Se usó la API de Cloud Translation para traducir esta página.
Switch to English

Traducción automática neuronal con atención

Ver en TensorFlow.org Ver fuente en GitHub Descargar cuaderno

Este cuaderno entrena un modelo de secuencia a secuencia (seq2seq) para la traducción del español al inglés. Este es un ejemplo avanzado que asume cierto conocimiento de los modelos de secuencia a secuencia.

Después de entrenar el modelo en este cuaderno, podrá ingresar una oración en español, como "¿todavia estan en casa?" , y devuelva la traducción al inglés: "¿todavía estás en casa?"

La calidad de la traducción es razonable para un ejemplo de juguete, pero la trama de atención generada es quizás más interesante. Esto muestra qué partes de la oración de entrada llaman la atención del modelo mientras traduce:

diagrama de atención español-inglés

import tensorflow as tf

import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
from sklearn.model_selection import train_test_split

import unicodedata
import re
import numpy as np
import os
import io
import time

Descarga y prepara el conjunto de datos

Usaremos un conjunto de datos de idiomas proporcionado por http://www.manythings.org/anki/ Este conjunto de datos contiene pares de traducción de idiomas en el formato:

May I borrow this book? ¿Puedo tomar prestado este libro?

Hay una variedad de idiomas disponibles, pero usaremos el conjunto de datos inglés-español. Para su comodidad, hemos alojado una copia de este conjunto de datos en Google Cloud, pero también puede descargar su propia copia. Después de descargar el conjunto de datos, estos son los pasos que seguiremos para preparar los datos:

  1. Agrega una ficha de inicio y finalización a cada oración.
  2. Limpia las oraciones eliminando caracteres especiales.
  3. Cree un índice de palabras y un índice de palabras inverso (mapas de diccionarios de palabra → id e id → palabra).
  4. Rellena cada oración a una longitud máxima.
# Download the file
path_to_zip = tf.keras.utils.get_file(
    'spa-eng.zip', origin='http://storage.googleapis.com/download.tensorflow.org/data/spa-eng.zip',
    extract=True)

path_to_file = os.path.dirname(path_to_zip)+"/spa-eng/spa.txt"
Downloading data from http://storage.googleapis.com/download.tensorflow.org/data/spa-eng.zip
2646016/2638744 [==============================] - 0s 0us/step

# Converts the unicode file to ascii
def unicode_to_ascii(s):
  return ''.join(c for c in unicodedata.normalize('NFD', s)
      if unicodedata.category(c) != 'Mn')


def preprocess_sentence(w):
  w = unicode_to_ascii(w.lower().strip())

  # creating a space between a word and the punctuation following it
  # eg: "he is a boy." => "he is a boy ."
  # Reference:- https://stackoverflow.com/questions/3645931/python-padding-punctuation-with-white-spaces-keeping-punctuation
  w = re.sub(r"([?.!,¿])", r" \1 ", w)
  w = re.sub(r'[" "]+', " ", w)

  # replacing everything with space except (a-z, A-Z, ".", "?", "!", ",")
  w = re.sub(r"[^a-zA-Z?.!,¿]+", " ", w)

  w = w.strip()

  # adding a start and an end token to the sentence
  # so that the model know when to start and stop predicting.
  w = '<start> ' + w + ' <end>'
  return w
en_sentence = u"May I borrow this book?"
sp_sentence = u"¿Puedo tomar prestado este libro?"
print(preprocess_sentence(en_sentence))
print(preprocess_sentence(sp_sentence).encode('utf-8'))
<start> may i borrow this book ? <end>
b'<start> \xc2\xbf puedo tomar prestado este libro ? <end>'

