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

Traducción automática neuronal con atención

Ver en TensorFlow.org Ejecutar en Google Colab Ver código fuente en GitHub Descargar cuaderno

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

Después de entrenar al modelo en este cuaderno, podrá ingresar una oración en español, como "¿todavia estan en casa?" y devuelve la traducción al inglés: "¿sigues 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 tienen la atención del modelo al traducir:

trama 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
 

Descargue y prepare el conjunto de datos

Utilizaremos 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 utilizaremos 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 tomaremos para preparar los datos:

  1. Agregue un token de inicio y fin a cada oración.
  2. Limpia las oraciones eliminando caracteres especiales.
  3. Cree un índice de palabras y un índice de palabras inverso (asignación de diccionarios de word → id e id → word).
  4. Rellene 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>
4 ----> tom
42 ----> tiene
2344 ----> tos
3 ----> .
2 ----> <end>

Target Language; index to word mapping
1 ----> <start>
5 ----> tom
51 ----> has
9 ----> a
1554 ----> cough
3 ----> .
2 ----> <end>

Crear 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]))

Escribir el modelo de codificador y decodificador

Implemente un modelo de codificador-decodificador con atención sobre el que puede leer en el tutorial de TensorFlow Neural Machine Translation (seq2seq) . Este ejemplo utiliza 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 utiliza el decodificador para predecir la siguiente palabra en la oración. La imagen y las fórmulas a continuación son un ejemplo de 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 (tamaño_del_ lote, longitud_máxima, tamaño_conocido) y el estado oculto de forma del codificador (tamaño_del_tato, tamaño_conocido) .

Aquí están 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 el formulario simplificado:

  • 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 de forma predeterminada 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. Como estamos tratando de asignar un peso a cada entrada, softmax debe aplicarse en ese eje.
  • context vector = sum(attention weights * EO, axis = 1) . La misma razón que la anterior para elegir el eje como 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 se entrega a la GRU

Las formas de todos los vectores en cada paso se han especificado en los comentarios en el 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 (guardado 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. Use el forzamiento del maestro para decidir la próxima entrada al decodificador.
  6. El forzamiento del maestro es la técnica en la que se pasa la palabra objetivo como la siguiente entrada al decodificador.
  7. El paso final es calcular los gradientes y aplicarlos al optimizador y la propagación inversa.
 @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 4.4937
Epoch 1 Batch 100 Loss 2.3472
Epoch 1 Batch 200 Loss 1.9153
Epoch 1 Batch 300 Loss 1.8042
Epoch 1 Loss 2.0265
Time taken for 1 epoch 27.345187664031982 sec

Epoch 2 Batch 0 Loss 1.5260
Epoch 2 Batch 100 Loss 1.5228
Epoch 2 Batch 200 Loss 1.3840
Epoch 2 Batch 300 Loss 1.3131
Epoch 2 Loss 1.3900
Time taken for 1 epoch 15.777411222457886 sec

Epoch 3 Batch 0 Loss 1.0458
Epoch 3 Batch 100 Loss 0.9216
Epoch 3 Batch 200 Loss 0.9254
Epoch 3 Batch 300 Loss 0.9041
Epoch 3 Loss 0.9699
Time taken for 1 epoch 15.391497373580933 sec

Epoch 4 Batch 0 Loss 0.7582
Epoch 4 Batch 100 Loss 0.7201
Epoch 4 Batch 200 Loss 0.6765
Epoch 4 Batch 300 Loss 0.6696
Epoch 4 Loss 0.6555
Time taken for 1 epoch 15.782341480255127 sec

Epoch 5 Batch 0 Loss 0.3534
Epoch 5 Batch 100 Loss 0.4191
Epoch 5 Batch 200 Loss 0.5322
Epoch 5 Batch 300 Loss 0.4767
Epoch 5 Loss 0.4494
Time taken for 1 epoch 15.508086204528809 sec

Epoch 6 Batch 0 Loss 0.2508
Epoch 6 Batch 100 Loss 0.3366
Epoch 6 Batch 200 Loss 0.2935
Epoch 6 Batch 300 Loss 0.3432
Epoch 6 Loss 0.3137
Time taken for 1 epoch 15.811218738555908 sec

Epoch 7 Batch 0 Loss 0.1759
Epoch 7 Batch 100 Loss 0.1997
Epoch 7 Batch 200 Loss 0.2879
Epoch 7 Batch 300 Loss 0.2643
Epoch 7 Loss 0.2257
Time taken for 1 epoch 15.454826831817627 sec

Epoch 8 Batch 0 Loss 0.1318
Epoch 8 Batch 100 Loss 0.1151
Epoch 8 Batch 200 Loss 0.2130
Epoch 8 Batch 300 Loss 0.1852
Epoch 8 Loss 0.1712
Time taken for 1 epoch 15.786991596221924 sec

Epoch 9 Batch 0 Loss 0.0876
Epoch 9 Batch 100 Loss 0.1227
Epoch 9 Batch 200 Loss 0.1361
Epoch 9 Batch 300 Loss 0.1682
Epoch 9 Loss 0.1328
Time taken for 1 epoch 15.443743467330933 sec

Epoch 10 Batch 0 Loss 0.1048
Epoch 10 Batch 100 Loss 0.0736
Epoch 10 Batch 200 Loss 0.1056
Epoch 10 Batch 300 Loss 0.1204
Epoch 10 Loss 0.1074
Time taken for 1 epoch 15.615742683410645 sec


Traducir

  • La función de evaluación es similar al ciclo de entrenamiento, excepto que no usamos el forzamiento de maestros aquí. 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 cuando 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 0x7ff366a4bcc0>
 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, inglés al alemán o inglés al francés.
  • Experimente con entrenamiento en un conjunto de datos más grande, o usando más épocas