RSVP per il tuo evento TensorFlow Everywhere locale oggi!
Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

Traduzione automatica neurale con attenzione

Visualizza su TensorFlow.org Visualizza sorgente su GitHub Scarica taccuino

Questo notebook addestra un modello da sequenza a sequenza (seq2seq) per la traduzione dallo spagnolo all'inglese. Questo è un esempio avanzato che presuppone una certa conoscenza dei modelli da sequenza a sequenza.

Dopo aver addestrato il modello in questo taccuino, sarai in grado di inserire una frase in spagnolo, come "¿todavia estan en casa?" , e restituisci la traduzione inglese: "sei ancora a casa?"

La qualità della traduzione è ragionevole per un esempio di giocattolo, ma la trama dell'attenzione generata è forse più interessante. Questo mostra quali parti della frase di input hanno l'attenzione del modello durante la traduzione:

trama dell'attenzione spagnolo-inglese

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

Scarica e prepara il set di dati

Useremo un set di dati sulla lingua fornito da http://www.manythings.org/anki/ Questo set di dati contiene coppie di traduzioni linguistiche nel formato:

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

Sono disponibili diverse lingue, ma useremo il set di dati inglese-spagnolo. Per comodità, abbiamo ospitato una copia di questo set di dati su Google Cloud, ma puoi anche scaricare la tua copia. Dopo aver scaricato il set di dati, ecco i passaggi che eseguiremo per preparare i dati:

  1. Aggiungi un segno di inizio e di fine a ogni frase.
  2. Pulisci le frasi rimuovendo i caratteri speciali.
  3. Crea un indice di parole e inverti l'indice di parole (mappatura dei dizionari da parola → id e id → parola).
  4. Riempi ogni frase fino alla lunghezza massima.
# 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

Limita la dimensione del set di dati per sperimentare più velocemente (facoltativo)

La formazione sul set di dati completo di> 100.000 frasi richiederà molto tempo. Per addestrarci più velocemente, possiamo limitare la dimensione del set di dati a 30.000 frasi (ovviamente, la qualità della traduzione peggiora con meno dati):

# 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 set di dati 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]))

Scrivi il modello di codificatore e decodificatore

Implementa un modello di codificatore-decodificatore con attenzione di cui puoi leggere nel tutorial TensorFlow Neural Machine Translation (seq2seq) . Questo esempio utilizza un set più recente di API. Questo taccuino implementa le equazioni dell'attenzione dal tutorial seq2seq. Il diagramma seguente mostra che a ciascuna parola in ingresso viene assegnato un peso dal meccanismo di attenzione che viene quindi utilizzato dal decodificatore per prevedere la parola successiva nella frase. L'immagine e le formule sottostanti sono un esempio di meccanismo di attenzione tratto dal documento di Luong .

meccanismo di attenzione

L'input viene inserito attraverso un modello di encoder che ci fornisce l'output dell'encoder di shape (batch_size, max_length, hidden_size) e lo stato di forma nascosto dell'encoder (batch_size, hidden_size) .

Ecco le equazioni implementate:

equazione dell'attenzione 0equazione dell'attenzione 1

Questo tutorial utilizza l'attenzione di Bahdanau per il codificatore. Decidiamo sulla notazione prima di scrivere la forma semplificata:

  • FC = strato completamente connesso (denso)
  • EO = Uscita encoder
  • H = stato nascosto
  • X = ingresso al decoder

E lo pseudo-codice:

  • score = FC(tanh(FC(EO) + FC(H)))
  • attention weights = softmax(score, axis = 1) . Softmax per impostazione predefinita viene applicato sull'ultimo asse ma qui vogliamo applicarlo sul 1 ° asse , poiché la forma del punteggio è (batch_size, max_length, hidden_size) . Max_length è la lunghezza del nostro input. Dato che stiamo cercando di assegnare un peso a ogni input, softmax dovrebbe essere applicato su quell'asse.
  • context vector = sum(attention weights * EO, axis = 1) . Stesso motivo di cui sopra per la scelta dell'asse come 1.
  • embedding output = L'input al decodificatore X viene passato attraverso uno strato di embedding.
  • merged vector = concat(embedding output, context vector)
  • Questo vettore unito viene quindi dato al GRU

Le forme di tutti i vettori ad ogni passaggio sono state specificate nei commenti nel codice:

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)

Definisci l'ottimizzatore e la funzione di perdita

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_)

Checkpoint (salvataggio basato su oggetti)

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

Formazione

  1. Passa l' ingresso attraverso l' encoder che restituisce l' uscita dell'encoder e lo stato nascosto dell'encoder .
  2. L'uscita dell'encoder, lo stato nascosto dell'encoder e l'ingresso del decoder (che è il token di inizio ) vengono passati al decoder.
  3. Il decodificatore restituisce le previsioni e lo stato nascosto del decodificatore .
  4. Lo stato nascosto del decodificatore viene quindi ritrasmesso nel modello e le previsioni vengono utilizzate per calcolare la perdita.
  5. Usa la forza dell'insegnante per decidere il prossimo ingresso al decoder.
  6. La forzatura dell'insegnante è la tecnica in cui la parola di destinazione viene passata come input successivo al decodificatore.
  7. Il passaggio finale consiste nel calcolare i gradienti e applicarli all'ottimizzatore e al backpropagate.
@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


Tradurre

  • La funzione di valutazione è simile al ciclo di addestramento, tranne per il fatto che qui non viene utilizzata la forzatura dell'insegnante . L'input al decodificatore in ogni fase temporale sono le sue previsioni precedenti insieme allo stato nascosto e all'uscita del codificatore.
  • Smetti di prevedere quando il modello prevede il token di fine .
  • E memorizza i pesi dell'attenzione per ogni fase temporale .
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(' '))

Ripristina l'ultimo checkpoint e prova

# 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

Prossimi passi

  • Scarica un set di dati diverso per sperimentare le traduzioni, ad esempio, dall'inglese al tedesco o dall'inglese al francese.
  • Sperimenta con l'addestramento su un set di dati più ampio o utilizzando più epoche