读入文本
代码:
import collections
import re
def read_time_machine():
#打开文本文件,创建文本对象f
with open('/Users/wuruolan/Downloads/35-0.txt', 'r') as f:
#每次处理文件的一行,strip函数去掉前缀、后缀的空格字符,lower函数把所有大写字母变成小写
#re.sub为正则表达式的替换函数,由a-z构成的至少为1的字符串,+代表是闭包
lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
return lines
分词
#setences是个列表,列表元素是字符串
#token是标志,标志要做哪个级别的分词
def tokenize(sentences, token='word'):
"""Split sentences into word or char tokens"""
if token == 'word': #用空格做分隔符
return [sentence.split(' ') for sentence in sentences]
elif token == 'char': #直接把字符串转换为列表即可
return [list(sentence) for sentence in sentences]
else:
print('ERROR: unkown token type '+token)
建立字典,将每个词映射到一个唯一的索引(index)
class Vocab(object): #把词映射到索引编号
def __init__(self, tokens, min_freq=0, use_special_tokens=False):
#先去重,再筛掉一些词,接着还有可能增加一些特殊的标记
counter = count_corpus(tokens) #counter是个字典, <词,词频>
self.token_freqs = list(counter.items()) #将counter变成列表。
self.idx_to_token = [] #记录最终需要维护的token
if use_special_tokens:
# padding, begin of sentence, end of sentence, unknown
self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
self.idx_to_token += ['' , '' , '' , '' ]
#上述token分别表示padding,begin of sentence,end of sentence,unkown
#pad的用处:同一个batch的句子,长度不一定是一样的,这些句子中短的就要补充到长的那么长
#bos、eos的用处:标记一个句子的开始和结束
#unk:有些词是不在语料库中的
else:
self.unk = 0
self.idx_to_token += ['unk']
self.idx_to_token += [token for token, freq in self.token_freqs
if freq >= min_freq and token not in self.idx_to_token]
#词频大于设置的最小值,且不再语料库中(pad、bos、eos、unk)
#idx_to_token就天然是从下标->词语的映射
#下面建立词语->下标的映射
self.token_to_idx = dict()
for idx, token in enumerate(self.idx_to_token):
self.token_to_idx[token] = idx
#返回长度
def __len__(self):
return len(self.idx_to_token)
#返回词语对应的序号
def __getitem__(self, tokens):
if not isinstance(tokens, (list, tuple)):
return self.token_to_idx.get(tokens, self.unk)
return [self.__getitem__(token) for token in tokens]
#返回序号对应的词语
def to_tokens(self, indices):
if not isinstance(indices, (list, tuple)):
return self.idx_to_token[indices]
return [self.idx_to_token[index] for index in indices]
#把二维列表sentence变成一维的token
def count_corpus(sentences):
tokens = [tk for st in sentences for tk in st]
return collections.Counter(tokens) # 返回一个字典,记录每个词的出现次数
将文本从词的序列转换为索引的序列,方便输入模型
for i in range(8, 10): #输出第八行~第九行的单词及其对应的序列
print('words:', tokens[i])
print('indices:', vocab[tokens[i]])
import spacy
nlp = spacy.load('en_core_web_sm')
doc = nlp(text)
print([token.text for token in doc])
from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))
语言模型简单来说,就是给定一段序列,判断这段序列是否合理(概率是多少)。
即给定一个长度为 的词的序列 1,2,…, ,语言模型将计算该序列的概率:
(1,2,…,),其中为时间步t的输出或标签。
在语音识别中,可通过前面的语义预测后面的单词是什么。
(1,2,…,)=∏ (∣1,…,−1) (∈[1, ])
(1∣2)= (1,2) / (2)
n元语法通过n阶马尔可夫假设简化了语言模型的计算。即一个词的出现只与前面 个词相关。如果基于 −1 阶马尔可夫链,则可将n元语法语言模型改写成:
(1,2,…,)≈∏(∣−(−1),…,−1) (∈[1, ])
如3元语法为:
(1,2,3,4)=(1)(2∣1)(3∣1,2)(4∣2,3)
缺点:
预处理语言模型数据集,并将其转换成字符级循环神经网络所需的输入格式。
1. 读取字符集
2. 建立字符索引
3. 时序数据的采样
# 本函数已保存在d2lzh包中方便以后使用
#batch_size为批量大小,即行数;num_steps为时间步长,即列数
def data_iter_random(corpus_indices, batch_size, num_steps, ctx=None):
