猿创征文｜【深度学习前沿应用】文本生成

猿创征文｜【深度学习前沿应用】文本生成

作者简介：在校大学生一枚，C/C++领域新星创作者，华为云享专家，阿里云专家博主，腾云先锋（TDP）成员，云曦智划项目总负责人，全国高等学校计算机教学与产业实践资源建设专家委员会（TIPCC）志愿者，以及编程爱好者，期待和大家一起学习，一起进步~
.
博客主页：ぃ灵彧が的学习日志
.
本文专栏：人工智能
.
专栏寄语：若你决定灿烂，山无遮，海无拦
.

文章目录

前言

什么是文本生成?

在自然语言处理领域，文本生成任务是指根据给定的输入，自动生成对应的输出，典型的任务包含：机器翻译、智能问答等。文本生成任务在注意力机制提出之后取得了显著的效果，尤其是在2018年基于多头注意力机制的Transformer(原理如下图1所示)在机器翻译领域取得当时最优效果时，基于Transformer的文本生成任务也进入了新的繁荣时期。

本实验的目的是演示如何使用经典的Transformer实现英-中机器翻译，实验平台为百度AI Studio，实验环境为Python3.7，Paddle2.0。

一、数据加载及预处理

(一)、数据加载

本实验选用开源的小型英-中翻译CMN数据集，该数据集中包含样本总数24360条，均为短文本，部分数据展示如下图2所示：

不同于图像处理，在处理自然语言时，需要指定文本的长度，便于进行批量计算，因此，在数据预处理阶段，应该先统计数据集中文本的长度，然后指定一个恰当的值，进行统一处理。

1. 导入相关包

import paddle
import paddle.nn.functional as F
import re
import numpy as np

print(paddle.__version__)# cpu/gpu环境选择，在 paddle.set_device() 输入对应运行设备。# device = paddle.set_device('gpu')

1. 统计数据集中句子的长度等信息

# 统计数据集中句子的长度等信息
lines =open('data/data78721/cmn.txt','r',encoding='utf-8').readlines()print(len(lines))
datas =[]
dic_en ={}
dic_cn ={}for line in lines:
    ll = line.strip().split('\t')iflen(ll)<2:continue
    datas.append([ll[0].lower().split(' ')[1:-1],list(ll[1])])# print(ll[0])iflen(ll[0].split(' '))notin dic_en:
        dic_en[len(ll[0].split(' '))]=1else:
        dic_en[len(ll[0].split(' '))]+=1iflen(ll[1])notin dic_cn:
        dic_cn[len(ll[1])]=1else:
        dic_cn[len(ll[1])]+=1
keys_en =list(dic_en.keys())
keys_en.sort()
count =0# print('英文长度统计：')for k in keys_en:
    count += dic_en[k]# print(k,dic_en[k],count/len(lines))

keys_cn =list(dic_cn.keys())
keys_cn.sort()
count =0# print('中文长度统计：')for k in keys_cn:
    count += dic_cn[k]# print(k,dic_cn[k],count/len(lines))
 
en_length =10
cn_length =10

(二)、构建词表

对于中英文，需要分别构建词表，进行词向量学习，除此之外，还需要在每个词表中加入开始符号、结束符合以及填充符号：

# 构建中英文词表
en_vocab ={}
cn_vocab ={}

en_vocab['<pad>'], en_vocab['<bos>'], en_vocab['<eos>']=0,1,2
cn_vocab['<pad>'], cn_vocab['<bos>'], cn_vocab['<eos>']=0,1,2
en_idx, cn_idx =3,3for en, cn in datas:# print(en,cn)for w in en:if w notin en_vocab:
            en_vocab[w]= en_idx
            en_idx +=1for w in cn:if w notin cn_vocab:
            cn_vocab[w]= cn_idx
            cn_idx +=1print(len(list(en_vocab)))print(len(list(cn_vocab)))'''
英文词表长度：6057
中文词表长度：3533
'''

(三)、创建指定数据格式

需要将输入英文与输出中文封装为指定格式，即为编码器端输入添加结束符号并填充至固定长度，为解码器输入添加开始、结束符号并填充至固定长度，解码器端输出的正确答案应该只添加结束符号并且填充至固定长度。

padded_en_sents =[]
padded_cn_sents =[]
padded_cn_label_sents =[]for en, cn in datas:iflen(en)>en_length:
        en = en[:en_length]iflen(cn)>cn_length:
        cn = cn[:cn_length]
    padded_en_sent = en +['<eos>']+['<pad>']*(en_length -len(en))
    padded_en_sent.reverse()

    padded_cn_sent =['<bos>']+ cn +['<eos>']+['<pad>']*(cn_length -len(cn))
    padded_cn_label_sent = cn +['<eos>']+['<pad>']*(cn_length -len(cn)+1)
    
    padded_en_sents.append(np.array([en_vocab[w]for w in padded_en_sent]))
    padded_cn_sents.append(np.array([cn_vocab[w]for w in padded_cn_sent]))
    padded_cn_label_sents.append(np.array([cn_vocab[w]for w in padded_cn_label_sent]))

train_en_sents = np.array(padded_en_sents)
train_cn_sents = np.array(padded_cn_sents)
train_cn_label_sents = np.array(padded_cn_label_sents)print(train_en_sents.shape)print(train_cn_sents.shape)print(train_cn_label_sents.shape)

