pytorch dropout_手把手带你使用字符级RNN生成名字 | PyTorch
作者 | News
编辑 | 奇予纪
出品 | 磐创AI团队出品
【磐创AI 导读】:本篇文章讲解了PyTorch专栏的第五章中的使用字符级RNN生成名字。查看专栏历史文章,请点击下方蓝色字体进入相应链接阅读。查看关于本专栏的介绍:PyTorch专栏开篇。想要更多电子杂志的机器学习,深度学习资源,大家欢迎点击上方蓝字关注我们的公众号:磐创AI。
专栏目录:第一章:PyTorch之简介与下载
- PyTorch简介
- PyTorch环境搭建
第二章:PyTorch之60分钟入门
- PyTorch入门
- PyTorch自动微分
- PyTorch神经网络
- PyTorch图像分类器
- PyTorch数据并行处理
第三章:PyTorch之入门强化
- 数据加载和处理
- PyTorch小试牛刀
- 迁移学习
- 混合前端的seq2seq模型部署
- 保存和加载模型
第四章:PyTorch之图像篇
- 微调基于torchvision 0.3的目标检测模型
- 微调TorchVision模型
- 空间变换器网络
- 使用PyTorch进行神经传递
- 生成对抗示例
- 使用ONNX将模型转移至Caffe2和移动端
第五章:PyTorch之文本篇
- 聊天机器人教程
- 使用字符级RNN生成名字
- 使用字符级RNN进行名字分类
- 在深度学习和NLP中使用Pytorch
- 使用Sequence2Sequence网络和注意力进行翻译
第六章:PyTorch之生成对抗网络第七章:PyTorch之强化学习使用字符级RNN生成名字在本教程中我们使用RNN网络根据语言生成名字。
> python sample.py Russian RUSRovakovUantovShavakov
> python sample.py German GERGerrenErengRosher
> python sample.py Spanish SPASallaParerAllan
> python sample.py Chinese CHIChanHangIun
我们使用只有几层线性层的小型RNN。最大的区别在于,这里不是在读取一个名字的所有字母后预测类别,而是输入一个类别之后在每一时刻输出一个字母。循环预测字符以形成语言通常也被称为“语言模型”。(也可以将字符换成单词或更高级的结构进行这一过程)
阅读建议
开始本教程前,你已经安装好了PyTorch,并熟悉Python语言,理解“张量”的概念:
- https://pytorch.org/ PyTorch 安装指南
- Deep Learning with PyTorch:A 60 Minute Blitz :PyTorch的基本入门教程
- Learning PyTorch with Examples:得到深层而广泛的概述
- PyTorch for Former Torch Users Lua Torch:如果你曾是一个Lua张量的使用者
事先学习并了解RNN的工作原理对理解这个例子十分有帮助:
The Unreasonable Effectiveness of Recurrent Neural Networks展示了很多实际的例子
Understanding LSTM Networks是关于LSTM的,但也提供有关RNN的说明
1.准备数据
打开网页(https://download.pytorch.org/tutorial/data.zip)下载数据并将其解压到当前文件夹。有些纯文本文件data/names/[Language].txt
,它们的每行都有一个名字。
我们按行将文本按行分割得到一个数组,将Unicode编码转化为ASCII编码,最终得到{language: [names ...]}
格式存储的字典变量。
from __future__ import unicode_literals, print_function, divisionfrom io import openimport globimport osimport unicodedataimport string
all_letters = string.ascii_letters + " .,;'-"n_letters = len(all_letters) + 1 # Plus EOS marker
def findFiles(path): return glob.glob(path)
# 将Unicode字符串转换为纯ASCII, 感谢https://stackoverflow.com/a/518232/2809427def unicodeToAscii(s): return ''.join( c for c in unicodedata.normalize('NFD', s) if unicodedata.category(c) != 'Mn' and c in all_letters )
# 读取文件并分成几行def readLines(filename): lines = open(filename, encoding='utf-8').read().strip().split('\n') return [unicodeToAscii(line) for line in lines]
# 构建category_lines字典,列表中的每行是一个类别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"))
输出结果
# categories: 18 ['French', 'Czech', 'Dutch', 'Polish', 'Scottish', 'Chinese', 'English', 'Italian', 'Portuguese', 'Japanese', 'German', 'Russian', 'Korean', 'Arabic', 'Greek', 'Vietnamese', 'Spanish', 'Irish']O'Neal
2.构造神经网络
这个神经网络网络增加了额外的类别张量参数,该参数与其他输入连接在一起。类别可以像字母一样组成 one-hot 向量构成张量输入。
我们将输出作为下一个字母是什么的可能性。采样过程中,当前输出可能性最高的字母作为下一时刻输入字母。
在组合隐藏状态和输出之后我们增加了第二个linear层o2o
,使模型的性能更好。当然还有一个dropout层,参考这篇论文随机将输入部分替换为0给出的参数(dropout=0.1)来模糊处理输入防止过拟合。我们将它添加到网络的末端,故意添加一些混乱使采样特征增加。
import torchimport 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)
3.训练
3.1 训练准备
首先,构造一个可以随机获取成对训练数据(category, line)的函数。
import random
# 列表中的随机项def randomChoice(l): return l[random.randint(0, len(l) - 1)]
# 从该类别中获取随机类别和随机行def randomTrainingPair(): category = randomChoice(all_categories) line = randomChoice(category_lines[category]) return category, line
对于每个时间步长(即,对于要训练单词中的每个字母),网络的输入将是“(类别,当前字母,隐藏状态)