# 1. Remove the accents
# 2. Clean the sentences
# 3. Return word pairs in the format: [ENGLISH, SPANISH]
def create_dataset(path, num_examples):
  lines = io.open(path, encoding='UTF-8').read().strip().split('\n')

  word_pairs = [[preprocess_sentence(w) for w in l.split('\t')]  for l in lines[:num_examples]]

  return zip(*word_pairs)
en, sp = create_dataset(path_to_file, None)
print(en[-1])
print(sp[-1])
<start> if you want to sound like a native speaker , you must be willing to practice saying the same sentence over and over in the same way that banjo players practice the same phrase over and over until they can play it correctly and at the desired tempo . <end>
<start> si quieres sonar como un hablante nativo , debes estar dispuesto a practicar diciendo la misma frase una y otra vez de la misma manera en que un musico de banjo practica el mismo fraseo una y otra vez hasta que lo puedan tocar correctamente y en el tiempo esperado . <end>

def tokenize(lang):
  lang_tokenizer = tf.keras.preprocessing.text.Tokenizer(
      filters='')
  lang_tokenizer.fit_on_texts(lang)

  tensor = lang_tokenizer.texts_to_sequences(lang)

  tensor = tf.keras.preprocessing.sequence.pad_sequences(tensor,
                                                         padding='post')

  return tensor, lang_tokenizer
def load_dataset(path, num_examples=None):
  # creating cleaned input, output pairs
  targ_lang, inp_lang = create_dataset(path, num_examples)

  input_tensor, inp_lang_tokenizer = tokenize(inp_lang)
  target_tensor, targ_lang_tokenizer = tokenize(targ_lang)

  return input_tensor, target_tensor, inp_lang_tokenizer, targ_lang_tokenizer

Limite el tamaño del conjunto de datos para experimentar más rápido (opcional)

La capacitación sobre el conjunto de datos completo de> 100.000 oraciones llevará mucho tiempo. Para entrenar más rápido, podemos limitar el tamaño del conjunto de datos a 30,000 oraciones (por supuesto, la calidad de la traducción se degrada con menos datos):

# Try experimenting with the size of that dataset
num_examples = 30000
input_tensor, target_tensor, inp_lang, targ_lang = load_dataset(path_to_file, num_examples)

# Calculate max_length of the target tensors
max_length_targ, max_length_inp = target_tensor.shape[1], input_tensor.shape[1]
# Creating training and validation sets using an 80-20 split
input_tensor_train, input_tensor_val, target_tensor_train, target_tensor_val = train_test_split(input_tensor, target_tensor, test_size=0.2)

# Show length
print(len(input_tensor_train), len(target_tensor_train), len(input_tensor_val), len(target_tensor_val))
24000 24000 6000 6000

def convert(lang, tensor):
  for t in tensor:
    if t!=0:
      print ("%d ----> %s" % (t, lang.index_word[t]))
print ("Input Language; index to word mapping")
convert(inp_lang, input_tensor_train[0])
print ()
print ("Target Language; index to word mapping")
convert(targ_lang, target_tensor_train[0])
Input Language; index to word mapping
1 ----> <start>
6379 ----> dese
395 ----> vuelta
32 ----> ,
22 ----> por
50 ----> favor
3 ----> .
2 ----> <end>

Target Language; index to word mapping
1 ----> <start>
56 ----> please
205 ----> turn
197 ----> over
3 ----> .
2 ----> <end>

Crea un conjunto de datos tf.data

BUFFER_SIZE = len(input_tensor_train)
BATCH_SIZE = 64
steps_per_epoch = len(input_tensor_train)//BATCH_SIZE
embedding_dim = 256
units = 1024
vocab_inp_size = len(inp_lang.word_index)+1
vocab_tar_size = len(targ_lang.word_index)+1

dataset = tf.data.Dataset.from_tensor_slices((input_tensor_train, target_tensor_train)).shuffle(BUFFER_SIZE)
dataset = dataset.batch(BATCH_SIZE, drop_remainder=True)
example_input_batch, example_target_batch = next(iter(dataset))
example_input_batch.shape, example_target_batch.shape
(TensorShape([64, 16]), TensorShape([64, 11]))

Escribe el modelo de codificador y decodificador

Implementa un modelo de codificador-decodificador con atención sobre el cual puedes leer en el tutorial de traducción automática neuronal de TensorFlow (seq2seq) . Este ejemplo usa un conjunto más reciente de API. Este cuaderno implementa las ecuaciones de atención del tutorial seq2seq. El siguiente diagrama muestra que a cada palabra de entrada se le asigna un peso por el mecanismo de atención que luego es utilizado por el decodificador para predecir la siguiente palabra en la oración. La siguiente imagen y fórmulas son un ejemplo del mecanismo de atención del artículo de Luong .

mecanismo de atención

La entrada se pasa a través de un modelo de codificador que nos da la salida del codificador de forma (batch_size, max_length, hidden_size) y el estado de forma oculta del codificador (batch_size, hidden_size) .