二、模型配置

(一)、定义网络超参数

embedding_size =128
hidden_size =512
num_encoder_lstm_layers =1
en_vocab_size =len(list(en_vocab))
cn_vocab_size =len(list(cn_vocab))
epochs =20
batch_size =16

(二)、定义编码器

# encoder: simply learn representation of source sentenceclassEncoder(paddle.nn.Layer):def__init__(self,en_vocab_size, embedding_size,num_layers=2,head_number=2,middle_units=512):super(Encoder, self).__init__()
        self.emb = paddle.nn.Embedding(en_vocab_size, embedding_size,)"""
        d_model (int) - 输入输出的维度。
        nhead (int) - 多头注意力机制的Head数量。
        dim_feedforward (int) - 前馈神经网络中隐藏层的大小。
        """
        encoder_layer = paddle.nn.TransformerEncoderLayer(embedding_size, head_number, middle_units)
        self.encoder = paddle.nn.TransformerEncoder(encoder_layer, num_layers)defforward(self, x):
        x = self.emb(x)
        en_out = self.encoder(x)return en_out

(三)、定义解码器

classDecoder(paddle.nn.Layer):def__init__(self,cn_vocab_size, embedding_size,num_layers=2,head_number=2,middle_units=512):super(Decoder, self).__init__()
        self.emb = paddle.nn.Embedding(cn_vocab_size, embedding_size)
        
        decoder_layer = paddle.nn.TransformerDecoderLayer(embedding_size, head_number, middle_units)
        self.decoder = paddle.nn.TransformerDecoder(decoder_layer, num_layers)# for computing output logits
        self.outlinear =paddle.nn.Linear(embedding_size, cn_vocab_size)defforward(self, x,  encoder_outputs):
        x = self.emb(x)# dec_input, enc_output,self_attn_mask,  cross_attn_mask
        de_out = self.decoder(x, encoder_outputs)
        output = self.outlinear(de_out)
        output = paddle.squeeze(output)return  output

三、模型训练

encoder = Encoder(en_vocab_size, embedding_size)
decoder = Decoder(cn_vocab_size, embedding_size)

opt = paddle.optimizer.Adam(learning_rate=0.0001,
                            parameters=encoder.parameters()+ decoder.parameters())for epoch inrange(epochs):print("epoch:{}".format(epoch))# shuffle training data
    perm = np.random.permutation(len(train_en_sents))
    train_en_sents_shuffled = train_en_sents[perm]
    train_cn_sents_shuffled = train_cn_sents[perm]
    train_cn_label_sents_shuffled = train_cn_label_sents[perm]# print(train_en_sents_shuffled.shape[0],train_en_sents_shuffled.shape[1])for iteration inrange(train_en_sents_shuffled.shape[0]// batch_size):
        x_data = train_en_sents_shuffled[(batch_size*iteration):(batch_size*(iteration+1))]
        sent = paddle.to_tensor(x_data)
        en_repr = encoder(sent)

        x_cn_data = train_cn_sents_shuffled[(batch_size*iteration):(batch_size*(iteration+1))]
        x_cn_label_data = train_cn_label_sents_shuffled[(batch_size*iteration):(batch_size*(iteration+1))]
 
        loss = paddle.zeros([1])for i inrange( cn_length +2):
            cn_word = paddle.to_tensor(x_cn_data[:,i:i+1])
            cn_word_label = paddle.to_tensor(x_cn_label_data[:,i])

            logits = decoder(cn_word, en_repr)
            step_loss = F.cross_entropy(logits, cn_word_label)
            loss += step_loss

        loss = loss /(cn_length +2)if(iteration %50==0):print("iter {}, loss:{}".format(iteration, loss.numpy()))

        loss.backward()
        opt.step()
        opt.clear_grad()

输出结果如下图3所示：

四、模型预测

encoder.eval()
decoder.eval()

num_of_exampels_to_evaluate =10

indices = np.random.choice(len(train_en_sents),  num_of_exampels_to_evaluate, replace=False)
x_data = train_en_sents[indices]
sent = paddle.to_tensor(x_data)
en_repr = encoder(sent)

word = np.array([[cn_vocab['<bos>']]]* num_of_exampels_to_evaluate
)
word = paddle.to_tensor(word)
 

decoded_sent =[]for i inrange(cn_length +2):
    logits  = decoder(word, en_repr)
    word = paddle.argmax(logits, axis=1)
    decoded_sent.append(word.numpy())
    word = paddle.unsqueeze(word, axis=-1)

results = np.stack(decoded_sent, axis=1)for i inrange(num_of_exampels_to_evaluate):print('---------------------')
    en_input =" ".join(datas[indices[i]][0])
    ground_truth_translate ="".join(datas[indices[i]][1])
    model_translate =""for k in results[i]:
        w =list(cn_vocab)[k]if w !='<pad>'and w !='<eos>':
            model_translate += w
    print(en_input)print("true: {}".format(ground_truth_translate))print("pred: {}".format(model_translate))

输出结果如下图4所示：

总结

本系列文章内容为根据清华社出版的《机器学习实践》所作的相关笔记和感悟，其中代码均为基于百度飞桨开发，若有任何侵权和不妥之处，请私信于我，定积极配合处理，看到必回！！！

最后，引用本次活动的一句话，来作为文章的结语～(￣▽￣～)~：

【学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。】

ps：更多精彩内容还请进入本文专栏：人工智能，进行查看，欢迎大家支持与指教啊～(￣▽￣～)~