【动手学习pytorch笔记】30.seq2seq

seq2seq

理论

编码器是一个RNN，因为任务是机器翻译，所以是双向的

解码器用另外一个RNN输出

之前看过Transformer对这个很熟悉

需要注意的一点是，在做训练和做推理的时候是有区别的

在训练时，我们是有正确的翻译的，所以解码器的每次输入都是正确的翻译

而在推理时，智能用我们预测的词当作解码器RNN下一个时间步的输入

那么现在我实在预测一个句子序列，而不是和之前一样预测一个词了，那么怎么衡量一个句子序列的好坏呢

比如$p_2$，预测序列一共有AB,BB,BC,CD四种，在标签序列中出现过的只有AB,BC,CD，所以$p_2$=3/4

因为p是小于1的值，长的匹配有更高的权重并且预测越短，取exp以后就越小，产生惩罚效果

代码

import collections
import math
import torch
from torch import nn
from d2l import torch as d2l

编码器

#@save
class Seq2SeqEncoder(d2l.Encoder):
    """用于序列到序列学习的循环神经网络编码器"""
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                 dropout=0, **kwargs):
        super(Seq2SeqEncoder, self).__init__(**kwargs)
        # 嵌入层
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.rnn = nn.GRU(embed_size, num_hiddens, num_layers,
                          dropout=dropout)

    def forward(self, X, *args):
        # 输出'X'的形状：(batch_size,num_steps,embed_size)
        X = self.embedding(X)
        # 在循环神经网络模型中，第一个轴对应于时间步
        X = X.permute(1, 0, 2)
        # 如果未提及状态，则默认为0
        output, state = self.rnn(X)
        # output的形状:(num_steps,batch_size,num_hiddens)
        # state[0]的形状:(num_layers,batch_size,num_hiddens)
        return output, state

embedding词嵌入，把one-hot编码映射到词嵌入矩阵，博客没写过，自己知道就行，词嵌入矩阵可以理解为一个词表

测试一下

encoder = Seq2SeqEncoder(vocab_size=10, embed_size=8, num_hiddens=16,num_layers=2)
encoder.eval()
X = torch.zeros((4, 7), dtype=torch.long)
output, state = encoder(X)
output.shape

查看output和state的大小

torch.Size([7, 4, 16])

（时间步数，批量大小，隐藏单元数）

state.shape

torch.Size([2, 4, 16])

（隐藏层的数量，批量大小，隐藏单元数）

output是RNN模型输出的，编码器是没有最后Linear输出层的，所以大小 =（隐藏层的数量，批量大小，隐藏单元数）

state，双隐藏层的编码器，本来隐藏状态的大小 = （批量大小，隐藏单元数）

解码器

class Seq2SeqDecoder(d2l.Decoder):
    """用于序列到序列学习的循环神经网络解码器"""
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                 dropout=0, **kwargs):
        super(Seq2SeqDecoder, self).__init__(**kwargs)
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.rnn = nn.GRU(embed_size + num_hiddens, num_hiddens, num_layers,
                          dropout=dropout)
        self.dense = nn.Linear(num_hiddens, vocab_size)

    def init_state(self, enc_outputs, *args):
        return enc_outputs[1]

    def forward(self, X, state):
        # 输出'X'的形状：(batch_size,num_steps,embed_size)
        # permute(1, 0, 2)把'num_steps'和'num_steps'换一下
        X = self.embedding(X).permute(1, 0, 2)
        # 广播context，使其具有与X相同的num_steps
        context = state[-1].repeat(X.shape[0], 1, 1)
        X_and_context = torch.cat((X, context), 2)
        output, state = self.rnn(X_and_context, state)
        output = self.dense(output).permute(1, 0, 2)
        # output的形状:(batch_size,num_steps,vocab_size)
        # state[0]的形状:(num_layers,batch_size,num_hiddens)
        return output, state

self.dense = nn.Linear(num_hiddens, vocab_size)

解码器就有输出层了

self.rnn = nn.GRU(embed_size + num_hiddens, num_hiddens, num_layers, dropout=dropout)这个一会解释

def init_state(self, enc_outputs, *args):

拿到编码器的输出：enc_outputs[1]拿到编码器的state

context = state[-1].repeat(X.shape[0], 1, 1)

上下文，state[-1]拿到RNN输出的最后一层的最后一个隐藏状态，可以说是浓缩了整个输入的精华

看一下X，context，X_and_context的维度

起初我们输入的X是(4, 7) （批量大小，时间步）

经过embedding(X)变成（4，7，8），经过permute(1, 0, 2)变成（7，4，8）（时间步，批量大小，每个词的维度）

state[-1]（1，4，16）

context = state[-1].repeat(X.shape[0], 1, 1)复制成和X一样维度的大小（7，4，16）

X_and_context（7，4，24）

这也解释了上面rnn的参数(embed_size + num_hiddens)是隐藏状态信息H和解码器自己输入X拼接的

也就是说，解码器有两个地方用到了编码器的state

• 初始化state是编码器输出的state

• 解码器的输入是编码器输出的state的信息和自己输入的拼接

  （如果没有第二点的话，解码器编码器架构也就相当于两个RNN拼接起来成一个RNN）

测试一下

decoder = Seq2SeqDecoder(vocab_size=10, embed_size=8, num_hiddens=16,num_layers=2)
decoder.eval()
state = decoder.init_state(encoder(X))
output, state = decoder(X, state)
output.shape, state.shape