”,输出将是“(下一个字母, 下一个隐藏状态)
”。因此,对于每个训练集,我们将需要类别、一组输入字母和一组输出/目标字母。
在每一个时间序列,我们使用当前字母预测下一个字母,所以训练用的字母对来自于一个单词。例如 对于 "ABCD
",我们将创建(“A”,“B”),(“B”,“C”),(“C”,“D”),(“D”,“EOS”))。
类别张量是一个<1 x n_categories>
尺寸的one-hot张量。训练时,我们在每一个时间序列都将其提供给神经网络。这是一种选择策略,也可选择将其作为初始隐藏状态的一部分,或者其他什么结构。
# 类别的One-hot张量def categoryTensor(category): li = all_categories.index(category) tensor = torch.zeros(1, n_categories) tensor[0][li] = 1 return tensor
# 用于输入的从头到尾字母(不包括EOS)的one-hot矩阵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
# 用于目标的第二个结束字母(EOS)的LongTensordef 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)
为了方便训练,我们将创建一个randomTrainingExample
函数,该函数随机获取(类别,行)的对并将它们转换为所需要的(类别,输入,目标)格式张量。
# 从随机(类别,行)对中创建类别,输入和目标张量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
3.2 训练神经网络
和只使用最后一个时刻输出的分类任务相比,这次我们每一个时间序列都会进行一次预测,所以每一个时间序列我们都会计算损失。
autograd 的神奇之处在于您可以在每一步中简单地累加这些损失,并在最后反向传播。
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 = 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_(-learning_rate, p.grad.data)
return output, loss.item() / input_line_tensor.size(0)
为了跟踪训练耗费的时间,我添加一个timeSince(timestamp)
函数,它返回一个人类可读的字符串:
import timeimport math
def timeSince(since): now = time.time() s = now - since m = math.floor(s / 60) s -= m * 60 return '%dm %ds' % (m, s)
训练过程和平时一样。多次运行训练,等待几分钟,每print_every
次打印当前时间和损失。在all_losses
中保留每plot_every
次的平均损失,以便稍后进行绘图。
rnn = RNN(n_letters, 128, n_letters)
n_iters = 100000print_every = 5000plot_every = 500all_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
输出结果:
0m 23s (5000 5%) 3.15690m 43s (10000 10%) 2.31321m 3s (15000 15%) 2.50691m 24s (20000 20%) 1.31001m 44s (25000 25%) 3.60832m 4s (30000 30%) 3.53982m 24s (35000 35%) 2.43872m 44s (40000 40%) 2.22623m 4s (45000 45%) 2.65003m 24s (50000 50%) 2.45593m 44s (55000 55%) 2.50304m 4s (60000 60%) 2.94174m 24s (65000 65%) 2.15714m 44s (70000 70%) 1.74155m 4s (75000 75%) 2.36495m 24s (80000 80%) 3.00965m 44s (85000 85%) 1.91966m 4s (90000 90%) 1.94686m 25s (95000 95%) 2.15226m 45s (100000 100%) 2.0344
3.3 损失数据作图
从all_losses
得到历史损失记录,反映了神经网络的学习情况:
import matplotlib.pyplot as pltimport matplotlib.ticker as ticker
plt.figure()plt.plot(all_losses)
4.网络采样
我们每次给网络提供一个字母并预测下一个字母是什么,将预测到的字母继续输入,直到得到EOS字符结束循环。
用输入类别、起始字母和空隐藏状态创建输入张量。
用起始字母构建一个字符串变量 output_name
得到最大输出长度, * 将当前字母传入神经网络 * 从前一层得到下一个字母和下一个隐藏状态 * 如果字母是EOS,在这里停止 * 如果是一个普通的字母,添加到output_name变量并继续循环
返回最终得到的名字单词
另一种策略是,不必给网络一个起始字母,而是在训练中提供一个“字符串开始”的标记,并让网络自己选择起始的字母。
max_length = 20
# 来自类别和首字母的样本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
# 从一个类别和多个起始字母中获取多个样本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')
输出结果:
RovanikUakilovevShaveriGarterErenRomerSantaPareraArteraChanHaIua
练习
尝试其它 (类别->行) 格式的数据集,比如: * 系列小说 -> 角色名称 * 词性 -> 单词 * 国家 -> 城市
尝试“start of sentence” 标记,使采样的开始过程不需要指定起始字母
通过更大和更复杂的网络获得更好的结果 * 尝试 nn.LSTM 和 nn.GRU 层 * 组合这些 RNN构造更复杂的神经网络
也许你还想看:● PyTorch专栏(八):微调基于torchvision 0.3的目标检测模型● PyTorch专栏(七):模型保存与加载那些事● PyTorch专栏(六): 混合前端的seq2seq模型部署● PyTorch专栏(五):迁移学习● PyTorch专栏(四):小试牛刀● PyTorch专栏开篇欢迎扫码关注: 下方点击 | 阅读原文 | 了解更多
pytorch dropout_手把手带你使用字符级RNN生成名字 | PyTorch相关推荐
- [翻译Pytorch教程]NLP从零开始:使用字符级RNN进行名字生成
翻译自官网手册:NLP From Scratch: Generating Names with a Character-Level RNN Author: Sean Robertson 原文githu ...