# 减1是因为输出的索引是相应输入的索引加1
num_examples = (len(corpus_indices) - 1) // num_steps #可以有多少个样本个数
epoch_size = num_examples // batch_size #总共要有多少个周期,总的样本数÷一批要的样本数
example_indices = list(range(num_examples)) #每个样本的第一个字符在整体 序列中的下标
random.shuffle(example_indices) #随机采样
# 返回从pos开始的长为num_steps的序列
def _data(pos):
return corpus_indices[pos: pos + num_steps]
for i in range(epoch_size):
# 每次读取batch_size个随机样本
i = i * batch_size
batch_indices = example_indices[i: i + batch_size] #当前batch,各个样本首字符的下标
X = [_data(j * num_steps) for j in batch_indices] #样本
Y = [_data(j * num_steps + 1) for j in batch_indices] #样本对应的标签
yield nd.array(X, ctx), nd.array(Y, ctx)
相邻采样
令相邻的两个随机小批量在原始序列上的位置相毗邻。故只需在每一个迭代周期开始时初始化隐藏状态。但模型参数的梯度计算将依赖所有串联起来的小批量序列,从而在同一迭代周期中,随着迭代次数的增加,梯度的计算开销会越来越大。
代码:
# 本函数已保存在d2lzh包中方便以后使用
def data_iter_consecutive(corpus_indices, batch_size, num_steps, ctx=None):
corpus_indices = nd.array(corpus_indices, ctx=ctx)
data_len = len(corpus_indices)
batch_len = data_len // batch_size #每个批量的长度
#把序号reshape成一个二维矩阵,第一个维度(行)是批量大小,第二个维度(列)是批量长度
#该矩阵的每一列,就是一个batch
indices = corpus_indices[0: batch_size*batch_len].reshape((
batch_size, batch_len))
#循环周期 = 批量长度 / 步长 ,即每个批量中有多少个样本
# batch_len -1 的原因是,他不能包含最后一个字符
epoch_size = (batch_len - 1) // num_steps
for i in range (epoch_size):
i = i * num_steps #当前批量首个字符对应的下标
X = indices[:, i: i + num_steps] #样本(取的都是列)
Y = indices[:, i + 1: i + num_steps + 1] #标签 (取的都是列)
yield X, Y
并非刚性记忆所有固定长度的序列,而是通过隐藏状态来存储之前时间步的信息。利用多层感知机添加隐藏状态来将它变成循环神经网络。
即之前含但隐藏层的多层感知机。
=(ℎ+ℎ),=ℎ+
one-hot向量
词 -> 向量,为了获得神经网络的输入。
若共有N个字符,那么索引为 i 的字符对应的向量就是:
[ 0, 0, … , 1 , … , 0 ] (即除了第 i 个为1之外,其他都是0
初始化模型参数
num_inputs, num_hiddens, num_outputs = vocab_size, 256, vocab_size
ctx = d2l.try_gpu()
print('will use', ctx)
def get_params():
def _one(shape): #给定一个shape,会返回一个随机初始化好的形状为shape的参数
return nd.random.normal(scale=0.01, shape=shape, ctx=ctx)
# 隐藏层参数
W_xh = _one((num_inputs, num_hiddens))
W_hh = _one((num_hiddens, num_hiddens))
b_h = nd.zeros(num_hiddens, ctx=ctx) #初始化为0
# 输出层参数
W_hq = _one((num_hiddens, num_outputs))
b_q = nd.zeros(num_outputs, ctx=ctx) #初始化为0
# 附上梯度
params = [W_xh, W_hh, b_h, W_hq, b_q]
for param in params:
param.attach_grad()
return params
定义模型
def rnn(inputs, state, params):
# inputs和outputs皆为num_steps个形状为(batch_size, vocab_size)的矩阵
W_xh, W_hh, b_h, W_hq, b_q = params #模型的参数
H, = state # 状态的初始值 ,包含了隐藏状态等。
outputs = [] #维护输出
for X in inputs:
#各个时间步的隐藏状态
H = nd.tanh(nd.dot(X, W_xh) + nd.dot(H, W_hh) + b_h)
#输出
Y = nd.dot(H, W_hq) + b_q
outputs.append(Y)
return outputs, (H,) #返回状态,方便后面训练
定义预测函数
#给定前缀prefix,去预测下num_chars个字符
def predict_rnn(prefix, num_chars, rnn, params, init_rnn_state,
num_hiddens, vocab_size, ctx, idx_to_char, char_to_idx):
#构造并初始化状态
state = init_rnn_state(1, num_hiddens, ctx)
#output记录prefix和预测的num_chars个字符
output = [char_to_idx[prefix[0]]]
for t in range(num_chars + len(prefix) - 1):
# 将上一时间步的输出作为当前时间步的输入
X = to_onehot(nd.array([output[-1]], ctx=ctx), vocab_size)
# 计算输出和更新隐藏状态
(Y, state) = rnn(X, state, params)
# 下一个时间步的输入是prefix里的字符或者当前的最佳预测字符
if t < len(prefix) - 1:
output.append(char_to_idx[prefix[t + 1]])
else:
output.append(int(Y[0].argmax(axis=1).asscalar()))
return ''.join([idx_to_char[i] for i in output]) #把字符索引都转换成字符
裁剪梯度
梯度是一个幂的形式,指数就是时间步数。
假设我们把所有模型参数梯度的元素拼接成一个向量 ,并设裁剪的阈值是 。裁剪后的梯度 min( / ‖‖,1),其2范数不超过 。
# 本函数已保存在d2lzh包中方便以后使用
def grad_clipping(params, theta, ctx): #theta是预设的阈值
norm = nd.array([0], ctx) #g的L2范数,即所有梯度的平方和
for param in params:
norm += (param.grad ** 2).sum()
norm = norm.sqrt().asscalar() #梯度开根号
if norm > theta: #即 theta / norm < 1
for param in params:
param.grad[:] *= theta / norm #
困惑度
用以评价语言模型的好坏。
指对交叉熵损失函数做指数运算后得到的值。特别的情况(如概率为1、0、相等),相当于取倒数了。
最坏情况下,模型总是把标签类别的概率预测为0,此时困惑度为正无穷;
定义模型训练函数
# 本函数已保存在d2lzh包中方便以后使用
def train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
vocab_size, ctx, corpus_indices, idx_to_char,
char_to_idx, is_random_iter, num_epochs, num_steps,
lr, clipping_theta, batch_size, pred_period,
pred_len, prefixes):
#判断数据采样方法
if is_random_iter:
data_iter_fn = d2l.data_iter_random
else:
data_iter_fn = d2l.data_iter_consecutive
params = get_params()
loss = gloss.SoftmaxCrossEntropyLoss() #交叉熵损失函数
for epoch in range(num_epochs):
if not is_random_iter: # 如使用相邻采样,在epoch开始时初始化隐藏状态
state = init_rnn_state(batch_size, num_hiddens, ctx)
l_sum, n, start = 0.0, 0, time.time() #用于输出训练过程中信息的变量
#data_iter是个生成器
data_iter = data_iter_fn(corpus_indices, batch_size, num_steps, ctx)
for X, Y in data_iter:
if is_random_iter: # 如使用随机采样,在每个小批量更新前初始化隐藏状态
state = init_rnn_state(batch_size, num_hiddens, ctx)
else: # 否则需要使用detach函数从计算图分离隐藏状态
for s in state:
s.detach() #分离
with autograd.record(): #梯度记录
#input是num_steps个形状为(Batch_size,vocab_size)的矩阵
inputs = to_onehot(X, vocab_size)
# outputs有num_steps个形状为(batch_size, vocab_size)的矩阵
(outputs, state) = rnn(inputs, state, params)
# 拼接之后形状为(num_steps * batch_size, vocab_size)
outputs = nd.concat(*outputs, dim=0)
# Y的形状是(batch_size, num_steps),转置后再变成长度为
# batch * num_steps 的向量,这样跟输出的行一一对应
y = Y.T.reshape((-1,))
# 使用交叉熵损失计算平均分类误差, y是标签
l = loss(outputs, y).mean()
l.backward() #梯度计算
grad_clipping(params, clipping_theta, ctx) # 裁剪梯度
d2l.sgd(params, lr, 1) # 因为误差已经取过均值,梯度不用再做平均
l_sum += l.asscalar() * y.size
n += y.size
if (epoch + 1) % pred_period == 0:
print('epoch %d, perplexity %f, time %.2f sec' % (
epoch + 1, math.exp(l_sum / n), time.time() - start))
for prefix in prefixes:
print(' -', predict_rnn(
prefix, pred_len, rnn, params, init_rnn_state,
num_hiddens, vocab_size, ctx, idx_to_char, char_to_idx))
实际运用
其实就是定义参数,然后传到train_and_predict_rnn这个函数里就可。
num_epochs, num_steps, batch_size, lr, clipping_theta = 250, 35, 32, 1e2, 1e-2
pred_period, pred_len, prefixes = 50, 50, ['分开', '不分开']
train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
vocab_size, ctx, corpus_indices, idx_to_char,
char_to_idx, True, num_epochs, num_steps, lr,
clipping_theta, batch_size, pred_period, pred_len,
prefixes)
定义模型
下面构造一个含单隐藏层、隐藏单元个数为256的循环神经网络层rnn_layer,并对权重做初始化。
num_hiddens = 256
rnn_layer = rnn.RNN(num_hiddens)
rnn_layer.initialize()
batch_size = 2
#begin_state返回初始化的隐藏状态列表,有一个形状为(隐藏层个数, 批量大小, 隐藏单元个数)的元素。
state = rnn_layer.begin_state(batch_size=batch_size)
state[0].shape
#大小为(1,批量大小,隐藏单元个数)
