当前位置：首页 > news >正文

【深度学习入门篇 ⑩】Seq2Seq模型：语言翻译

news 来源：原创 2024/9/21 2:48:45

【🍊易编橙：一个帮助编程小伙伴少走弯路的终身成长社群🍊】

大家好，我是小森( ﹡ˆoˆ﹡ ) ！易编橙·终身成长社群创始团队嘉宾，橙似锦计划领衔成员、阿里云专家博主、腾讯云内容共创官、CSDN人工智能领域优质创作者。

今天我们进入 Seq2Seq 的领域，了解这种更为复杂且功能强大的模型，它不仅能理解词汇(Word2Vec)，还能把这些词汇串联成完整的句子。

Seq2Seq

Seq2Seq（Sequence-to-Sequence），就是从一个序列到另一个序列的转换。它不仅仅能理解单词之间的关系，而且还能把整个句子的意思打包，并解压成另一种形式的表达。

seq2seq是一种神经网络架构，是由encoder（编码器）和decoder（解码器）两个RNN的组成的。其中encoder负责对输入句子的理解，转化为context vector，decoder负责对理解后的句子的向量进行处理，解码，获得输出。

Seq2seq模型中的encoder接受一个长度为M的序列，得到1个 context vector，之后decoder把这一个context vector转化为长度为N的序列作为输出，从而构成一个M to N的模型，能够处理很多不定长输入输出的问题，比如：文本翻译，问答，文章摘要，关键字写诗等等

编码器的任务是读取并理解输入序列，然后把它转换为一个固定长度的上下文向量，也叫作状态向量。
解码器的任务是接收编码器生成的上下文向量，并基于这个向量生成目标序列。

可以加入注意力机制（Attention Mechanism）：使解码器能够在生成每个输出元素时“关注”输入序列中的不同部分，从而提高模型处理长序列和捕捉复杂依赖关系的能力。

Seq2Seq模型实现

任务：

完成一个模型，实现往模型输入一串数字，输出这串数字+0

输入12345678，输出123456780

实现流程

文本转化为序列
使用序列，准备数据集，准备Dataloader
完成编码器
完成解码器
完成seq2seq模型
完成模型训练的逻辑，进行训练
完成模型评估的逻辑，进行模型评估

训练时可以使用GPU训练：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print("训练设备为：", device)

文本转化为序列

由于输入的是数字，为了把这写数字和词典中的真实数字进行对应，可以把这些数字理解为字符串

class NumSequence:UNK_TAG = "UNK" PAD_TAG = "PAD" EOS_TAG = "EOS" #句子开始SOS_TAG = "SOS" #句子结束UNK = 0PAD = 1EOS = 2SOS = 3def __init__(self):self.dict = {self.UNK_TAG : self.UNK,self.PAD_TAG : self.PAD,self.EOS_TAG : self.EOS,self.SOS_TAG : self.SOS}# 字符串和数字对应的字典for i in range(10):self.dict[str(i)] = len(self.dict)self.index2word = dict(zip(self.dict.values(),self.dict.keys()))def __len__(self):return len(self.dict)def transform(self,sequence,max_len=None,add_eos=False):sequence_list = list(str(sequence))seq_len = len(sequence_list)+1 if add_eos else len(sequence_list)if add_eos and max_len is not None:assert max_len>= seq_len, "max_len 应该大于seq+eos的长度"_sequence_index = [self.dict.get(i,self.UNK) for i in sequence_list]if add_eos:_sequence_index += [self.EOS]if max_len is not None:sequence_index = [self.PAD]*max_lensequence_index[:seq_len] =  _sequence_indexreturn sequence_indexelse:return _sequence_indexdef inverse_transform(self,sequence_index):result = []for i in sequence_index:if i==self.EOS:breakresult.append(self.index2word.get(int(i),self.UNK_TAG))return resultnum_sequence = NumSequence()if __name__ == '__main__':num_sequence = NumSequence()print(num_sequence.dict)print(num_sequence.index2word)print(num_sequence.transform("232356",add_eos=True))

准备`Dataset`

from torch.utils.data import Dataset,DataLoader
import numpy as np
from word_sequence import num_sequence
import torch
import configclass RandomDataset(Dataset):def __init__(self):super(RandomDataset,self).__init__()self.total_data_size = 500000np.random.seed(10)self.total_data = np.random.randint(1,100000000,size=[self.total_data_size])def __getitem__(self, idx):input = str(self.total_data[idx])return input, input+ "0",len(input),len(input)+1def __len__(self):return self.total_data_size

准备`DataLoader`

在准备DataLoader的过程中，可以通过定义的collate_fn来实现对dataset中batch数据的处理

def collate_fn(batch):batch = sorted(batch,key=lambda x:x[3],reverse=True)input,target,input_length,target_length = zip(*batch)input = torch.LongTensor([num_sequence.transform(i,max_len=config.max_len) for i in input])target = torch.LongTensor([num_sequence.transform(i,max_len=config.max_len,add_eos=True) for i in target])input_length = torch.LongTensor(input_length)target_length = torch.LongTensor(target_length)return input,target,input_length,target_lengthdata_loader = DataLoader(dataset=RandomDataset(),batch_size=config.batch_size,collate_fn=collate_fn,drop_last=True)

