字符级Seq2Seq-英语粤语翻译的简单实现

    前一篇文章中使用简单的seq2seq搭建了单词级聊天机器人《聊天机器人-基于QQ聊天记录训练》,里面也简单介绍了seq2seq的原理。这里尝试用seq2seq做一下字符级的翻译:英语->粤语。

    seq2seq的训练过程是'teacher forcing'的,英法翻译举例如下:

seq2seq-teacher-forcing.png

   

     推断过程不实用'teacher forcing',如下:

seq2seq-inference.png


    因此seq2seq的训练和预测过程的模型是不一样的,它们使用相同的层。

训练模型的架构:

eng2yue_model.png

用tensorboard画出来的结构如下:

r3.png

推断模型:

    编码器

eng2yue_encoder_model_infer.png

    解码器

eng2yue_decoder_model_infer.png


加载数据集

    数据集来源:http://www.manythings.org/anki/.

import os
num_samples=3200
input_texts = []
target_texts = []
input_characters = set()
target_characters = set()
data_path=r'D:\NLP\dataset\机器翻译\yue-eng\yue.txt'

with open(data_path, 'r', encoding='utf-8') as f:
    lines = f.read().split('\n')

for line in lines[: min(num_samples, len(lines) - 1)]:
    input_text, target_text = line.split('\t')
    target_text = '\t' + target_text + '\n'
    input_texts.append(input_text)#输入
    target_texts.append(target_text)#输出
    for char in input_text:
        if char not in input_characters:
            input_characters.add(char)#输入字符集
    for char in target_text:
        if char not in target_characters:
            target_characters.add(char)#输出字符集

#排序
input_characters = sorted(list(input_characters))
target_characters = sorted(list(target_characters))
#字符数
num_encoder_tokens = len(input_characters)
num_decoder_tokens = len(target_characters)
#输出输出的最大句子长度
max_encoder_seq_length = max([len(txt) for txt in input_texts])
max_decoder_seq_length = max([len(txt) for txt in target_texts])



数据预处理

将文本映射为向量。

import numpy as np

#字典:把字符映射为数字
input_token_index = dict([(char, i) for i, char in enumerate(input_characters)])
target_token_index = dict([(char, i) for i, char in enumerate(target_characters)])
#字典:把数字映射回字符
rinput_dict = dict( (i, char) for char, i in input_token_index.items())
rtarget_dict = dict((i, char) for char, i in target_token_index.items())

#将数据集映射为向量
encoder_input_data = np.zeros((len(input_texts), max_encoder_seq_length, num_encoder_tokens),dtype='float32')
decoder_input_data = np.zeros((len(input_texts), max_decoder_seq_length, num_decoder_tokens),dtype='float32')
decoder_target_data = np.zeros((len(input_texts), max_decoder_seq_length, num_decoder_tokens),dtype='float32')
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_target_data is ahead of decoder_input_data by one timestep
        decoder_input_data[i, t, target_token_index[char]] = 1.
        if t > 0:
            # decoder_target_data will be ahead by one timestep
            # and will not include the start character.
            decoder_target_data[i, t - 1, target_token_index[char]] = 1.
print(encoder_input_data.shape)
print(decoder_input_data.shape)
print(decoder_target_data.shape)




定义模型

    lstm的cell数量为256维。

from keras.models import Model
from keras.layers import Input, LSTM, Dense
latent_dim = 256 
encoder_inputs = Input(shape=(None, num_encoder_tokens))
encoder = LSTM(latent_dim, return_state=True)
encoder_outputs, state_h, state_c = encoder(encoder_inputs)
encoder_states = [state_h, state_c]

decoder_inputs = Input(shape=(None, num_decoder_tokens))
decoder_lstm = LSTM(latent_dim, return_sequences=True, return_state=True)
decoder_outputs, _, _ = decoder_lstm(decoder_inputs,initial_state=encoder_states)
decoder_dense_1 = Dense(int(num_decoder_tokens/4), activation='relu')
decoder_outputs_1 = decoder_dense_1(decoder_outputs)
decoder_dense = Dense(num_decoder_tokens, activation='softmax')
decoder_outputs = decoder_dense(decoder_outputs_1)

model = Model([encoder_inputs, decoder_inputs], decoder_outputs)
model.summary()
plot_model(model,to_file='eng2yue_model.png',show_shapes=True)



训练并保存模型

    设置回调函数,在训练过程中保存最优模型。

import keras

batch_size = 16
epochs = 100 

callbacks_list=[
    keras.callbacks.EarlyStopping(
        monitor='acc',
        patience=10,
    ),
    keras.callbacks.ModelCheckpoint(
        filepath='eng2yue_model_checkpoint.h5',
        monitor='val_loss',#如果val_loss不改善,则不需要覆盖模型文件
        save_best_only=True
    ),
    keras.callbacks.TensorBoard(
        log_dir='my_log_dir',
        histogram_freq=1#每一轮之后记录直方图
    )
]

model.compile(optimizer='rmsprop', loss='categorical_crossentropy',metrics=['acc'])

model.fit([encoder_input_data, decoder_input_data], decoder_target_data,
          batch_size=batch_size,
          epochs=epochs,
          validation_split=0.1,
          callbacks=callbacks_list
         )

model.save('eng2yue_model.h5')

训练结果:

r4.png

精度很低,这是训练集太小的缘故。


定义预测模型

    编码器和解码器分开。

#编码器
encoder_model = Model(encoder_inputs, encoder_states)
#解码器
decoder_state_input_h = Input(shape=(latent_dim,))
decoder_state_input_c = Input(shape=(latent_dim,))
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)
decoder_states = [state_h, state_c]
decoder_outputs = decoder_dense(decoder_outputs)
decoder_model = Model(
    [decoder_inputs] + decoder_states_inputs,
    [decoder_outputs] + decoder_states
)



预测

    测试结果不是很理想,从训练集的验证精度上也看得出来。

#输入文本
text='I get it.'

text_seq = np.zeros((1, max_encoder_seq_length, num_encoder_tokens),dtype='float32')
for t, char in enumerate(text):
    text_seq[0, t, input_token_index[char]] = 1.

result = ''
states_value = encoder_model.predict(text_seq)#编码输入得到状态变量

target_seq = np.zeros((1, 1, num_decoder_tokens))
target_seq[0, 0, target_token_index['\t']] = 1.#初始化解码器输入向量
stop_condition = False

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 = rtarget_dict[sampled_token_index]
    result += sampled_char
    #退出循环
    if (sampled_char == '\n' or len(result) > max_decoder_seq_length):
        stop_condition = True
    #更新decoder输入
    target_seq = np.zeros((1, 1, num_decoder_tokens))
    target_seq[0, 0, sampled_token_index] = 1.
    # 更新状态
    states_value = [h, c]
print(result)


参考文献

[1]Francois Chollet.A ten-minute introduction to sequence-to-sequence learning in Keras.https://blog.keras.io/a-ten-minute-introduction-to-sequence-to-sequence-learning-in-keras.html. 2017-09-29

首页 所有文章 机器人 计算机视觉 自然语言处理 机器学习 编程随笔 关于