#1的大小是固定的,以后复杂的神经网络就不是1了
num_steps = 35
# rnn_layer的输入形状为3个了!
X = nd.random.uniform(shape=(num_steps, batch_size, vocab_size))
Y, state_new = rnn_layer(X, state)
Y.shape, len(state_new), state_new[0].shape
用Block类来定义一个完整的循环神经网络
class RNNModel(nn.Block):
def __init__(self, rnn_layer, vocab_size, **kwargs):
super(RNNModel, self).__init__(**kwargs)
self.rnn = rnn_layer
self.vocab_size = vocab_size
self.dense = nn.Dense(vocab_size) #定义线性层
def forward(self, inputs, state):
# 将输入转置成(num_steps, batch_size)后获取one-hot向量表示
X = nd.one_hot(inputs.T, self.vocab_size)
Y, state = self.rnn(X, state)
# 全连接层会首先将Y的形状变成(num_steps * batch_size, num_hiddens),它的输出
# 形状为(num_steps * batch_size, vocab_size)
output = self.dense(Y.reshape((-1, Y.shape[-1])))
return output, state
def begin_state(self, *args, **kwargs):
return self.rnn.begin_state(*args, **kwargs)
预测函数
def predict_rnn_gluon(prefix, num_chars, model, vocab_size, ctx, idx_to_char,
char_to_idx):
# 使用model的成员函数来初始化隐藏状态
state = model.begin_state(batch_size=1, ctx=ctx)
output = [char_to_idx[prefix[0]]]
for t in range(num_chars + len(prefix) - 1):
X = nd.array([output[-1]], ctx=ctx).reshape((1, 1))
(Y, state) = model(X, state) # 前向计算不需要传入模型参数
if t < len(prefix) - 1:
output.append(char_to_idx[prefix[t + 1]])
else:
output.append(int(Y.argmax(axis=1).asscalar()))
return ''.join([idx_to_char[i] for i in output])
实际预测
ctx = d2l.try_gpu()
model = RNNModel(rnn_layer, vocab_size)
model.initialize(force_reinit=True, ctx=ctx)
predict_rnn_gluon('分开', 10, model, vocab_size, ctx, idx_to_char, char_to_idx)
训练函数
# 本函数已保存在d2lzh包中方便以后使用
def train_and_predict_rnn_gluon(model, num_hiddens, vocab_size, ctx,
corpus_indices, idx_to_char, char_to_idx,
num_epochs, num_steps, lr, clipping_theta,
batch_size, pred_period, pred_len, prefixes):
loss = gloss.SoftmaxCrossEntropyLoss()
model.initialize(ctx=ctx, force_reinit=True, init=init.Normal(0.01))
trainer = gluon.Trainer(model.collect_params(), 'sgd',
{'learning_rate': lr, 'momentum': 0, 'wd': 0})
for epoch in range(num_epochs):
l_sum, n, start = 0.0, 0, time.time()
data_iter = d2l.data_iter_consecutive(
corpus_indices, batch_size, num_steps, ctx)
state = model.begin_state(batch_size=batch_size, ctx=ctx)
for X, Y in data_iter:
for s in state:
s.detach() #用detach从计算图分离隐藏状态
with autograd.record():
(output, state) = model(X, state)
y = Y.T.reshape((-1,))
l = loss(output, y).mean() #损失
l.backward()
# 梯度裁剪
params = [p.data() for p in model.collect_params().values()]
d2l.grad_clipping(params, clipping_theta, ctx)
trainer.step(1) # 因为已经误差取过均值,梯度不用再做平均
l_sum += l.asscalar() * y.size
n += y.size
if (epoch + 1) % pred_period == 0:
print('epoch %d, perplexity %f, time %.2f sec' % (
epoch + 1, math.exp(l_sum / n), time.time() - start))
for prefix in prefixes:
print(' -', predict_rnn_gluon(
prefix, pred_len, model, vocab_size, ctx, idx_to_char,
char_to_idx))
调用方法
```python
num_epochs, batch_size, lr, clipping_theta = 250, 32, 1e2, 1e-2
pred_period, pred_len, prefixes = 50, 50, ['分开', '不分开']
train_and_predict_rnn_gluon(model, num_hiddens, vocab_size, ctx,
corpus_indices, idx_to_char, char_to_idx,
num_epochs, num_steps, lr, clipping_theta,
batch_size, pred_period, pred_len, prefixes)
```