NLP 從零開始：使用字元級 RNN 生成姓名

創建於: 2017 年 3 月 24 日 | 最後更新於: 2024 年 10 月 21 日 | 最後驗證於: 2024 年 11 月 5 日

作者: Sean Robertson

本教程是三部分系列教程的一部分

• NLP 從零開始：使用字元級 RNN 對姓名進行分類

• NLP 從零開始：使用字元級 RNN 生成姓名

• NLP 從零開始：使用 Sequence to Sequence 網路和注意力機制進行翻譯

這是我們“NLP 從零開始”系列三部分教程中的第二部分。在第一個教程中，我們使用了 RNN 將姓名分類到其語言來源。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

我們仍然手工構建了一個帶有幾個線性層的小型 RNN。主要區別在於，我們不再是在讀取所有字母后預測類別，而是輸入一個類別並一次輸出一個字母。迴圈預測字元以形成語言（這也可以使用單詞或其他更高階的結構來完成）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/ 安裝說明

• 使用 PyTorch 進行深度學習：60 分鐘速成 瞭解 PyTorch 的基本用法

• 透過示例學習 PyTorch 獲取廣泛而深入的概覽

• PyTorch for Former Torch Users 如果您是 Lua Torch 使用者

瞭解 RNN 及其工作原理也會有所幫助

• 迴圈神經網路的驚人有效性 展示了許多實際示例

• 理解 LSTM 網路 專門介紹了 LSTM，但對於理解 RNN 總體上也有幫助

我還建議閱讀前一個教程：NLP 從零開始：使用字元級 RNN 對姓名進行分類

準備資料

注意

從這裡下載資料並將其解壓到當前目錄。

有關此過程的更多詳細資訊，請參見上一個教程。簡而言之，有許多純文字檔案 data/names/[Language].txt，每行一個姓名。我們將行拆分成陣列，將 Unicode 轉換為 ASCII，最終得到一個字典 {語言: [姓名 ...]}。

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

這個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 (category tensor) 的額外引數，該引數與其他張量連線在一起。類別張量與字母輸入一樣，是一個獨熱 (one-hot) 向量。

我們將把輸出解釋為下一個字母的機率。在取樣時，機率最高的輸出字母用作下一個輸入字母。

我添加了第二個線性層 o2o (在組合隱藏層和輸出層之後)，以賦予它更強大的處理能力。還有一個 Dropout 層，它會以給定的機率 (此處為 0.1) 隨機將部分輸入歸零，通常用於模糊輸入以防止過擬合。在這裡，我們將其用在網路的末端，有意地增加一些隨機性並增加取樣多樣性。

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

準備訓練

首先，獲取隨機 (類別, 行) 對的輔助函式

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 (類別, 當前字母, 隱藏狀態)，輸出將是 (下一個字母, 下一個隱藏狀態)。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。

由於我們在每個時間步從當前字母預測下一個字母，字母對是來自該行的連續字母組 - 例如，對於 "ABCD<EOS>"，我們將建立 ("A", "B")、("B", "C")、("C", "D")、("D", "EOS")。

類別張量是一個大小為 <1 x n_categories> 的獨熱張量。訓練時，我們在每個時間步將其饋送給網路——這是一個設計選擇，它也可以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)

為了訓練方便，我們將建立一個 randomTrainingExample 函式，用於獲取隨機的 (類別, 行) 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出的分類不同，我們在每個步驟進行預測，因此我們在每個步驟計算損失。

autograd 的神奇之處在於，您可以簡單地將每個步驟的這些損失相加，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)

為了跟蹤訓練所需的時間，我添加了一個 timeSince(timestamp) 函式，該函式返回一個人可讀的字串。

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)

訓練照常進行——多次呼叫 train 並等待幾分鐘，每隔 print_every 個示例列印當前時間和損失，並每隔 plot_every 個示例將平均損失儲存在 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%) 2.7686
0m 20s (10000 10%) 2.5023
0m 31s (15000 15%) 3.0934
0m 42s (20000 20%) 2.2183
0m 52s (25000 25%) 2.7072
1m 3s (30000 30%) 2.0118
1m 13s (35000 35%) 2.6332
1m 24s (40000 40%) 2.5150
1m 34s (45000 45%) 2.1207
1m 45s (50000 50%) 2.8377
1m 55s (55000 55%) 2.6050
2m 5s (60000 60%) 2.5402
2m 16s (65000 65%) 2.7429
2m 26s (70000 70%) 1.5367
2m 37s (75000 75%) 0.8677
2m 47s (80000 80%) 3.1882
2m 58s (85000 85%) 1.9431
3m 8s (90000 90%) 2.7269
3m 19s (95000 95%) 3.2194
3m 29s (100000 100%) 1.7136

繪製損失曲線

繪製 all_losses 中的歷史損失曲線顯示了網路的學習情況

import matplotlib.pyplot as plt

plt.figure()
plt.plot(all_losses)

[<matplotlib.lines.Line2D object at 0x7f12a1748f70>]

網路取樣

要進行取樣，我們給網路一個字母並詢問下一個字母是什麼，將該字母作為下一個輸入，重複直到 EOS 標記。

• 建立輸入類別、起始字母和空隱藏狀態的張量

• 建立一個以起始字母開頭的字串 output_name

• 在最大輸出長度內，

  • 將當前字母饋送給網路

  • 從最高機率輸出中獲取下一個字母，以及下一個隱藏狀態

  • 如果字母是 EOS，則停止

  • 如果是一個普通字母，新增到 output_name 並繼續

• 返回最終的姓名

注意

另一種策略是，不必給定起始字母，而是在訓練中包含一個“字串開始”標記，讓網路選擇自己的起始字母。

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')

Rovakov
Uakinov
Shantov
Gangeng
Erenger
Ronger
Sarera
Parer
Aras
Chan
Han
Iu

練習

• 嘗試使用不同的類別 -> 行資料集，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，以便無需選擇起始字母即可進行取樣

• 使用更大和/或形狀更好的網路獲得更好的結果

  • 嘗試使用 nn.LSTM 和 nn.GRU 層

  • 將多個這樣的 RNN 組合成一個更高層次的網路