查看output和state的大小

(torch.Size([4, 7, 10]), torch.Size([2, 4, 16]))

这里变回了（4, 7, 10）是因为解码器output = self.dense(output).permute(1, 0, 2)把批量大小和时间步换回来了

另外注意最后输出的词的维度 = 10（vocab_size）即词表里所有词的可能性

损失函数

还记得我们上一节提到的，valid_length么，假设我们裁剪的一个句子长度（时间步）为10，那些长度不够10而加进来的填充项就系要屏蔽掉

#@save
def sequence_mask(X, valid_len, value=0):
    """在序列中屏蔽不相关的项"""
    maxlen = X.size(1)
    mask = torch.arange((maxlen), dtype=torch.float32,
                        device=X.device)[None, :] < valid_len[:, None]
    X[~mask] = value
    return X

X = torch.tensor([[1, 2, 3], [4, 5, 6]])
sequence_mask(X, torch.tensor([1, 2]))

sequence_mask的作用：告诉我合法长度，我把剩下的置为value

tensor([[1, 0, 0],
        [4, 5, 0]])

X = torch.ones(2, 3, 4)
sequence_mask(X, torch.tensor([1, 2]), value=-1)

tensor([[[ 1.,  1.,  1.,  1.],
         [-1., -1., -1., -1.],
         [-1., -1., -1., -1.]],

        [[ 1.,  1.,  1.,  1.],
         [ 1.,  1.,  1.,  1.],
         [-1., -1., -1., -1.]]])

现在我们计算损失的情况，对每一个样本的每一个时间步都输出一个vocab_size大小的预测，但其实，有的时间步是无意义的填充，我们并不需要对这一部分计算损失

#@save
class MaskedSoftmaxCELoss(nn.CrossEntropyLoss):
    """带遮蔽的softmax交叉熵损失函数"""
    # pred的形状：(batch_size,num_steps,vocab_size)
    # label的形状：(batch_size,num_steps)
    # valid_len的形状：(batch_size,)
    def forward(self, pred, label, valid_len):
        weights = torch.ones_like(label)
        weights = sequence_mask(weights, valid_len)
        self.reduction='none'
        unweighted_loss = super(MaskedSoftmaxCELoss, self).forward(
            pred.permute(0, 2, 1), label)
        weighted_loss = (unweighted_loss * weights).mean(dim=1)
        return weighted_loss

self.reduction='none'损失函数先不做mean或者sum

pred.permute(0, 2, 1)这里转一下，是因为pytorch需要把预测值放中间变成（批量大小，vocab_size，时间步）

weighted_loss = (unweighted_loss * weights).mean(dim=1)

​ dim = 1，对每一个样本（每一句话）做loss的均值

loss = MaskedSoftmaxCELoss()
loss(torch.ones(3, 4, 10), torch.ones((3, 4), dtype=torch.long),torch.tensor([4, 2, 0]))

pred (3, 4, 10) 3个样本，每个样本4个词，每个词10个维度

label (3, 4) 3个样本，每个样本4个词

torch.tensor([4, 2, 0]) ：

​ 第一个样本四个词都有用，

​ 第二个样本两个填充，

​ 第三个样本全是填充。

tensor([2.3026, 1.1513, 0.0000])

训练

#@save
def train_seq2seq(net, data_iter, lr, num_epochs, tgt_vocab, device):
    """训练序列到序列模型"""
    def xavier_init_weights(m):
        if type(m) == nn.Linear:
            nn.init.xavier_uniform_(m.weight)
        if type(m) == nn.GRU:
            for param in m._flat_weights_names:
                if "weight" in param:
                    nn.init.xavier_uniform_(m._parameters[param])

    net.apply(xavier_init_weights)
    net.to(device)
    optimizer = torch.optim.Adam(net.parameters(), lr=lr)
    loss = MaskedSoftmaxCELoss()
    net.train()
    animator = d2l.Animator(xlabel='epoch', ylabel='loss',
                     xlim=[10, num_epochs])
    for epoch in range(num_epochs):
        timer = d2l.Timer()
        metric = d2l.Accumulator(2)  # 训练损失总和，词元数量
        for batch in data_iter:
            optimizer.zero_grad()
            X, X_valid_len, Y, Y_valid_len = [x.to(device) for x in batch]
            bos = torch.tensor([tgt_vocab['']] * Y.shape[0],
                          device=device).reshape(-1, 1)
            dec_input = torch.cat([bos, Y[:, :-1]], 1)  # 强制教学
            Y_hat, _ = net(X, dec_input, X_valid_len)
            l = loss(Y_hat, Y, Y_valid_len)
            l.sum().backward()      # 损失函数的标量进行“反向传播”
            d2l.grad_clipping(net, 1)
            num_tokens = Y_valid_len.sum()
            optimizer.step()
            with torch.no_grad():
                metric.add(l.sum(), num_tokens)
        if (epoch + 1) % 10 == 0:
            animator.add(epoch + 1, (metric[0] / metric[1],))
    print(f'loss {metric[0] / metric[1]:.3f}, {metric[1] / timer.stop():.1f} '
        f'tokens/sec on {str(device)}')

