该模型实现的是英文到中文的翻译，下图为了更好展示模型架构借用大佬的图(这里没有用到Embeddings)：

本文完整代码:Github

目录

一、处理文本数据

1.获得翻译前后的句子

2.创建关于字符-index 和 index -字符的字典

3.对中文和英文句子One-Hot编码

二、建立模型

三、decoder预测每个字符

四、训练模型

五、展示

整体由encoder和decoder两大部分组成，每部分都有一个LSTM网络，其中encoder输入原始的句子，输出状态向量；decoder输入的是含有开始符号的翻译后的句子，输出目标句子。

具体步骤为：

1.encoder将输入序列进行编码成状态向量

2.decoder从第一个字符开始预测

3.向decoder喂入状态向量(state_h,state_c)和累计包含之前预测字符的独热编码（第一次的状态向量来自于encoder,后来预测每个目标序列的每个字符时，状态向量来源于decoder,predict出来的状态向量）

4.使用argmax预测对下一个字符的位置，再根据字典查找到对应的字符

5.将上一步骤中的字符添加到 target sequence中

6.直到预测到我们指定结束字符时结束循环

一、处理文本数据

这一步骤包含对原数据进行分割获得翻译前、后的句子，生成字符的字典，最后对翻译前后的句子进行One-Hot编码，便于处理数据。

1.获得翻译前后的句子

先看一下原数据的样式：

首先导入需要的库：

代码1.1.1

import pandas as pd
import numpy as np
from keras.layers import Input, LSTM, Dense, merge,concatenate
from keras.optimizers import Adam, SGD
from keras.models import Model,load_model
from keras.utils import plot_model
from keras.models import Sequential#定义神经网络的参数
NUM_SAMPLES=3000   #训练样本的大小
batch_size = 64    #一次训练所选取的样本数
epochs = 100       #训练轮数
latent_dim = 256   #LSTM 的单元个数

用pandas读取文件，然后我们只要前两列内容

代码1.1.2

data_path='data/cmn.txt'
df=pd.read_table(data_path,header=None).iloc[:NUM_SAMPLES,0:2]
#添加标题栏
df.columns=['inputs','targets']
#每句中文举手加上‘\t’作为起始标志，句末加上‘\n’终止标志
df['targets']=df['targets'].apply(lambda x:'\t'+x+'\n')

最后是这样的形式：

然后分别把英文和中文数据转换为list形式

代码1.1.3

#获取英文、中文各自的列表
input_texts=df.inputs.values.tolist()
target_texts=df.targets.values.tolist()#确定中英文各自包含的字符。df.unique()直接取sum可将unique数组中的各个句子拼接成一个长句子
input_characters = sorted(list(set(df.inputs.unique().sum())))
target_characters = sorted(list(set(df.targets.unique().sum())))#英文字符中不同字符的数量
num_encoder_tokens = len(input_characters)
#中文字符中不同字符的数量
num_decoder_tokens = len(target_characters)
#最大输入长度
INUPT_LENGTH = max([ len(txt) for txt in input_texts])
#最大输出长度
OUTPUT_LENGTH = max([ len(txt) for txt in target_texts])

2.创建关于字符-index 和 index -字符的字典

代码1.2.1

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)] )reverse_input_char_index = dict([(i, char) for i, char in enumerate(input_characters)])
reverse_target_char_index = dict([(i, char) for i, char in enumerate(target_characters)])

3.对中文和英文句子One-Hot编码

代码1.3.1

#需要把每条语料转换成LSTM需要的三维数据输入[n_samples, timestamp, one-hot feature]到模型中
encoder_input_data =np.zeros((NUM_SAMPLES,INUPT_LENGTH,num_encoder_tokens))
decoder_input_data =np.zeros((NUM_SAMPLES,OUTPUT_LENGTH,num_decoder_tokens))
decoder_target_data  = np.zeros((NUM_SAMPLES,OUTPUT_LENGTH,num_decoder_tokens))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]]=1.0for t, char in enumerate(target_text):decoder_input_data[i,t,target_token_index[char]]=1.0if t > 0:# decoder_target_data 不包含开始字符，并且比decoder_input_data提前一步decoder_target_data[i, t-1, target_token_index[char]] = 1.0

