使用字符级别特征的RNN网络生成名字

译者:hhxx2015

校对者:hijkzzz

作者: Sean Robertson

在上一个 例子 中我们使用RNN网络对名字所属的语言进行分类。这一次我们会反过来根据语言生成名字。

  1. > python sample.py Russian RUS
  2. Rovakov
  3. Uantov
  4. Shavakov
  5. > python sample.py German GER
  6. Gerren
  7. Ereng
  8. Rosher
  9. > python sample.py Spanish SPA
  10. Salla
  11. Parer
  12. Allan
  13. > python sample.py Chinese CHI
  14. Chan
  15. Hang
  16. Iun

我们仍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:

我默认你已经安装好了PyTorch,熟悉Python语言,理解“张量”的概念:

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:

准备数据

点击这里下载数据 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,有一些纯文本文件data/names/[Language].txt,它们的每行都有一个名字。我们按行将文本按行切分得到一个数组,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。

  1. from __future__ import unicode_literals, print_function, division
  2. from io import open
  3. import glob
  4. import os
  5. import unicodedata
  6. import string
  7. all_letters = string.ascii_letters + " .,;'-"
  8. n_letters = len(all_letters) + 1 # Plus EOS marker
  9. def findFiles(path): return glob.glob(path)
  10. # Turn a Unicode string to plain ASCII, thanks to https://stackoverflow.com/a/518232/2809427
  11. def unicodeToAscii(s):
  12. return ''.join(
  13. c for c in unicodedata.normalize('NFD', s)
  14. if unicodedata.category(c) != 'Mn'
  15. and c in all_letters
  16. )
  17. # Read a file and split into lines
  18. def readLines(filename):
  19. lines = open(filename, encoding='utf-8').read().strip().split('\n')
  20. return [unicodeToAscii(line) for line in lines]
  21. # Build the category_lines dictionary, a list of lines per category
  22. category_lines = {}
  23. all_categories = []
  24. for filename in findFiles('data/names/*.txt'):
  25. category = os.path.splitext(os.path.basename(filename))[0]
  26. all_categories.append(category)
  27. lines = readLines(filename)
  28. category_lines[category] = lines
  29. n_categories = len(all_categories)
  30. if n_categories == 0:
  31. raise RuntimeError('Data not found. Make sure that you downloaded data '
  32. 'from https://download.pytorch.org/tutorial/data.zip and extract it to '
  33. 'the current directory.')
  34. print('# categories:', n_categories, all_categories)
  35. print(unicodeToAscii("O'Néàl"))

Out:

  1. # categories: 18 ['Italian', 'German', 'Portuguese', 'Chinese', 'Greek', 'Polish', 'French', 'English', 'Spanish', 'Arabic', 'Czech', 'Russian', 'Irish', 'Dutch', 'Scottish', 'Vietnamese', 'Korean', 'Japanese']
  2. O'Neal

构造神经网络

这个神经网络比 上一个RNN教程中的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。

使用字符级别特征的 RNN 网络生成姓氏 - 图1

  1. import torch
  2. import torch.nn as nn
  3. class RNN(nn.Module):
  4. def __init__(self, input_size, hidden_size, output_size):
  5. super(RNN, self).__init__()
  6. self.hidden_size = hidden_size
  7. self.i2h = nn.Linear(n_categories + input_size + hidden_size, hidden_size)
  8. self.i2o = nn.Linear(n_categories + input_size + hidden_size, output_size)
  9. self.o2o = nn.Linear(hidden_size + output_size, output_size)
  10. self.dropout = nn.Dropout(0.1)
  11. self.softmax = nn.LogSoftmax(dim=1)
  12. def forward(self, category, input, hidden):
  13. input_combined = torch.cat((category, input, hidden), 1)
  14. hidden = self.i2h(input_combined)
  15. output = self.i2o(input_combined)
  16. output_combined = torch.cat((hidden, output), 1)
  17. output = self.o2o(output_combined)
  18. output = self.dropout(output)
  19. output = self.softmax(output)
  20. return output, hidden
  21. def initHidden(self):
  22. return torch.zeros(1, self.hidden_size)

训练

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。

  1. import random
  2. # Random item from a list
  3. def randomChoice(l):
  4. return l[random.randint(0, len(l) - 1)]
  5. # Get a random category and random line from that category
  6. def randomTrainingPair():
  7. category = randomChoice(all_categories)
  8. line = randomChoice(category_lines[category])
  9. 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<EOS>",我们将创建(“A”,“B”),(“B”,“C”),(“C”,“D”),(“D”,“EOS”))。

使用字符级别特征的 RNN 网络生成姓氏 - 图2

类别张量是一个<1 x n_categories>尺寸的one-hot 向量

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。

  1. # One-hot vector for category9
  2. def categoryTensor(category):
  3. li = all_categories.index(category)
  4. tensor = torch.zeros(1, n_categories)
  5. tensor[0][li] = 1
  6. return tensor
  7. # One-hot matrix of first to last letters (not including EOS) for input
  8. def inputTensor(line):
  9. tensor = torch.zeros(len(line), 1, n_letters)
  10. for li in range(len(line)):
  11. letter = line[li]
  12. tensor[li][0][all_letters.find(letter)] = 1
  13. return tensor
  14. # LongTensor of second letter to end (EOS) for target
  15. def targetTensor(line):
  16. letter_indexes = [all_letters.find(line[li]) for li in range(1, len(line))]
  17. letter_indexes.append(n_letters - 1) # EOS
  18. 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。

