注意
转到末尾 下载完整示例代码。
从头开始的 NLP：使用字符级 RNN 生成名称#
创建日期：2017年3月24日 | 最后更新：2024年10月21日 | 最后验证：2024年11月5日
作者： Sean Robertson
本教程是三部曲系列的一部分
这是我们“从头开始的 NLP”三个教程中的第二个。在第一个教程中，我们使用 RNN 将名称分类为其来源语言。这次我们将反过来从语言中生成名称。
> python sample.py Russian RUS
Rovakov
Uantov
Shavakov
> python sample.py German GER
Gerren
Ereng
Rosher
> python sample.py Spanish SPA
Salla
Parer
Allan
> python sample.py Chinese CHI
Chan
Hang
Iun
我们仍然手工制作了一个带有几个线性层的小型 RNN。最大的区别在于，我们不是在读取一个名称的所有字母后预测一个类别，而是输入一个类别并一次输出一个字母。循环预测字符以形成语言（这也可以通过单词或其他高阶构造来完成）通常被称为“语言模型”。
推荐阅读
我假设您至少已安装 PyTorch，了解 Python 并理解张量
https://pytorch.ac.cn/ 获取安装说明
60 分钟 PyTorch 深度学习入门 以开始使用 PyTorch
通过实例学习PyTorch，进行广泛而深入的概览
为前Torch用户准备的PyTorch教程，如果您是前Lua Torch用户
了解 RNN 及其工作原理也会很有用
循环神经网络的惊人效果展示了许多真实生活示例
理解 LSTM 网络专门针对 LSTM，但对 RNN 总体而言也很有启发性
我还建议阅读之前的教程，从头开始的 NLP：使用字符级 RNN 对名称进行分类
准备数据#
注意
从此处下载数据并解压到当前目录。
有关此过程的更多详细信息，请参阅上一个教程。简而言之，有许多纯文本文件 data/names/[Language].txt，每行一个名称。我们将行拆分为一个数组，将 Unicode 转换为 ASCII，并最终得到一个字典 {language: [names ...]}。
from io import open
import glob
import os
import unicodedata
import string
all_letters = string.ascii_letters + " .,;'-"
n_letters = len(all_letters) + 1 # Plus EOS marker
def findFiles(path): return glob.glob(path)
# Turn a Unicode string to plain ASCII, thanks to https://stackoverflow.com/a/518232/2809427
def unicodeToAscii(s):
return ''.join(
c for c in unicodedata.normalize('NFD', s)
if unicodedata.category(c) != 'Mn'
and c in all_letters
)
# Read a file and split into lines
def readLines(filename):
with open(filename, encoding='utf-8') as some_file:
return [unicodeToAscii(line.strip()) for line in some_file]
# Build the category_lines dictionary, a list of lines per category
category_lines = {}
all_categories = []
for filename in findFiles('data/names/*.txt'):
category = os.path.splitext(os.path.basename(filename))[0]
all_categories.append(category)
lines = readLines(filename)
category_lines[category] = lines
n_categories = len(all_categories)
if n_categories == 0:
raise RuntimeError('Data not found. Make sure that you downloaded data '
'from https://download.pytorch.org/tutorial/data.zip and extract it to '
'the current directory.')