二、建立模型

代码2.1

#定义编码器的输入encoder_inputs=Input(shape=(None,num_encoder_tokens))#定义LSTM层，latent_dim为LSTM单元中每个门的神经元的个数，return_state设为True时才会返回最后时刻的状态h,cencoder=LSTM(latent_dim,return_state=True)# 调用编码器，得到编码器的输出（输入其实不需要），以及状态信息 state_h 和 state_cencoder_outputs,state_h,state_c=encoder(encoder_inputs)# 丢弃encoder_outputs, 我们只需要编码器的状态encoder_state=[state_h,state_c]#定义解码器的输入decoder_inputs=Input(shape=(None,num_decoder_tokens))decoder_lstm=LSTM(latent_dim,return_state=True,return_sequences=True)# 将编码器输出的状态作为初始解码器的初始状态decoder_outputs,_,_=decoder_lstm(decoder_inputs,initial_state=encoder_state)#添加全连接层decoder_dense=Dense(num_decoder_tokens,activation='softmax')decoder_outputs=decoder_dense(decoder_outputs)#定义整个模型model=Model([encoder_inputs,decoder_inputs],decoder_outputs)

model的模型图：

其中decoder在每个timestep有三个输入分别是来自encoder的两个状态向量state_h,state_c和经过One-Hot编码的中文序列

代码2.2

    #定义encoder模型，得到输出encoder_statesencoder_model=Model(encoder_inputs,encoder_state)decoder_state_input_h=Input(shape=(latent_dim,))decoder_state_input_c=Input(shape=(latent_dim,))decoder_state_inputs=[decoder_state_input_h,decoder_state_input_c]# 得到解码器的输出以及中间状态decoder_outputs,state_h,state_c=decoder_lstm(decoder_inputs,initial_state=decoder_state_inputs)decoder_states=[state_h,state_c]decoder_outputs=decoder_dense(decoder_outputs)decoder_model=Model([decoder_inputs]+decoder_state_inputs,[decoder_outputs]+decoder_states)plot_model(model=model,show_shapes=True)plot_model(model=encoder_model,show_shapes=True)plot_model(model=decoder_model,show_shapes=True)return model,encoder_model,decoder_model

encoder的模型图：

decoder的模型图:

三、decoder预测每个字符

首先encoder根据输入序列生成状态向量states_value 并结合由包含开始字符"\t"的编码一并传入到decoder的输入层，预测出下个字符的位置sampled_token_index ，将新预测到的字符添加到target_seq中再进行One-Hot编码,用预测上个字符生成的状态向量作为新的状态向量。

以上过程在while中不断循环，直到预测到结束字符"\n"，结束循环，返回翻译后的句子。从下图可直观的看出对于decoder部分是一个一个生成翻译后的序列，注意蓝线的指向是target_squence,它是不断被填充的。

代码3.1

def decode_sequence(input_seq,encoder_model,decoder_model):# 将输入序列进行编码生成状态向量states_value = encoder_model.predict(input_seq)# 生成一个size=1的空序列target_seq = np.zeros((1, 1, num_decoder_tokens))# 将这个空序列的内容设置为开始字符target_seq[0, 0, target_token_index['\t']] = 1.# 进行字符恢复# 简单起见，假设batch_size = 1stop_condition = Falsedecoded_sentence = ''while not stop_condition:output_tokens, h, c = decoder_model.predict([target_seq] + states_value)
#        print(output_tokens)这里输出的是下个字符出现的位置的概率# 对下个字符采样  sampled_token_index是要预测下个字符最大概率出现在字典中的位置sampled_token_index = np.argmax(output_tokens[0, -1, :])sampled_char = reverse_target_char_index[sampled_token_index]decoded_sentence += sampled_char# 退出条件：生成 \n 或者 超过最大序列长度if sampled_char == '\n' or len(decoded_sentence) >INUPT_LENGTH  :stop_condition = True# 更新target_seqtarget_seq = np.zeros((1, 1, num_decoder_tokens))target_seq[0, 0, sampled_token_index] = 1.# 更新中间状态states_value = [h, c]return decoded_sentence

四、训练模型

model,encoder_model,decoder_model=create_model()
#编译模型
model.compile(optimizer='rmsprop',loss='categorical_crossentropy')
#训练模型
model.fit([encoder_input_data,decoder_input_data],decoder_target_data,batch_size=batch_size,epochs=epochs,validation_split=0.2)
#训练不错的模型为了以后测试可是保存
model.save('s2s.h5')
encoder_model.save('encoder_model.h5')
decoder_model.save('decoder_model.h5')

