【Mo 人工智能技术博客】使用 Seq2Seq 实现中英文翻译

1. 介绍

1.1 Deep NLP

自然语言处理（Natural Language Processing，NLP）是计算机科学、人工智能和语言学领域交叉的分支学科，主要让计算机处理或理解自然语言，如机器翻译，问答系统等。但是因其在表示、学习、使用语言的复杂性，通常认为 NLP 是困难的。近几年，随着深度学习（Deep Learning, DL）兴起，人们不断尝试将 DL 应用在 NLP 上，被称为 Deep NLP，并取得了很多突破。其中就有 Seq2Seq 模型。

1.2 来由

Seq2Seq Model是序列到序列（ Sequence to Sequence ）模型的简称，也被称为一种编码器-解码器（Encoder-Decoder）模型，分别基于2014发布的两篇论文：

作者 Sutskever 分析了 Deep Neural Networks (DNNs) 因限制输入和输出序列的长度，无法处理未知长度和不定长的序列；并且很多重要的问题都使用未知长度的序列表示的。从而论证在处理未知长度的序列问题上有必要提出新解决方式。于是，创新性的提出了 Seq2Seq 模型。下面让我们一起看看这个模型到底是什么。

2. Seq2Seq Model 之不断探索

为什么说是创新性提出呢? 因为作者 Sutskever 经过了三次建模论证，最终才确定下来 Seq2Seq 模型。而且模型的设计非常巧妙。让我们先回顾一下作者的探索经历。语言模型（Language Model, LM）是使用条件概率通过给定的词去计算下一个词。这是 Seq2Seq 模型的预测基础。由于序列之间是有上下文联系的，类似句子的承上启下作用，加上语言模型的特点（条件概率），作者首先选用了 RNN-LM（Recurrent Neural Network Language Model, 循环神经网络语言模型）。

上图，是一个简单的 RNN 单元。RNN 循环往复地把前一步的计算结果作为条件，放进当前的输入中。
适合在任意长度的序列中对上下文依赖性进行建模。但是有个问题，那就是我们需要提前把输入和输出序列对齐，而且目前尚不清楚如何将 RNN 应用在不同长度有复杂非单一关系的序列中。为了解决对齐问题，作者提出了一个理论上可行的办法：使用两个 RNN。一个 RNN 把输入映射为一个固定长度的向量，另一个 RNN 从这个向量中预测输出序列。

为什么说是理论可行的呢？作者 Sutskever 的博士论文 TRAINING RECURRENT NEURAL NETWORKS (训练循环神经网络）提出训练 RNN 是很困难的。因为由于 RNN 自身的网络结构，其当前时刻的输出需要考虑前面所有时刻的输入，那么在使用反向传播训练时，一旦输入的序列很长，就极易出现梯度消失（Gradients Vanish）问题。为了解决 RNN 难训练问题，作者使用 LSTM（Long Short-Term Memory，长短期记忆）网络。

上图，是一个 LSTM 单元内部结构。LSTM 提出就是为了解决 RNN 梯度消失问题，其创新性的加入了遗忘门，让 LSTM 可以选择遗忘前面输入无关序列，不用考虑全部输入序列。经过3次尝试，最终加入 LSTM 后，一个简单的 Seq2Seq 模型就建立了。

上图，一个简单的 Seq2Seq 模型包括3个部分，Encoder-LSTM，Decoder-LSTM，Context。输入序列是ABC，Encoder-LSTM 将处理输入序列并在最后一个神经元返回整个输入序列的隐藏状态（hidden state），也被称为上下文（Context，C）。然后 Decoder-LSTM 根据隐藏状态，一步一步的预测目标序列的下一个字符。最终输出序列wxyz。值得一提的是作者 Sutskever 根据其特定的任务具体设计特定的 Seq2Seq 模型。并对输入序列作逆序处理，使模型能处理长句子，也提高了准确率。

上图，是作者 Sutskever 设计的真实模型，并引以为傲一下三点。第一使用了两个 LSTM ，一个用于编码，一个用于解码。这也是作者探索并论证的结果。第二使用了深层的 LSTM （4层），相比于浅层的网络，每加一层模型困难程度就降低10% 。第三对输入序列使用了逆序操作，提高了 LSTM 处理长序列能力。