编码器

目的就是为了对文本进行编码，把编码后的结果交给后续的程序使用，使用Embedding+GRU

import torch.nn as nn
from word_sequence import num_sequence
import configclass NumEncoder(nn.Module):def __init__(self):super(NumEncoder,self).__init__()self.vocab_size = len(num_sequence)self.dropout = config.dropoutself.embedding = nn.Embedding(num_embeddings=self.vocab_size,embedding_dim=config.embedding_dim,padding_idx=num_sequence.PAD)self.gru = nn.GRU(input_size=config.embedding_dim,hidden_size=config.hidden_size,num_layers=1,batch_first=True)def forward(self, input,input_length):embeded = self.embedding(input) embeded = nn.utils.rnn.pack_padded_sequence(embeded,lengths=input_length,batch_first=True)out,hidden = self.gru(embeded)out,outputs_length = nn.utils.rnn.pad_packed_sequence(out,batch_first=True,padding_value=num_sequence.PAD)return out,hidden

解码器

主要负责实现对编码之后结果的处理，得到预测值

import torch
import torch.nn as nn
import config
import random
import torch.nn.functional as F
from word_sequence import num_sequenceclass NumDecoder(nn.Module):def __init__(self):super(NumDecoder,self).__init__()self.max_seq_len = config.max_lenself.vocab_size = len(num_sequence)self.embedding_dim = config.embedding_dimself.dropout = config.dropoutself.embedding = nn.Embedding(num_embeddings=self.vocab_size,embedding_dim=self.embedding_dim,padding_idx=num_sequence.PAD)self.gru = nn.GRU(input_size=self.embedding_dim,hidden_size=config.hidden_size,num_layers=1,batch_first=True,dropout=self.dropout)self.log_softmax = nn.LogSoftmax()self.fc = nn.Linear(config.hidden_size,self.vocab_size)def forward(self, encoder_hidden,target,target_length):decoder_input = torch.LongTensor([[num_sequence.SOS]]*config.batch_size)decoder_outputs = torch.zeros(config.batch_size,config.max_len,self.vocab_size) decoder_hidden = encoder_hidden for t in range(config.max_len):decoder_output_t , decoder_hidden = self.forward_step(decoder_input,decoder_hidden)decoder_outputs[:,t,:] = decoder_output_tuse_teacher_forcing = random.random() > 0.5if use_teacher_forcing:decoder_input =target[:,t].unsqueeze(1) else:value, index = torch.topk(decoder_output_t, 1) decoder_input = indexreturn decoder_outputs,decoder_hiddendef forward_step(self,decoder_input,decoder_hidden):embeded = self.embedding(decoder_input)  out,decoder_hidden = self.gru(embeded,decoder_hidden) out = out.squeeze(0) out = F.log_softmax(self.fc(out),dim=-1)out = out.squeeze(1)return out,decoder_hidden

seq2seq模型

完成模型的搭建

import torch
import torch.nn as nnclass Seq2Seq(nn.Module):def __init__(self,encoder,decoder):super(Seq2Seq,self).__init__()self.encoder = encoderself.decoder = decoderdef forward(self, input,target,input_length,target_length):encoder_outputs,encoder_hidden = self.encoder(input,input_length)decoder_outputs,decoder_hidden = self.decoder(encoder_hidden,target,target_length)return decoder_outputs,decoder_hidden

完成训练：

import torch
import config
from torch import optim
import torch.nn as nn
from encoder import NumEncoder
from decoder import NumDecoder
from seq2seq import Seq2Seq
from dataset import data_loader as train_dataloader
from word_sequence import num_sequenceencoder = NumEncoder()
decoder = NumDecoder()
model = Seq2Seq(encoder,decoder)
print(model)optimizer =  optim.Adam(model.parameters())
criterion= nn.NLLLoss(ignore_index=num_sequence.PAD,reduction="mean")def get_loss(decoder_outputs,target):target = target.view(-1)decoder_outputs = decoder_outputs.view(config.batch_size*config.max_len,-1)return criterion(decoder_outputs,target)def train(epoch):for idx,(input,target,input_length,target_len) in enumerate(train_dataloader):optimizer.zero_grad()##[seq_len,batch_size,vocab_size] [batch_size,seq_len]decoder_outputs,decoder_hidden = model(input,target,input_length,target_len)loss = get_loss(decoder_outputs,target)loss.backward()optimizer.step()print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(epoch, idx * len(input), len(train_dataloader.dataset),100. * idx / len(train_dataloader), loss.item()))torch.save(model.state_dict(), "model/seq2seq_model.pkl")torch.save(optimizer.state_dict(), 'model/seq2seq_optimizer.pkl')if __name__ == '__main__':for i in range(5):train(i)

Seq2Seq优点：能处理输入和输出长度不固定的序列转换任务，灵活性高

Seq2Seq缺点：使用固定上下文长度、训练和推理通常需要逐步处理输入和输出序列，以及参数量较少，面对复杂场景可能受限。