注意
跳轉到末尾 以下載完整的示例程式碼。
從零開始的NLP：使用字元級RNN生成姓名#
建立日期：2017年3月24日 | 最後更新：2024年10月21日 | 最後驗證：2024年11月5日
作者： Sean Robertson
本教程是三部曲系列的一部分
這是我們“從零開始的NLP”三個教程中的第二個。在第一個教程中，我們使用RNN將姓名分類到其起源語言。這次我們將反過來，從語言生成姓名。
> 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
我們仍然手動構建一個帶有幾個線性層的簡單RNN。最大的區別在於，我們不再是讀取完姓名的所有字母后預測一個類別，而是輸入一個類別並一次輸出一個字母。遞迴地預測字元以形成語言（這也可以用單詞或其他更高級別的結構來完成）通常被稱為“語言模型”。
推薦閱讀
我假設您至少已安裝PyTorch，瞭解Python，並理解張量（Tensors）。
https://pytorch.com.tw/ 獲取安裝說明
PyTorch深度學習：60分鐘閃電教程 以全面瞭解PyTorch。
透過例項學習PyTorch，進行廣泛而深入的概覽
為前Torch使用者準備的PyTorch教程，如果您是前Lua Torch使用者
瞭解RNN及其工作原理也將很有幫助。
RNN的非理性有效性 展示了許多實際示例。
理解LSTM網路 專門討論LSTM，但也提供了關於RNN的通用資訊。
我也推薦之前的教程，從零開始的NLP：使用字元級RNN對姓名進行分類。
準備資料#
注意
從此處下載資料並解壓到當前目錄。
有關此過程的更多詳細資訊，請參閱上一個教程。簡而言之，有許多純文字檔案 data/names/[Language].txt，每行一個姓名。我們將行分割成陣列，將Unicode轉換為ASCII，並最終得到一個字典 {language: [names ...]}。
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):
with open(filename, encoding='utf-8') as some_file:
return [unicodeToAscii(line.strip()) for line in some_file]
# Build the category_lines dictionary, a list of lines per category
category_lines = {}
all_categories = []
for filename in findFiles('data/names/*.txt'):
category = os.path.splitext(os.path.basename(filename))[0]
all_categories.append(category)
lines = readLines(filename)
category_lines[category] = lines
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"))
# categories: 18 ['Arabic', 'Chinese', 'Czech', 'Dutch', 'English', 'French', 'German', 'Greek', 'Irish', 'Italian', 'Japanese', 'Korean', 'Polish', 'Portuguese', 'Russian', 'Scottish', 'Spanish', 'Vietnamese']
O'Neal
建立網路#
該網路擴充套件了上一個教程的RNN，增加了一個用於類別張量的額外引數，該引數與其他引數串聯在一起。類別張量就像字母輸入一樣，是一個獨熱向量（one-hot vector）。
我們將輸出解釋為下一個字母的機率。在取樣時，最有可能輸出的字母被用作下一個輸入字母。
我添加了第二個線性層 o2o（在組合了隱藏層和輸出層之後），以賦予其更強的處理能力。還有一個dropout層，它以給定的機率（此處為0.1）隨機地將輸入的一部分置零，通常用於模糊輸入以防止過擬合。在這裡，我們將其用於網路的末尾，有意地增加一些隨機性並提高取樣多樣性。
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)
訓練#
為訓練做準備#
首先，一些輔助函式用於獲取（類別，姓名）的隨機對。
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)
line = randomChoice(category_lines[category])
return category, line
對於每個時間步（即，訓練單詞中的每個字母），網路的輸入將是 (category, current letter, hidden state)，輸出將是 (next letter, next hidden state)。因此，對於每個訓練集，我們將需要類別、一組輸入字母和一組輸出/目標字母。
由於我們是在每個時間步預測當前字母的下一個字母，因此字母對是姓名中連續字母的組合——例如，對於 "ABCD<EOS>"，我們將建立（“A”，“B”），（“B”，“C”），（“C”，“D”），（“D”，“EOS”）對。
類別張量是一個大小為 <1 x n_categories> 的獨熱張量。在訓練時，我們會將其饋送到網路中的每個時間步——這是一個設計選擇，也可以將其作為初始隱藏狀態的一部分或其他策略包含進來。
# One-hot vector for category
def categoryTensor(category):