  1. # Make category, input, and target tensors from a random category, line pair
  2. def randomTrainingExample():
  3. category, line = randomTrainingPair()
  4. category_tensor = categoryTensor(category)
  5. input_line_tensor = inputTensor(line)
  6. target_line_tensor = targetTensor(line)
  7. return category_tensor, input_line_tensor, target_line_tensor

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。

  1. criterion = nn.NLLLoss()
  2. learning_rate = 0.0005
  3. def train(category_tensor, input_line_tensor, target_line_tensor):
  4. target_line_tensor.unsqueeze_(-1)
  5. hidden = rnn.initHidden()
  6. rnn.zero_grad()
  7. loss = 0
  8. for i in range(input_line_tensor.size(0)):
  9. output, hidden = rnn(category_tensor, input_line_tensor[i], hidden)
  10. l = criterion(output, target_line_tensor[i])
  11. loss += l
  12. loss.backward()
  13. for p in rnn.parameters():
  14. p.data.add_(-learning_rate, p.grad.data)
  15. 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:

  1. import time
  2. import math
  3. def timeSince(since):
  4. now = time.time()
  5. s = now - since
  6. m = math.floor(s / 60)
  7. s -= m * 60
  8. return '%dm %ds' % (m, s)

训练过程和平时一样。多次运行train,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。

  1. rnn = RNN(n_letters, 128, n_letters)
  2. n_iters = 100000
  3. print_every = 5000
  4. plot_every = 500
  5. all_losses = []
  6. total_loss = 0 # Reset every plot_every iters
  7. start = time.time()
  8. for iter in range(1, n_iters + 1):
  9. output, loss = train(*randomTrainingExample())
  10. total_loss += loss
  11. if iter % print_every == 0:
  12. print('%s (%d %d%%) %.4f' % (timeSince(start), iter, iter / n_iters * 100, loss))
  13. if iter % plot_every == 0:
  14. all_losses.append(total_loss / plot_every)
  15. total_loss = 0

Out:

  1. 0m 21s (5000 5%) 2.5152
  2. 0m 43s (10000 10%) 2.7758
  3. 1m 4s (15000 15%) 2.2884
  4. 1m 25s (20000 20%) 3.2404
  5. 1m 47s (25000 25%) 2.7298
  6. 2m 8s (30000 30%) 3.4301
  7. 2m 29s (35000 35%) 2.2306
  8. 2m 51s (40000 40%) 2.5628
  9. 3m 12s (45000 45%) 1.7700
  10. 3m 34s (50000 50%) 2.4657
  11. 3m 55s (55000 55%) 2.1909
  12. 4m 16s (60000 60%) 2.1004
  13. 4m 38s (65000 65%) 2.3524
  14. 4m 59s (70000 70%) 2.3339
  15. 5m 21s (75000 75%) 2.3936
  16. 5m 42s (80000 80%) 2.1886
  17. 6m 3s (85000 85%) 2.0739
  18. 6m 25s (90000 90%) 2.5451
  19. 6m 46s (95000 95%) 1.5104
  20. 7m 7s (100000 100%) 2.4600

损失数据作图

all_losses得到历史损失记录,反映了神经网络的学习情况:

  1. import matplotlib.pyplot as plt
  2. import matplotlib.ticker as ticker
  3. plt.figure()
  4. plt.plot(all_losses)

https://pytorch.org/tutorials/_images/sphx_glr_char_rnn_generation_tutorial_001.png

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。

  1. max_length = 20
  2. # Sample from a category and starting letter
  3. def sample(category, start_letter='A'):
  4. with torch.no_grad(): # no need to track history in sampling
  5. category_tensor = categoryTensor(category)
  6. input = inputTensor(start_letter)
  7. hidden = rnn.initHidden()
  8. output_name = start_letter
  9. for i in range(max_length):
  10. output, hidden = rnn(category_tensor, input[0], hidden)
  11. topv, topi = output.topk(1)
  12. topi = topi[0][0]
  13. if topi == n_letters - 1:
  14. break
  15. else:
  16. letter = all_letters[topi]
  17. output_name += letter
  18. input = inputTensor(letter)
  19. return output_name
  20. # Get multiple samples from one category and multiple starting letters
  21. def samples(category, start_letters='ABC'):
  22. for start_letter in start_letters:
  23. print(sample(category, start_letter))
  24. samples('Russian', 'RUS')
  25. samples('German', 'GER')
  26. samples('Spanish', 'SPA')
  27. samples('Chinese', 'CHI')

Out:

  1. Rovanik
  2. Uakilovev
  3. Shaveri
  4. Garter
  5. Eren
  6. Romer
  7. Santa
  8. Parera
  9. Artera
  10. Chan
  11. Ha
  12. Iua

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.LSTMnn.GRU
    • 组合这些 RNN构造更复杂的神经网络