3. 中英文翻译

到了我们动手的时刻了，理解了上面 Seq2Seq 模型，让我们搭建一个简单的中英文翻译模型。

3.1 数据集

我们使用 manythings 网站的一个中英文数据集，现已经上传到 Mo 平台了，点击查看。该数据集格式为英文+tab+中文。

3.2 处理数据

from keras.models import Model
from keras.layers import Input, LSTM, Dense
import numpy as npbatch_size = 64  # Batch size for training.
epochs = 100  # Number of epochs to train for.
latent_dim = 256  # Latent dimensionality of the encoding space.
num_samples = 10000  # Number of samples to train on.
# Path to the data txt file on disk.
data_path = 'cmn.txt'# Vectorize the data.
input_texts = []
target_texts = []
input_characters = set()
target_characters = set()
with open(data_path, 'r', encoding='utf-8') as f:lines = f.read().split('\n')
for line in lines[: min(num_samples, len(lines) - 1)]:input_text, target_text = line.split('\t')# We use "tab" as the "start sequence" character# for the targets, and "\n" as "end sequence" character.target_text = '\t' + target_text + '\n'input_texts.append(input_text)target_texts.append(target_text)for char in input_text:if char not in input_characters:input_characters.add(char)for char in target_text:if char not in target_characters:target_characters.add(char)input_characters = sorted(list(input_characters))
target_characters = sorted(list(target_characters))
num_encoder_tokens = len(input_characters)
num_decoder_tokens = len(target_characters)
max_encoder_seq_length = max([len(txt) for txt in input_texts])
max_decoder_seq_length = max([len(txt) for txt in target_texts])print('Number of samples:', len(input_texts))
print('Number of unique input tokens:', num_encoder_tokens)
print('Number of unique output tokens:', num_decoder_tokens)
print('Max sequence length for inputs:', max_encoder_seq_length)
print('Max sequence length for outputs:', max_decoder_seq_length)

3.3 Encoder-LSTM

# mapping token to index， easily to vectors
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)])# np.zeros(shape, dtype, order)
# shape is an tuple, in here 3D
encoder_input_data = np.zeros((len(input_texts), max_encoder_seq_length, num_encoder_tokens),dtype='float32')
decoder_input_data = np.zeros((len(input_texts), max_decoder_seq_length, num_decoder_tokens),dtype='float32')
decoder_target_data = np.zeros((len(input_texts), max_decoder_seq_length, num_decoder_tokens),dtype='float32')# input_texts contain all english sentences
# output_texts contain all chinese sentences
# zip('ABC','xyz') ==> Ax By Cz, looks like that
# the aim is: vectorilize text, 3D
for i, (input_text, target_text) in enumerate(zip(input_texts, target_texts)):for t, char in enumerate(input_text):# 3D vector only z-index has char its value equals 1.0encoder_input_data[i, t, input_token_index[char]] = 1.for t, char in enumerate(target_text):# decoder_target_data is ahead of decoder_input_data by one timestepdecoder_input_data[i, t, target_token_index[char]] = 1.if t > 0:# decoder_target_data will be ahead by one timestep# and will not include the start character.# igone t=0 and start t=1, means decoder_target_data[i, t - 1, target_token_index[char]] = 1.

3.4 Context（hidden state）

# Define an input sequence and process it.
# input prodocts keras tensor, to fit keras model!
# 1x73 vector
# encoder_inputs is a 1x73 tensor!
encoder_inputs = Input(shape=(None, num_encoder_tokens))# units=256, return the last state in addition to the output
encoder_lstm = LSTM((latent_dim), return_state=True)# LSTM(tensor) return output, state-history, state-current
encoder_outputs, state_h, state_c = encoder_lstm(encoder_inputs)# We discard `encoder_outputs` and only keep the states.
encoder_states = [state_h, state_c]