print('# categories:', n_categories, all_categories)
print(unicodeToAscii("O'Néàl"))
# categories: 18 ['Arabic', 'Chinese', 'Czech', 'Dutch', 'English', 'French', 'German', 'Greek', 'Irish', 'Italian', 'Japanese', 'Korean', 'Polish', 'Portuguese', 'Russian', 'Scottish', 'Spanish', 'Vietnamese']
O'Neal
创建网络#
该网络通过类别张量的额外参数扩展了上一个教程的 RNN，该参数与其他参数一起连接。类别张量是像字母输入一样的独热向量。
我们将输出解释为下一个字母的概率。在采样时，最可能的输出字母用作下一个输入字母。
我添加了第二个线性层 o2o（在组合隐藏层和输出层之后）以赋予其更多功能。还有一个 dropout 层，它会以给定的概率（此处为 0.1）随机将输入的一部分置零，通常用于模糊输入以防止过拟合。这里我们将其用于网络的末端，以故意增加一些混乱并增加采样多样性。
import torch
import torch.nn as nn
class RNN(nn.Module):
def __init__(self, input_size, hidden_size, output_size):
super(RNN, self).__init__()
self.hidden_size = hidden_size
self.i2h = nn.Linear(n_categories + input_size + hidden_size, hidden_size)
self.i2o = nn.Linear(n_categories + input_size + hidden_size, output_size)
self.o2o = nn.Linear(hidden_size + output_size, output_size)
self.dropout = nn.Dropout(0.1)
self.softmax = nn.LogSoftmax(dim=1)
def forward(self, category, input, hidden):
input_combined = torch.cat((category, input, hidden), 1)
hidden = self.i2h(input_combined)
output = self.i2o(input_combined)
output_combined = torch.cat((hidden, output), 1)
output = self.o2o(output_combined)
output = self.dropout(output)
output = self.softmax(output)
return output, hidden
def initHidden(self):
return torch.zeros(1, self.hidden_size)
训练#
准备训练#
首先，获取随机（类别，行）对的辅助函数
import random
# Random item from a list
def randomChoice(l):
return l[random.randint(0, len(l) - 1)]
# Get a random category and random line from that category
def randomTrainingPair():
category = randomChoice(all_categories)
line = randomChoice(category_lines[category])
return category, line
对于每个时间步长（即，对于训练词中的每个字母），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。
由于我们正在为每个时间步长从当前字母预测下一个字母，因此字母对是来自行的连续字母组——例如，对于 "ABCD<EOS>"，我们将创建（“A”，“B”）、（“B”，“C”）、（“C”，“D”）、（“D”，“EOS”）。
类别张量是一个大小为 <1 x n_categories> 的独热张量。训练时我们会在每个时间步长将其输入到网络中——这是一种设计选择，它也可以作为初始隐藏状态或其他策略的一部分。
# One-hot vector for category
def categoryTensor(category):
li = all_categories.index(category)
tensor = torch.zeros(1, n_categories)
tensor[0][li] = 1
return tensor
# One-hot matrix of first to last letters (not including EOS) for input
def inputTensor(line):
tensor = torch.zeros(len(line), 1, n_letters)
for li in range(len(line)):
letter = line[li]
tensor[li][0][all_letters.find(letter)] = 1
return tensor
# ``LongTensor`` of second letter to end (EOS) for target
def targetTensor(line):
letter_indexes = [all_letters.find(line[li]) for li in range(1, len(line))]
letter_indexes.append(n_letters - 1) # EOS
return torch.LongTensor(letter_indexes)
为了方便训练，我们将创建一个 randomTrainingExample 函数，它获取一个随机的（类别，行）对并将其转换为所需的（类别，输入，目标）张量。
# Make category, input, and target tensors from a random category, line pair
def randomTrainingExample():
category, line = randomTrainingPair()
category_tensor = categoryTensor(category)
input_line_tensor = inputTensor(line)
target_line_tensor = targetTensor(line)
return category_tensor, input_line_tensor, target_line_tensor
训练网络#
与分类不同，分类只使用最后一个输出，我们每一步都进行预测，所以我们每一步都计算损失。
自动求导的魔力让您可以简单地将每一步的这些损失相加，并在最后调用反向传播。
criterion = nn.NLLLoss()
learning_rate = 0.0005
def train(category_tensor, input_line_tensor, target_line_tensor):