Estas son las ecuaciones que se implementan:

ecuación de atención 0ecuación de atención 1

Este tutorial utiliza la atención de Bahdanau para el codificador. Decidamos la notación antes de escribir la forma simplificada:

  • FC = Capa completamente conectada (densa)
  • EO = Salida del codificador
  • H = estado oculto
  • X = entrada al decodificador

Y el pseudocódigo:

  • score = FC(tanh(FC(EO) + FC(H)))
  • attention weights = softmax(score, axis = 1) . Softmax por defecto se aplica en el último eje pero aquí queremos aplicarlo en el 1er eje , ya que la forma de la puntuación es (batch_size, max_length, hidden_size) . Max_length es la longitud de nuestra entrada. Dado que estamos tratando de asignar un peso a cada entrada, se debe aplicar softmax en ese eje.
  • context vector = sum(attention weights * EO, axis = 1) . La misma razón que la anterior para elegir el eje 1.
  • embedding output = La entrada al decodificador X se pasa a través de una capa de incrustación.
  • merged vector = concat(embedding output, context vector)
  • Este vector combinado luego se le da al GRU

Las formas de todos los vectores en cada paso se han especificado en los comentarios del código:

class Encoder(tf.keras.Model):
  def __init__(self, vocab_size, embedding_dim, enc_units, batch_sz):
    super(Encoder, self).__init__()
    self.batch_sz = batch_sz
    self.enc_units = enc_units
    self.embedding = tf.keras.layers.Embedding(vocab_size, embedding_dim)
    self.gru = tf.keras.layers.GRU(self.enc_units,
                                   return_sequences=True,
                                   return_state=True,
                                   recurrent_initializer='glorot_uniform')

  def call(self, x, hidden):
    x = self.embedding(x)
    output, state = self.gru(x, initial_state = hidden)
    return output, state

  def initialize_hidden_state(self):
    return tf.zeros((self.batch_sz, self.enc_units))
encoder = Encoder(vocab_inp_size, embedding_dim, units, BATCH_SIZE)

# sample input
sample_hidden = encoder.initialize_hidden_state()
sample_output, sample_hidden = encoder(example_input_batch, sample_hidden)
print ('Encoder output shape: (batch size, sequence length, units) {}'.format(sample_output.shape))
print ('Encoder Hidden state shape: (batch size, units) {}'.format(sample_hidden.shape))
Encoder output shape: (batch size, sequence length, units) (64, 16, 1024)
Encoder Hidden state shape: (batch size, units) (64, 1024)

class BahdanauAttention(tf.keras.layers.Layer):
  def __init__(self, units):
    super(BahdanauAttention, self).__init__()
    self.W1 = tf.keras.layers.Dense(units)
    self.W2 = tf.keras.layers.Dense(units)
    self.V = tf.keras.layers.Dense(1)

  def call(self, query, values):
    # query hidden state shape == (batch_size, hidden size)
    # query_with_time_axis shape == (batch_size, 1, hidden size)
    # values shape == (batch_size, max_len, hidden size)
    # we are doing this to broadcast addition along the time axis to calculate the score
    query_with_time_axis = tf.expand_dims(query, 1)

    # score shape == (batch_size, max_length, 1)
    # we get 1 at the last axis because we are applying score to self.V
    # the shape of the tensor before applying self.V is (batch_size, max_length, units)
    score = self.V(tf.nn.tanh(
        self.W1(query_with_time_axis) + self.W2(values)))

