if use_special_tokens:
            # 引入四个特殊标志：padding（填充长度不足的句子）, begin of sentence, end of sentence, unknown（未知字符）
            self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
            self.idx_to_token += ['<pad>', '<bos>', '<eos>', '<unk>']
        else:
            self.unk = 0
            self.idx_to_token += ['<unk>']
        self.idx_to_token += [token for token, freq in self.token_freqs
                        if freq >= min_freq and token not in self.idx_to_token]
        self.token_to_idx = dict()  #词与索引对应的字典
        for idx, token in enumerate(self.idx_to_token):
            self.token_to_idx[token] = idx

    def __len__(self):
    	'''
    	返回字典大小
    	'''
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
    	'''
    	词到索引的映射
    	'''
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
    	'''
    	索引到值的映射
    	'''
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

def count_corpus(sentences):
	'''
	利用collections模块的counter类返回一个字典，记录每个词的出现次数
	'''
    tokens = [tk for st in sentences for tk in st]
    return collections.Counter(tokens) 

建立字典的过程包括去除重复和词频过低的词，添加特殊的token，将每个token映射到唯一的索引，再把每一个索引映射到对应的token

4.将词转换为索引

vocab = Vocab(tokens)
for i in range(8, 10):
    print('words:', tokens[i]) # 第i行进行分词后得到的单词序列
    print('indices:', vocab[tokens[i]]) # 第i行对应的索引编号

5.用现有工具进行分词

我们前面介绍的分词方式非常简单，它至少有以下几个缺点:

1.标点符号通常可以提供语义信息，但是我们的方法直接将其丢弃了
2.类似“shouldn’t", “doesn’t"这样的词会被错误地处理
3.类似"Mr.”, "Dr."这样的词会被错误地处理
为此，可以利用现有工具进行分词，例如spacy和nltk

Spacy 可以用于进行分词，命名实体识别，词性识别。它提供了许多不同的模型 , 模型中包含了语言的信息词汇表，预训练的词向量，语法和实体。

import spacy
nlp = spacy.load('en_core_web_sm') # 加载默认的模型- english-core-web
doc = nlp(text)
print([token.text for token in doc])

nltk是一个python工具包, 用来处理与自然语言相关的东西. 包括分词(tokenize), 词性标注(POS), 文本分类等，是较为好用的现成工具。但是目前该工具包的分词模块，只支持英文分词，而不支持中文分词。

from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))

二、语言模型

1.语言模型

一段自然语言文本可以看作是一个离散时间序列，语言模型的目标就是评估该序列是否合理，即计算该序列的概率，本节我们介绍基于统计的语言模型，主要是n元语法

假设序列中的每个词是依次生成的，我们有：

例如，一段含有4个词的文本序列的概率：

语言模型的参数就是词的概率以及给定前几个词情况下的条件概率。设训练数据集为一个大型文本语料库，如维基百科的所有条目，词的概率可以通过该词在训练数据集中的相对词频来计算，例如，w1的概率可以计算为：

其中n(w1)为语料库中以w1作为第一个词的文本的数量，n为语料库中文本的总数量。

类似的，给定w1情况下，w2的条件概率可以计算为：

其中n(w1,w2)为语料库中以w1作为第一个词，w2作为第二个词的文本的数量。

2.n元语法

序列长度增加，计算和存储多个词共同出现的概率的复杂度会呈指数级增加。n元语法通过马尔可夫假设简化模型，马尔科夫假设是指一个词的出现只与前面n个词相关，即n阶马尔可夫链。n元语法是基于n-1阶马尔可夫链的概率语言模型。当n分别为1、2和3时，我们将其分别称作一元语法、二元语法和三元语法。例如，长度为4的序列w1，w2，w3，w4在一元语法、二元语法和三元语法中的概率分别为：

当n较小时，n元语法往往并不准确，然而，当n较大时，n元语法需要计算并存储大量的词频和多词相邻频率。n元语法存在参数空间过大和数据稀疏的问题，数据稀疏即数据出现的频率都不高，导致结果趋向于0.