li = all_categories.index(category)
tensor = torch.zeros(1, n_categories)
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)
為了在訓練期間方便，我們將建立一個 randomTrainingExample 函式，該函式獲取一個隨機的（類別，姓名）對，並將其轉換為所需的（類別，輸入，目標）張量。
# 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
訓練網路#
與僅使用最後一個輸l為的分類不同，我們在每一步都進行預測，因此我們在每一步都計算損失。
自動微分（autograd）的魔力在於，您可以簡單地將每一步的損失相加，並在最後呼叫 `backward()`。
criterion = nn.NLLLoss()
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 = torch.Tensor([0]) # you can also just simply use ``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_(p.grad.data, alpha=-learning_rate)
return output, loss.item() / input_line_tensor.size(0)
為了跟蹤訓練需要多長時間，我添加了一個 timeSince(timestamp) 函式，它返回一個人類可讀的字串。
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)
訓練過程與往常一樣——多次呼叫 `train` 函式，等待幾分鐘，每 print_every 個示例列印一次當前時間和損失，並將每 plot_every 個示例的平均損失儲存在 all_losses 中，以便稍後繪製。
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):
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
0m 10s (5000 5%) 2.4822
0m 20s (10000 10%) 2.7690
0m 30s (15000 15%) 3.1366
0m 40s (20000 20%) 3.1135
0m 50s (25000 25%) 2.9428
1m 0s (30000 30%) 2.0053
1m 11s (35000 35%) 2.4966
1m 21s (40000 40%) 2.6172
1m 31s (45000 45%) 1.7212
1m 41s (50000 50%) 2.3996
1m 51s (55000 55%) 2.3005
2m 1s (60000 60%) 1.9635
2m 11s (65000 65%) 2.3604
2m 22s (70000 70%) 2.9354
2m 32s (75000 75%) 2.1671
2m 42s (80000 80%) 3.0014
2m 52s (85000 85%) 1.8223
3m 2s (90000 90%) 1.5015
3m 12s (95000 95%) 2.3933
3m 23s (100000 100%) 2.8391
繪製損失圖#
繪製 `all_losses` 中的歷史損失圖顯示了網路的學習過程。
import matplotlib.pyplot as plt
plt.figure()
plt.plot(all_losses)
[<matplotlib.lines.Line2D object at 0x7fe4517bc970>]
取樣網路#
為了取樣，我們給網路一個字母，並詢問下一個是什麼，然後將下一個字母作為輸入，重複這個過程，直到遇到EOS標記。
建立輸入類別、起始字母和空隱藏狀態的張量。
建立一個字串
output_name，包含起始字母。最多輸出一個最大長度。
將當前字母輸入網路。
從最高輸出中獲取下一個字母和下一個隱藏狀態。
如果字母是EOS，則在此停止。
如果是一個普通字母，則將其新增到
output_name中並繼續。
返回最終的姓名。
注意
與其必須給它一個起始字母，另一種策略是包含一個“字串開始”標記進行訓練，並讓網路自己選擇起始字母。
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 = topi[0][0]
if topi == n_letters - 1:
break
else:
letter = all_letters[topi]
output_name += letter
input = inputTensor(letter)
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')
Roukon
Uanovaki
Shanoveki
Gerer
Eringer
Raner
Santa
Para
Alloulo
Chan
Han
Iuan
練習#
嘗試使用不同的類別->姓名資料集，例如：
虛構系列->角色姓名
詞性->單詞
國家->城市
使用“句子開始”標記，以便在不選擇起始字母的情況下進行取樣。
使用更大和/或形狀更好的網路獲得更好的結果。
嘗試
nn.LSTM和nn.GRU層。將這些RNN的多個組合成一個更高階的網路。
指令碼總執行時間： (3 分鐘 23.171 秒)