    # attention_weights shape == (batch_size, max_length, 1)
    attention_weights = tf.nn.softmax(score, axis=1)

    # context_vector shape after sum == (batch_size, hidden_size)
    context_vector = attention_weights * values
    context_vector = tf.reduce_sum(context_vector, axis=1)

    return context_vector, attention_weights
attention_layer = BahdanauAttention(10)
attention_result, attention_weights = attention_layer(sample_hidden, sample_output)

print("Attention result shape: (batch size, units) {}".format(attention_result.shape))
print("Attention weights shape: (batch_size, sequence_length, 1) {}".format(attention_weights.shape))
Attention result shape: (batch size, units) (64, 1024)
Attention weights shape: (batch_size, sequence_length, 1) (64, 16, 1)

class Decoder(tf.keras.Model):
  def __init__(self, vocab_size, embedding_dim, dec_units, batch_sz):
    super(Decoder, self).__init__()
    self.batch_sz = batch_sz
    self.dec_units = dec_units
    self.embedding = tf.keras.layers.Embedding(vocab_size, embedding_dim)
    self.gru = tf.keras.layers.GRU(self.dec_units,
                                   return_sequences=True,
                                   return_state=True,
                                   recurrent_initializer='glorot_uniform')
    self.fc = tf.keras.layers.Dense(vocab_size)

    # used for attention
    self.attention = BahdanauAttention(self.dec_units)

  def call(self, x, hidden, enc_output):
    # enc_output shape == (batch_size, max_length, hidden_size)
    context_vector, attention_weights = self.attention(hidden, enc_output)

    # x shape after passing through embedding == (batch_size, 1, embedding_dim)
    x = self.embedding(x)

    # x shape after concatenation == (batch_size, 1, embedding_dim + hidden_size)
    x = tf.concat([tf.expand_dims(context_vector, 1), x], axis=-1)

    # passing the concatenated vector to the GRU
    output, state = self.gru(x)

    # output shape == (batch_size * 1, hidden_size)
    output = tf.reshape(output, (-1, output.shape[2]))

    # output shape == (batch_size, vocab)
    x = self.fc(output)

    return x, state, attention_weights
decoder = Decoder(vocab_tar_size, embedding_dim, units, BATCH_SIZE)

sample_decoder_output, _, _ = decoder(tf.random.uniform((BATCH_SIZE, 1)),
                                      sample_hidden, sample_output)

print ('Decoder output shape: (batch_size, vocab size) {}'.format(sample_decoder_output.shape))
Decoder output shape: (batch_size, vocab size) (64, 4935)

Definir el optimizador y la función de pérdida.

optimizer = tf.keras.optimizers.Adam()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(
    from_logits=True, reduction='none')

def loss_function(real, pred):
  mask = tf.math.logical_not(tf.math.equal(real, 0))
  loss_ = loss_object(real, pred)

  mask = tf.cast(mask, dtype=loss_.dtype)
  loss_ *= mask

  return tf.reduce_mean(loss_)

Puntos de control (ahorro basado en objetos)

checkpoint_dir = './training_checkpoints'
checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt")
checkpoint = tf.train.Checkpoint(optimizer=optimizer,
                                 encoder=encoder,
                                 decoder=decoder)

Formación

  1. Pase la entrada a través del codificador que devuelve la salida del codificador y el estado oculto del codificador .
  2. La salida del codificador, el estado oculto del codificador y la entrada del decodificador (que es el token de inicio ) se pasan al decodificador.
  3. El decodificador devuelve las predicciones y el estado oculto del decodificador .
  4. El estado oculto del decodificador se devuelve al modelo y las predicciones se utilizan para calcular la pérdida.
  5. Utilice la fuerza del maestro para decidir la siguiente entrada al decodificador.
  6. La imposición del profesor es la técnica en la que la palabra objetivo se pasa como la siguiente entrada al decodificador.
  7. El paso final es calcular los gradientes y aplicarlo al optimizador y retropropagar.
@tf.function
def train_step(inp, targ, enc_hidden):
  loss = 0

  with tf.GradientTape() as tape:
    enc_output, enc_hidden = encoder(inp, enc_hidden)

    dec_hidden = enc_hidden

    dec_input = tf.expand_dims([targ_lang.word_index['<start>']] * BATCH_SIZE, 1)

    # Teacher forcing - feeding the target as the next input
    for t in range(1, targ.shape[1]):
      # passing enc_output to the decoder
      predictions, dec_hidden, _ = decoder(dec_input, dec_hidden, enc_output)

      loss += loss_function(targ[:, t], predictions)