3.5 Decoder-LSTM

# Set up the decoder, using `encoder_states` as initial state.
decoder_inputs = Input(shape=(None, num_decoder_tokens))# We set up our decoder to return full output sequences,
# and to return internal states as well. We don't use the
# return states in the training model, but we will use them in inference.
decoder_lstm = LSTM((latent_dim), return_sequences=True, return_state=True)# obtain output
decoder_outputs, _, _ = decoder_lstm(decoder_inputs,initial_state=encoder_states)# dense 2580x1 units full connented layer
decoder_dense = Dense(num_decoder_tokens, activation='softmax')# why let decoder_outputs go through dense ?
decoder_outputs = decoder_dense(decoder_outputs)# Define the model that will turn, groups layers into an object
# with training and inference features
# `encoder_input_data` & `decoder_input_data` into `decoder_target_data`
# model(input, output)
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)# Run training
# compile -> configure model for training
model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
# model optimizsm
model.fit([encoder_input_data, decoder_input_data], decoder_target_data,batch_size=batch_size,epochs=epochs,validation_split=0.2)
# Save model
model.save('seq2seq.h5')

3.6 解码序列

# Define sampling models
encoder_model = Model(encoder_inputs, encoder_states)
decoder_state_input_h = Input(shape=(latent_dim,))
decoder_state_input_c = Input(shape=(latent_dim,))
decoder_states_inputs = [decoder_state_input_h, decoder_state_input_c]
decoder_outputs, state_h, state_c = decoder_lstm(decoder_inputs, initial_state=decoder_states_inputs)
decoder_states = [state_h, state_c]
decoder_outputs = decoder_dense(decoder_outputs)
decoder_model = Model([decoder_inputs] + decoder_states_inputs,[decoder_outputs] + decoder_states)# Reverse-lookup token index to decode sequences back to
# something readable.
reverse_input_char_index = dict((i, char) for char, i in input_token_index.items())
reverse_target_char_index = dict((i, char) for char, i in target_token_index.items())def decode_sequence(input_seq):# Encode the input as state vectors.states_value = encoder_model.predict(input_seq)# Generate empty target sequence of length 1.target_seq = np.zeros((1, 1, num_decoder_tokens))# Populate the first character of target sequence with the start character.target_seq[0, 0, target_token_index['\t']] = 1.# this target_seq you can treat as initial state# Sampling loop for a batch of sequences# (to simplify, here we assume a batch of size 1).stop_condition = Falsedecoded_sentence = ''while not stop_condition:output_tokens, h, c = decoder_model.predict([target_seq] + states_value)# Sample a token# argmax: Returns the indices of the maximum values along an axis# just like find the most possible charsampled_token_index = np.argmax(output_tokens[0, -1, :])# find char using indexsampled_char = reverse_target_char_index[sampled_token_index]# and append sentencedecoded_sentence += sampled_char# Exit condition: either hit max length# or find stop character.if (sampled_char == '\n' or len(decoded_sentence) > max_decoder_seq_length):stop_condition = True# Update the target sequence (of length 1).# append then ?# creating another new target_seq# and this time assume sampled_token_index to 1.0target_seq = np.zeros((1, 1, num_decoder_tokens))target_seq[0, 0, sampled_token_index] = 1.# Update states# update states, frome the front partsstates_value = [h, c]return decoded_sentence

3.7 预测

for seq_index in range(100,200):# Take one sequence (part of the training set)# for trying out decoding.input_seq = encoder_input_data[seq_index: seq_index + 1]decoded_sentence = decode_sequence(input_seq)print('Input sentence:', input_texts[seq_index])print('Decoded sentence:', decoded_sentence)

该项目已公开在 Mo 平台上，Seq2Seq之中英文翻译，建议使用GPU训练。
介绍 Mo 平台一个非常贴心实用的功能： API Doc，（在开发界面的右侧栏，第二个）。

在 Mo 平台写代码可以很方便的实现多窗口显示，只要拖动窗口的标题栏就可实现分栏。

4. 总结与展望

提出经典的 Seq2Seq 模型是一件了不起的事情，该模型在机器翻译和语音识别等领域中解决了很多重要问题和 NLP 无法解决的难题。也是深度学习应用于 NLP 一件里程碑的事件。后续，又基于该模型提出了很多改进和优化，如 Attention 机制等。相信在不远的未来，会有崭新的重大发现，让我们拭目以待。
项目源码地址（欢迎电脑端打开进行fork）：https://momodel.cn/explore/5d38500a1afd94479891643a?type=app