target_line_tensor.unsqueeze_(-1)
hidden = rnn.initHidden()
rnn.zero_grad()
loss = torch.Tensor([0]) # you can also just simply use ``loss = 0``
for i in range(input_line_tensor.size(0)):
output, hidden = rnn(category_tensor, input_line_tensor[i], hidden)
l = criterion(output, target_line_tensor[i])
loss += l
loss.backward()
for p in rnn.parameters():
p.data.add_(p.grad.data, alpha=-learning_rate)
return output, loss.item() / input_line_tensor.size(0)
为了跟踪训练所需的时间，我添加了一个 timeSince(timestamp) 函数，它返回一个易于理解的字符串
import time
import math
def timeSince(since):
now = time.time()
s = now - since
m = math.floor(s / 60)
s -= m * 60
return '%dm %ds' % (m, s)
训练照常进行——多次调用训练并等待几分钟，每 print_every 个示例打印当前时间和损失，并将每 plot_every 个示例的平均损失存储在 all_losses 中，以便以后绘图。
rnn = RNN(n_letters, 128, n_letters)
n_iters = 100000
print_every = 5000
plot_every = 500
all_losses = []
total_loss = 0 # Reset every ``plot_every`` ``iters``
start = time.time()
for iter in range(1, n_iters + 1):
output, loss = train(*randomTrainingExample())
total_loss += loss
if iter % print_every == 0:
print('%s (%d %d%%) %.4f' % (timeSince(start), iter, iter / n_iters * 100, loss))
if iter % plot_every == 0:
all_losses.append(total_loss / plot_every)
total_loss = 0
0m 9s (5000 5%) 3.2007
0m 19s (10000 10%) 3.5643
0m 30s (15000 15%) 2.7275
0m 40s (20000 20%) 2.8076
0m 49s (25000 25%) 1.5332
0m 59s (30000 30%) 2.4303
1m 9s (35000 35%) 3.3786
1m 19s (40000 40%) 3.3011
1m 29s (45000 45%) 2.4214
1m 39s (50000 50%) 2.2401
1m 49s (55000 55%) 2.7461
1m 59s (60000 60%) 2.3644
2m 8s (65000 65%) 2.6042
2m 18s (70000 70%) 1.5300
2m 28s (75000 75%) 3.1413
2m 38s (80000 80%) 2.3662
2m 48s (85000 85%) 1.8411
2m 58s (90000 90%) 3.2004
3m 7s (95000 95%) 2.4891
3m 17s (100000 100%) 2.1377
绘制损失图#
绘制 all_losses 的历史损失图显示了网络的学习情况
import matplotlib.pyplot as plt
plt.figure()
plt.plot(all_losses)
[<matplotlib.lines.Line2D object at 0x7efcab1646d0>]
采样网络#
要进行采样，我们给网络一个字母，询问下一个字母是什么，将其作为下一个字母输入，并重复直到 EOS 标记。
创建输入类别、起始字母和空隐藏状态的张量
创建一个以起始字母开头的字符串
output_name直到最大输出长度，
将当前字母输入网络
从最高输出中获取下一个字母，并获取下一个隐藏状态
如果字母是 EOS，则在此处停止
如果是普通字母，则添加到
output_name并继续
返回最终名称
注意
除了提供起始字母，另一种策略是在训练中包含一个“字符串开始”标记，让网络自行选择起始字母。
max_length = 20
# Sample from a category and starting letter
def sample(category, start_letter='A'):
with torch.no_grad(): # no need to track history in sampling
category_tensor = categoryTensor(category)
input = inputTensor(start_letter)
hidden = rnn.initHidden()
output_name = start_letter
for i in range(max_length):
output, hidden = rnn(category_tensor, input[0], hidden)
topv, topi = output.topk(1)
topi = topi[0][0]
if topi == n_letters - 1:
break
else:
letter = all_letters[topi]
output_name += letter
input = inputTensor(letter)
return output_name
# Get multiple samples from one category and multiple starting letters
def samples(category, start_letters='ABC'):
for start_letter in start_letters:
print(sample(category, start_letter))
samples('Russian', 'RUS')
samples('German', 'GER')
samples('Spanish', 'SPA')
samples('Chinese', 'CHI')
Rakinov
Uanton
Shallov
Gerter
Ereng
Roun
Sellan
Parellos
Allanel
Chan
Han
Iun
练习#
尝试使用不同的类别 -> 行数据集，例如
虚构系列 -> 角色名称
词性 -> 词
国家 -> 城市
使用“句子开始”标记，以便在不选择起始字母的情况下进行采样
使用更大和/或形状更好的网络获得更好的结果
尝试
nn.LSTM和nn.GRU层将这些 RNN 的多个组合成一个更高级别的网络
脚本总运行时间： (3 分 17.894 秒)