      # using teacher forcing
      dec_input = tf.expand_dims(targ[:, t], 1)

  batch_loss = (loss / int(targ.shape[1]))

  variables = encoder.trainable_variables + decoder.trainable_variables

  gradients = tape.gradient(loss, variables)

  optimizer.apply_gradients(zip(gradients, variables))

  return batch_loss
EPOCHS = 10

for epoch in range(EPOCHS):
  start = time.time()

  enc_hidden = encoder.initialize_hidden_state()
  total_loss = 0

  for (batch, (inp, targ)) in enumerate(dataset.take(steps_per_epoch)):
    batch_loss = train_step(inp, targ, enc_hidden)
    total_loss += batch_loss

    if batch % 100 == 0:
      print('Epoch {} Batch {} Loss {:.4f}'.format(epoch + 1,
                                                   batch,
                                                   batch_loss.numpy()))
  # saving (checkpoint) the model every 2 epochs
  if (epoch + 1) % 2 == 0:
    checkpoint.save(file_prefix = checkpoint_prefix)

  print('Epoch {} Loss {:.4f}'.format(epoch + 1,
                                      total_loss / steps_per_epoch))
  print('Time taken for 1 epoch {} sec\n'.format(time.time() - start))
Epoch 1 Batch 0 Loss 4.7113
Epoch 1 Batch 100 Loss 2.1051
Epoch 1 Batch 200 Loss 1.9095
Epoch 1 Batch 300 Loss 1.7646
Epoch 1 Loss 2.0334
Time taken for 1 epoch 26.513352870941162 sec

Epoch 2 Batch 0 Loss 1.4994
Epoch 2 Batch 100 Loss 1.4381
Epoch 2 Batch 200 Loss 1.3774
Epoch 2 Batch 300 Loss 1.1783
Epoch 2 Loss 1.3686
Time taken for 1 epoch 15.74858546257019 sec

Epoch 3 Batch 0 Loss 0.9827
Epoch 3 Batch 100 Loss 1.0305
Epoch 3 Batch 200 Loss 0.9073
Epoch 3 Batch 300 Loss 0.8466
Epoch 3 Loss 0.9339
Time taken for 1 epoch 15.360853910446167 sec

Epoch 4 Batch 0 Loss 0.5953
Epoch 4 Batch 100 Loss 0.6024
Epoch 4 Batch 200 Loss 0.6550
Epoch 4 Batch 300 Loss 0.6959
Epoch 4 Loss 0.6273
Time taken for 1 epoch 15.659878015518188 sec

Epoch 5 Batch 0 Loss 0.4362
Epoch 5 Batch 100 Loss 0.4403
Epoch 5 Batch 200 Loss 0.5202
Epoch 5 Batch 300 Loss 0.3749
Epoch 5 Loss 0.4293
Time taken for 1 epoch 15.344685077667236 sec

Epoch 6 Batch 0 Loss 0.3615
Epoch 6 Batch 100 Loss 0.2462
Epoch 6 Batch 200 Loss 0.2649
Epoch 6 Batch 300 Loss 0.3645
Epoch 6 Loss 0.2965
Time taken for 1 epoch 15.627461910247803 sec

Epoch 7 Batch 0 Loss 0.2720
Epoch 7 Batch 100 Loss 0.1868
Epoch 7 Batch 200 Loss 0.2354
Epoch 7 Batch 300 Loss 0.2372
Epoch 7 Loss 0.2145
Time taken for 1 epoch 15.387472867965698 sec

Epoch 8 Batch 0 Loss 0.1477
Epoch 8 Batch 100 Loss 0.1718
Epoch 8 Batch 200 Loss 0.1659
Epoch 8 Batch 300 Loss 0.1612
Epoch 8 Loss 0.1623
Time taken for 1 epoch 15.627415657043457 sec

Epoch 9 Batch 0 Loss 0.0871
Epoch 9 Batch 100 Loss 0.1062
Epoch 9 Batch 200 Loss 0.1450
Epoch 9 Batch 300 Loss 0.1639
Epoch 9 Loss 0.1268
Time taken for 1 epoch 15.357704162597656 sec