dec_input = torch.cat([bos, Y[:, :-1]], 1) # 强制教学

前面也讲过，训练时解码器的输入都是正确的翻译，且输入前还要加一个句子开始符

embed_size, num_hiddens, num_layers, dropout = 32, 32, 2, 0.1
batch_size, num_steps = 64, 10
lr, num_epochs, device = 0.005, 300, d2l.try_gpu()

train_iter, src_vocab, tgt_vocab = d2l.load_data_nmt(batch_size, num_steps)
encoder = Seq2SeqEncoder(len(src_vocab), embed_size, num_hiddens, num_layers,
                        dropout)
decoder = Seq2SeqDecoder(len(tgt_vocab), embed_size, num_hiddens, num_layers,
                        dropout)
net = d2l.EncoderDecoder(encoder, decoder)
train_seq2seq(net, train_iter, lr, num_epochs, tgt_vocab, device)

loss 0.019, 7038.1 tokens/sec on cuda:0

推理

在预测时，解码器有真实的句子，在推理时没有，解码器只能把上一个输出当作下一个输入，去预测下一个输出

#@save
def predict_seq2seq(net, src_sentence, src_vocab, tgt_vocab, num_steps,
                    device, save_attention_weights=False):
    """序列到序列模型的预测"""
    # 在预测时将net设置为评估模式
    net.eval()
    src_tokens = src_vocab[src_sentence.lower().split(' ')] + [
        src_vocab['']]
    enc_valid_len = torch.tensor([len(src_tokens)], device=device)
    src_tokens = d2l.truncate_pad(src_tokens, num_steps, src_vocab[''])
    # 添加批量轴
    enc_X = torch.unsqueeze(
        torch.tensor(src_tokens, dtype=torch.long, device=device), dim=0)
    enc_outputs = net.encoder(enc_X, enc_valid_len)
    dec_state = net.decoder.init_state(enc_outputs, enc_valid_len)
    # 添加批量轴
    dec_X = torch.unsqueeze(torch.tensor(
        [tgt_vocab['']], dtype=torch.long, device=device), dim=0)
    output_seq, attention_weight_seq = [], []
    for _ in range(num_steps):
        Y, dec_state = net.decoder(dec_X, dec_state)
        # 我们使用具有预测最高可能性的词元，作为解码器在下一时间步的输入
        dec_X = Y.argmax(dim=2)
        pred = dec_X.squeeze(dim=0).type(torch.int32).item()
        # 保存注意力权重（稍后讨论）
        if save_attention_weights:
            attention_weight_seq.append(net.decoder.attention_weights)
        # 一旦序列结束词元被预测，输出序列的生成就完成了
        if pred == tgt_vocab['']:
            break
        output_seq.append(pred)
    return ' '.join(tgt_vocab.to_tokens(output_seq)), attention_weight_seq

def bleu(pred_seq, label_seq, k):  #@save
    """计算BLEU"""
    pred_tokens, label_tokens = pred_seq.split(' '), label_seq.split(' ')
    len_pred, len_label = len(pred_tokens), len(label_tokens)
    score = math.exp(min(0, 1 - len_label / len_pred))
    for n in range(1, k + 1):
        num_matches, label_subs = 0, collections.defaultdict(int)
        for i in range(len_label - n + 1):
            label_subs[' '.join(label_tokens[i: i + n])] += 1
        for i in range(len_pred - n + 1):
            if label_subs[' '.join(pred_tokens[i: i + n])] > 0:
                num_matches += 1
                label_subs[' '.join(pred_tokens[i: i + n])] -= 1
        score *= math.pow(num_matches / (len_pred - n + 1), math.pow(0.5, n))
    return score

engs = ['go .', "i lost .", 'he\'s calm .', 'i\'m home .']
fras = ['va !', 'j\'ai perdu .', 'il est calme .', 'je suis chez moi .']
for eng, fra in zip(engs, fras):
    translation, attention_weight_seq = predict_seq2seq(
        net, eng, src_vocab, tgt_vocab, num_steps, device)
    print(f'{eng} => {translation}, bleu {bleu(translation, fra, k=2):.3f}')

go . => va !, bleu 1.000
i lost . => j'ai perdu  emporté ?, bleu 0.447
he's calm . => il est mouillé malade ., bleu 0.548
i'm home . => je suis chez chez chez nous  ., bleu 0.517