3.语言模型数据集

读取数据集、建立字符索引

def load_data_jay_lyrics():
    with open('/home/kesci/input/jaychou_lyrics4703/jaychou_lyrics.txt') as f:
        corpus_chars = f.read()
    corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ') # 将换行符和回车符替换为空格
    corpus_chars = corpus_chars[0:10000]
    idx_to_char = list(set(corpus_chars)) # 去重，得到索引到字符的映射
    char_to_idx = dict([(char, i) for i, char in enumerate(idx_to_char)]) # 字符到索引的映射
    vocab_size = len(char_to_idx)
    corpus_indices = [char_to_idx[char] for char in corpus_chars]  # 将每个字符转化为索引，得到一个索引的序列
    return corpus_indices, char_to_idx, idx_to_char, vocab_size

时序数据的采样

如果序列的长度为T，时间步数即时序数据的一个样本通常包含连续的字符数为n，那么一共有T-n个合法的样本，但是这些样本有大量的重合，我们通常采用更加高效的采样方式。我们有两种方式对时序数据进行采样，分别是随机采样和相邻采样。

随机采样

下面的代码每次从数据里随机采样一个小批量。其中批量大小batch_size是每个小批量的样本数，num_steps是每个样本所包含的时间步数。 在随机采样中，每个样本是原始序列上任意截取的一段序列，相邻的两个随机小批量在原始序列上的位置不一定相毗邻。

import torch
import random
def data_iter_random(corpus_indices, batch_size, num_steps, device=None):
    # 减1是因为对于长度为n的序列，X最多只有包含其中的前n - 1个字符
    num_examples = (len(corpus_indices) - 1) // num_steps  # 下取整，得到不重叠情况下的样本个数
    example_indices = [i * num_steps for i in range(num_examples)]  # 每个样本的第一个字符在corpus_indices中的下标
    random.shuffle(example_indices)

    def _data(i):
        # 返回从i开始的长为num_steps的序列
        return corpus_indices[i: i + num_steps]
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    
    for i in range(0, num_examples, batch_size):
        # 每次选出batch_size个随机样本
        batch_indices = example_indices[i: i + batch_size]  # 当前batch的各个样本的首字符的下标
        X = [_data(j) for j in batch_indices]
        Y = [_data(j + 1) for j in batch_indices]
        yield torch.tensor(X, device=device), torch.tensor(Y, device=device)

相邻采样

在相邻采样中，相邻的两个随机小批量在原始序列上的位置相毗邻。

def data_iter_consecutive(corpus_indices, batch_size, num_steps, device=None):
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    corpus_len = len(corpus_indices) // batch_size * batch_size  # 保留下来的序列的长度
    corpus_indices = corpus_indices[: corpus_len]  # 仅保留前corpus_len个字符
    indices = torch.tensor(corpus_indices, device=device)
    indices = indices.view(batch_size, -1)  # resize成(batch_size, )
    batch_num = (indices.shape[1] - 1) // num_steps
    for i in range(batch_num):
        i = i * num_steps
        X = indices[:, i: i + num_steps]
        Y = indices[:, i + 1: i + num_steps + 1]
        yield X, Y

三、循环神经网络基础

循环神经网络及其构造

循环神经网络的核心部分是一个有向图。有向图展开中以链式相连的元素被称为循环单元 。通常地，循环单元构成的链式连接可类比前馈神经网络中的隐含层。
假设H代表隐藏层（即下图a），O代表输出层（即下图y），则循环神经网络的输出为：