Epoch 10 Batch 0 Loss 0.0960
Epoch 10 Batch 100 Loss 0.0805
Epoch 10 Batch 200 Loss 0.1251
Epoch 10 Batch 300 Loss 0.1206
Epoch 10 Loss 0.1037
Time taken for 1 epoch 15.646350383758545 sec


Traducir

  • La función de evaluación es similar al ciclo de entrenamiento, excepto que aquí no usamos el forzado del maestro . La entrada al decodificador en cada paso de tiempo son sus predicciones anteriores junto con el estado oculto y la salida del codificador.
  • Deje de predecir cuándo el modelo predice el token final .
  • Y almacene los pesos de atención para cada paso de tiempo .
def evaluate(sentence):
  attention_plot = np.zeros((max_length_targ, max_length_inp))

  sentence = preprocess_sentence(sentence)

  inputs = [inp_lang.word_index[i] for i in sentence.split(' ')]
  inputs = tf.keras.preprocessing.sequence.pad_sequences([inputs],
                                                         maxlen=max_length_inp,
                                                         padding='post')
  inputs = tf.convert_to_tensor(inputs)

  result = ''

  hidden = [tf.zeros((1, units))]
  enc_out, enc_hidden = encoder(inputs, hidden)

  dec_hidden = enc_hidden
  dec_input = tf.expand_dims([targ_lang.word_index['<start>']], 0)

  for t in range(max_length_targ):
    predictions, dec_hidden, attention_weights = decoder(dec_input,
                                                         dec_hidden,
                                                         enc_out)

    # storing the attention weights to plot later on
    attention_weights = tf.reshape(attention_weights, (-1, ))
    attention_plot[t] = attention_weights.numpy()

    predicted_id = tf.argmax(predictions[0]).numpy()

    result += targ_lang.index_word[predicted_id] + ' '

    if targ_lang.index_word[predicted_id] == '<end>':
      return result, sentence, attention_plot

    # the predicted ID is fed back into the model
    dec_input = tf.expand_dims([predicted_id], 0)

  return result, sentence, attention_plot
# function for plotting the attention weights
def plot_attention(attention, sentence, predicted_sentence):
  fig = plt.figure(figsize=(10,10))
  ax = fig.add_subplot(1, 1, 1)
  ax.matshow(attention, cmap='viridis')

  fontdict = {'fontsize': 14}

  ax.set_xticklabels([''] + sentence, fontdict=fontdict, rotation=90)
  ax.set_yticklabels([''] + predicted_sentence, fontdict=fontdict)

  ax.xaxis.set_major_locator(ticker.MultipleLocator(1))
  ax.yaxis.set_major_locator(ticker.MultipleLocator(1))

  plt.show()
def translate(sentence):
  result, sentence, attention_plot = evaluate(sentence)

  print('Input: %s' % (sentence))
  print('Predicted translation: {}'.format(result))

  attention_plot = attention_plot[:len(result.split(' ')), :len(sentence.split(' '))]
  plot_attention(attention_plot, sentence.split(' '), result.split(' '))

Restaurar el último punto de control y prueba

# restoring the latest checkpoint in checkpoint_dir
checkpoint.restore(tf.train.latest_checkpoint(checkpoint_dir))
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f3f4a04af60>
translate(u'hace mucho frio aqui.')
Input: <start> hace mucho frio aqui . <end>
Predicted translation: it s very cold here . <end> 

png

translate(u'esta es mi vida.')
Input: <start> esta es mi vida . <end>
Predicted translation: this is my life . <end> 

png

translate(u'¿todavia estan en casa?')
Input: <start> ¿ todavia estan en casa ? <end>
Predicted translation: are you still at home ? <end> 

png

# wrong translation
translate(u'trata de averiguarlo.')
Input: <start> trata de averiguarlo . <end>
Predicted translation: try to figure it out . <end> 

png

Próximos pasos

  • Descargue un conjunto de datos diferente para experimentar con traducciones, por ejemplo, del inglés al alemán o del inglés al francés.
  • Experimente con el entrenamiento en un conjunto de datos más grande o use más épocas