五、展示

if __name__ == '__main__':intro=input("select train model or test model:")if intro=="train":print("训练模式...........")train()else:print("测试模式.........")while(1):test()

训练数据用了3000组，大部分是比较短的词组或者单词。效果不能算是太好，但是比起英语渣渣还算可以吧。

Reference：

A ten-minute introduction to sequence-to-sequence learning in Keras

https://towardsdatascience.com/neural-machine-translation-using-seq2seq-with-keras-c23540453c74

Keras实现英文到中文机器翻译 seq2seq+LSTM相关推荐

人工智能框架实战精讲：Keras项目-英文语料的DNN、Word2Vec、CNN、LSTM文本分类实战与调参优化
Keras项目-英文语料的文本分类实战一.机器学习模型 1.1 数据简介 1.2 数据读取与预处理 1.3 数据切分与逻辑回归模型构建二.全连接神经网络模型 2.1 模型训练 2.2 模型结果展示 ...
【转】SQL函数：字符串中提取数字，英文，中文，过滤重复字符
SQL函数:字符串中提取数字,英文,中文,过滤重复字符 --提取数字 IF OBJECT_ID('DBO.GET_NUMBER') IS NOT NULL DROP FUNCTION DBO.GET_ ...
keras实现简单lstm_深度学习（LSTM）在交通建模中的应用
上方点击蓝字关注? 在简单了解了LSTM原理之后,本期我将以航班延误预测为例为大家介绍一下如何利用Python编程来构建LSTM模型. 这里我们要用到一个高级的深度学习链接库--Keras,它以Ten ...
IDEA（Pycharm）一家子常用快捷键Keymap对应的英文、中文与具体位置
本博客旨在把idea全家桶中快捷键的英文与中文罗列出来,方便大家自定义中文英文位置代码提示 Basic code - completion - Basic 同时多行输入 Add or Remo ...
EasyUI的DataGrid 分页栏英文改中文解决方案
EasyUI的DataGrid 分页栏英文改中文解决方案参考文章: (1)EasyUI的DataGrid 分页栏英文改中文解决方案 (2)https://www.cnblogs.com/tahn30 ...
CSS 中的字体兼容写法：用CSS为英文和中文字体分别设置不同的字体
font-family的调用方法: font-family:Arial,'Times New Roman','Microsoft YaHei',SimHei; font:bold 12px/0.75e ...
用PS将图片或表格中的英文变成中文
用PS将图片或表格中的英文变成中文相信现在很多童鞋都面临着毕业压力,开始焦急的撰写毕业论文了.现在教大家用PS将中文变成成英文,马上学起来.如果你们还没有下载photoshop,也可以用在线PS,方 ...
C++排雷：19.过滤英文和中文标点符号，string与wstring之间的转换
想要过滤一个文本中的标点符号. 对英文标点符号可以使用cctype中的ispunct方法来识别而对于中文标点符号,则需要一定的转换: C++用string来处理字符串. string是窄字符串ASC ...
vs智能提示英文转为中文
使用 VS2015 时,在 4.0 下智能提示显示中文,在 4.5 下显示英文,英文转为中文的方法: 找到目录: C:\Program Files (x86)\Reference Assemblies ...

Keras实现英文到中文机器翻译 seq2seq+LSTM

一、处理文本数据

1.获得翻译前后的句子

2.创建关于字符-index 和 index -字符的字典

3.对中文和英文句子One-Hot编码

二、建立模型

三、decoder预测每个字符

四、训练模型

五、展示

Keras实现英文到中文机器翻译 seq2seq+LSTM相关推荐

最新文章

热门文章

Keras实现英文到中文机器翻译 seq2seq+LSTM

一、处理文本数据

1.获得翻译前后的句子

2.创建关于 字符-index 和 index -字符的字典

3.对中文和英文句子One-Hot编码

二、建立模型

三、decoder预测每个字符

四、训练模型

五、展示

Keras实现英文到中文机器翻译 seq2seq+LSTM相关推荐

最新文章

热门文章

2.创建关于字符-index 和 index -字符的字典