其中w为权重，b为偏置，x为输入

Pytorch简洁代码实现

定义一个完整的基于循环神经网络的语言模型

import torch
import torch.nn as nn
import time
import math
import sys
import d2l_jay9460 as d2l

class RNNModel(nn.Module):
    def __init__(self, rnn_layer, vocab_size):
        super(RNNModel, self).__init__()
        self.rnn = rnn_layer
        self.hidden_size = rnn_layer.hidden_size * (2 if rnn_layer.bidirectional else 1) 
        self.vocab_size = vocab_size
        self.dense = nn.Linear(self.hidden_size, vocab_size)

    def forward(self, inputs, state):
        # inputs.shape: (batch_size, num_steps)
        X = to_onehot(inputs, vocab_size)
        X = torch.stack(X)  # X.shape: (num_steps, batch_size, vocab_size)
        hiddens, state = self.rnn(X, state)
        hiddens = hiddens.view(-1, hiddens.shape[-1])  # hiddens.shape: (num_steps * batch_size, hidden_size)
        output = self.dense(hiddens)
        return output, state

我们需要实现一个预测函数，与前面的区别在于前向计算和初始化隐藏状态

def predict_rnn_pytorch(prefix, num_chars, model, vocab_size, device, idx_to_char,
                      char_to_idx):
    state = None
    output = [char_to_idx[prefix[0]]]  # output记录prefix加上预测的num_chars个字符
    for t in range(num_chars + len(prefix) - 1):
        X = torch.tensor([output[-1]], device=device).view(1, 1)
        (Y, state) = model(X, state)  # 前向计算不需要传入模型参数
        if t < len(prefix) - 1:
            output.append(char_to_idx[prefix[t + 1]])
        else:
            output.append(Y.argmax(dim=1).item())
    return ''.join([idx_to_char[i] for i in output])

使用权重为随机值的模型来预测一次。

model = RNNModel(rnn_layer, vocab_size).to(device)
predict_rnn_pytorch('分开', 10, model, vocab_size, device, idx_to_char, char_to_idx)

实现训练函数，这里只使用了相邻采样。

def train_and_predict_rnn_pytorch(model, num_hiddens, vocab_size, device,
                                corpus_indices, idx_to_char, char_to_idx,
                                num_epochs, num_steps, lr, clipping_theta,
                                batch_size, pred_period, pred_len, prefixes):
    loss = nn.CrossEntropyLoss()
    optimizer = torch.optim.Adam(model.parameters(), lr=lr)
    model.to(device)
    for epoch in range(num_epochs):
        l_sum, n, start = 0.0, 0, time.time()
        data_iter = d2l.data_iter_consecutive(corpus_indices, batch_size, num_steps, device) # 相邻采样
        state = None
        for X, Y in data_iter:
            if state is not None:
                # 使用detach函数从计算图分离隐藏状态
                if isinstance (state, tuple): # LSTM, state:(h, c)  
                    state[0].detach_()
                    state[1].detach_()
                else: 
                    state.detach_()
            (output, state) = model(X, state) # output.shape: (num_steps * batch_size, vocab_size)
            y = torch.flatten(Y.T)
            l = loss(output, y.long())
            
            optimizer.zero_grad()
            l.backward()
            grad_clipping(model.parameters(), clipping_theta, device)
            optimizer.step()
            l_sum += l.item() * y.shape[0]
            n += y.shape[0]
        

        if (epoch + 1) % pred_period == 0:
            print('epoch %d, perplexity %f, time %.2f sec' % (
                epoch + 1, math.exp(l_sum / n), time.time() - start))
            for prefix in prefixes:
                print(' -', predict_rnn_pytorch(
                    prefix, pred_len, model, vocab_size, device, idx_to_char,
                    char_to_idx))

训练模型。

num_epochs, batch_size, lr, clipping_theta = 250, 32, 1e-3, 1e-2
pred_period, pred_len, prefixes = 50, 50, ['分开', '不分开']
train_and_predict_rnn_pytorch(model, num_hiddens, vocab_size, device,
                            corpus_indices, idx_to_char, char_to_idx,
                            num_epochs, num_steps, lr, clipping_theta,
                            batch_size, pred_period, pred_len, prefixes)