5. 引用

论文：Sequence to Sequence Learning with Neural Networks
博客：Understanding LSTM Networks
代码：A ten-minute introduction to sequence-to-sequence learning in Keras

欢迎关注我们的微信公众号：MomodelAI

同时，欢迎使用「Mo AI编程」微信小程序

以及登录官网，了解更多信息：Mo 平台

Mo，发现意外，创造可能

【Mo 人工智能技术博客】使用 Seq2Seq 实现中英文翻译相关推荐

【Mo 人工智能技术博客】StarGAN——生成你的明星脸
1 GAN 介绍 GAN,叫做生成对抗网络 (Generative Adversarial Network) .其基本原理是生成器网络 G(Generator) 和判别器网络 D(Discrimina ...
【Mo 人工智能技术博客】多标准中文分词 Multi-Criteria-CWS
多标准中文分词 Multi-Criteria-CWS 作者:宋彤彤自然语言处理(NLP)是人工智能中很重要且具有挑战性的方向,而自然语言处理的第一步就是分词,分词的效果直接决定和影响后续工作的效率. ...
【Mo 人工智能技术博客】胶囊网络——Capsule Network
胶囊网络--Capsule Network 作者:林泽龙 1. 背景介绍 CNN 在处理图像分类问题上表现非常出色,已经完成了很多不可思议的任务,并且在一些项目上超过了人类,对整个机器学习的领域产生了 ...
【Mo 人工智能技术博客】基于耦合网络的推荐系统
基于耦合网络的推荐系统作者:陈东瑞 1.复杂网络基础知识当我们拿起手机给家人.朋友或者同事拨打电话时,就不知不觉中参与到了社交网络形成的过程中:当我们登上高铁或者飞机时,就可以享受交通网络给我们带 ...
【Mo 人工智能技术博客】现在最流行的图神经网络库 pytorch geometric 上手教学
简介 Graph Neural Networks 简称 GNN,称为图神经网络.近年来 GNN 在学术界受到的关注越来越多,与之相关的论文数量呈上升趋势,GNN 通过对信息的传递,转换和聚合实现特征的 ...
【Mo 人工智能技术博客】利用Logistic函数和LSTM分析疫情数据
利用Logistic函数和LSTM分析疫情数据作者:林泽龙 Mo 1. 背景 2019 新型冠状病毒 (SARS-CoV-2),曾用名 2019-nCoV,通用简称新冠病毒,是一种具有包膜的正链单股 ...
【Mo 人工智能技术博客】采用 Python 机器学习预测足球比赛结果
采用 Python 机器学习预测足球比赛结果足球是世界上最火爆的运动之一,世界杯期间也往往是球迷们最亢奋的时刻.比赛狂欢季除了炸出了熬夜看球的铁杆粉丝,也让足球竞猜也成了大家茶余饭后最热衷的话题.甚 ...
【Mo 人工智能技术博客】基于 Python 和 NLTK 的推特情感分析
基于 Python 和 NLTK 的推特情感分析作者:宋彤彤 1. 导读 NLTK 是 Python 的一个自然语言处理模块,其中实现了朴素贝叶斯分类算法.这次 Mo 来教大家如何通过 python ...
【Mo 人工智能技术博客】时间序列预测——DA-RNN模型
时间序列预测--DA-RNN模型作者:梅昊铭 1. 背景介绍传统的用于时间序列预测的非线性自回归模型(NRAX)很难捕捉到一段较长的时间内的数据间的时间相关性并选择相应的驱动数据来进行预测.本文将 ...

【Mo 人工智能技术博客】使用 Seq2Seq 实现中英文翻译

1. 介绍

1.1 Deep NLP

1.2 来由

2. Seq2Seq Model 之不断探索

3. 中英文翻译

3.1 数据集

3.2 处理数据

3.3 Encoder-LSTM

3.4 Context（hidden state）

3.5 Decoder-LSTM

3.6 解码序列

3.7 预测

4. 总结与展望

5. 引用

【Mo 人工智能技术博客】使用 Seq2Seq 实现中英文翻译相关推荐

最新文章

热门文章