- hot编码 字符one_使用字符级RNN生成名字
1. 准备数据 下载数据(https://download.pytorch.org/tutorial/data.zip)并将其解压到当前文件夹. 有关此过程的更多详细信息,请参阅上一个教程.简而言之, ...
- 快来生成你专属的英文名吧(使用字符级RNN)!
目录 一.前言 二.准备数据 三.构造神经网络 四.训练 五.网络采样(预测) 一.前言 数据集为18个国家的姓氏,任务是根据训练得到的模型,在给定国家类别和首字母后,能得到一个与该国人名非常相似的一 ...
- 深度学习算法--python实现用TensorFlow构建字符级RNN语言建模(源码+详细注释)
语言建模是一个迷人的应用,它使机器能完成与人类语言相关的任务,如生成英语句子.现在要构建的模型中,输入为文本文档(纯文本格式的威廉·莎 士比亚的悲剧<哈姆雷特>),目标是研发可以生成与输入 ...
- 手把手带你入门深度学习(一):保姆级Anaconda和PyTorch环境配置指南
手把手带你入门深度学习(一):保姆级Anaconda和PyTorch环境配置指南 一. 前言和准备工作 1.1 python.anaconda和pytorch的关系 二. Anconda安装 2.1 ...
- 【NLP保姆级教程】手把手带你RNN文本分类(附代码)
写在前面 这是NLP保姆级教程的第二篇----基于RNN的文本分类实现(Text RNN) 参考的的论文是来自2016年复旦大学IJCAI上的发表的关于循环神经网络在多任务文本分类上的应用:Recur ...
- ac2100 反弹shell无法粘贴_手把手带你玩转NAS 篇二十一:小米Redmi AC2100路由器刷机padavan保姆级教程...
手把手带你玩转NAS 篇二十一:小米Redmi AC2100路由器刷机padavan保姆级教程 2020-05-14 18:49:24 224点赞 1790收藏 241评论 你是AMD Yes党?还是 ...
- 【手把手带你用pid算法控制电机】——(4)串级PID控制电机
前言 1.该系列教程是基于stm32f103c8t6最小系统板的hal库开发,用最通俗易懂的方式手把手带你学会使用Pid算法的速度环.位置环以及速度位置串级pid. 2.出这一期Pid系列教程的想法是 ...
- 很火的深度学习框架PyTorch怎么用?手把手带你安装配置
导读:本文主要介绍PyTorch的一些基础且常用的概念和模块,以及: 为何选择PyTorch. PyTorch环境的安装与配置. 作者:吴茂贵 郁明敏 杨本法 李涛 张粤磊 来源:大数据DT(ID:b ...
最新文章
- AIO-3128C四核高性能主板
- 太多脚本将会毁掉持续交付
- SharePoint 网站元素介绍
- Elasticsearch 教程--入门
- 镜像电流源特点_9000大型地网变频大电流接地特性测量系统介绍
- cgi web 调用多次启动_全面了解CGI、FastCGI、PHPFPM
- Android 系统(104)---浅谈ANR及log分析ANR
- 澳洲大学计算机本科课程,澳洲留学 澳洲大学的本科课程分为6大类
- Explaining and Harnessing Adversarial Examples论文解读
- spring与security做项目的时候,控制台一直输出显示favicon.ico错误,解决方案!
- 中国各省常住人口和GDP数据( 2001-2019年)
- Nature Neuroscience(一)
- C语言循环语句的用法——while循环
- shell脚本中shift的用法
- 用STM32CubeIDE速攻FreeRTOS
- Feflow建模步骤及注意事项
- 关于Centos使用wget下载: 无法解析主机地址问题
- c语言布尔变量定义,C语言布尔类型介绍 C语言标准(C89)没有定义布尔类型,如果你使用true...
- airpods升系统_如何更新 AirPods / AirPods … - Apple 社区
- 【2022考研最后40天】要注意这4个时间节点和这5件事情