 Ver em TensorFlow.org |  Executar no Google Colab |  Ver fonte no GitHub |  Download do caderno |
Este notebook treina um modelo de sequência a sequência (seq2seq) para tradução do espanhol para o inglês. Este é um exemplo avançado que pressupõe algum conhecimento de modelos de sequência para sequência.
Depois de treinar o modelo neste caderno, você poderá inserir uma frase em espanhol, como "¿todavia estan en casa?" e retorne a tradução em inglês: "você ainda está em casa?"
A qualidade da tradução é razoável para um exemplo de brinquedo, mas o gráfico de atenção gerado é talvez mais interessante. Isso mostra quais partes da sentença de entrada têm a atenção do modelo durante a tradução:
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
Faça o download e prepare o conjunto de dados
Usaremos um conjunto de dados de idiomas fornecido por http://www.manythings.org/anki/ Este conjunto de dados contém pares de tradução de idiomas no formato:
May I borrow this book? ¿Puedo tomar prestado este libro?
Existem vários idiomas disponíveis, mas usaremos o conjunto de dados inglês-espanhol. Por conveniência, hospedamos uma cópia desse conjunto de dados no Google Cloud, mas você também pode fazer o download da sua própria cópia. Depois de baixar o conjunto de dados, eis as etapas a seguir para preparar os dados:
- Adicione um token de início e fim a cada frase.
- Limpe as frases removendo caracteres especiais.
- Crie um índice de palavras e inverta o índice de palavras (dicionários mapeados de word → id e id → word).
- Coloque cada frase no máximo.
# 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 o tamanho do conjunto de dados para experimentar mais rapidamente (opcional)
O treinamento no conjunto de dados completo de> 100.000 frases levará muito tempo. Para treinar mais rápido, podemos limitar o tamanho do conjunto de dados a 30.000 frases (é claro, a qualidade da tradução diminui com menos dados):
# 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>
Crie um conjunto de dados 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]))
Escreva o modelo do codificador e decodificador
Implemente um modelo de codificador-decodificador com atenção, sobre o qual você pode ler no tutorial de Tradução Automática Neural TensorFlow (seq2seq) . Este exemplo usa um conjunto mais recente de APIs. Este caderno implementa as equações de atenção do tutorial seq2seq. O diagrama a seguir mostra que a cada palavra de entrada é atribuído um peso pelo mecanismo de atenção, que é então usado pelo decodificador para prever a próxima palavra na frase. A figura e as fórmulas abaixo são um exemplo de mecanismo de atenção do artigo de Luong .
A entrada é inserida em um modelo de codificador que fornece a saída da forma do codificador (tamanho do lote, comprimento_máximo, tamanho oculto) e o estado da forma oculta do codificador (tamanho do lote, tamanho oculto) .
Aqui estão as equações que são implementadas:
Este tutorial usa a atenção de Bahdanau para o codificador. Vamos decidir sobre a notação antes de escrever o formulário simplificado:
- FC = Camada (densa) totalmente conectada
- EO = Saída do codificador
- H = estado oculto
- X = entrada para o decodificador
E o pseudo-código:
-
score = FC(tanh(FC(EO) + FC(H))) -
attention weights = softmax(score, axis = 1). O Softmax por padrão é aplicado no último eixo, mas aqui queremos aplicá-lo no 1º eixo , pois a forma da pontuação é (batch_size, max_length, hidden_size) .Max_lengthé o comprimento da nossa entrada. Como estamos tentando atribuir um peso a cada entrada, o softmax deve ser aplicado nesse eixo. -
context vector = sum(attention weights * EO, axis = 1). O mesmo motivo acima para escolher o eixo como 1. -
embedding output= A entrada para o decodificador X é passada através de uma camada de incorporação. -
merged vector = concat(embedding output, context vector) - Esse vetor mesclado é então dado ao GRU
As formas de todos os vetores em cada etapa foram especificadas nos comentários no 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)
Defina o otimizador e a função de perda
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_)
Pontos de verificação (economia baseada em objeto)
checkpoint_dir = './training_checkpoints'
checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt")
checkpoint = tf.train.Checkpoint(optimizer=optimizer,
encoder=encoder,
decoder=decoder)
Treinamento
- Passe a entrada pelo codificador, que retorna a saída do codificador e o estado oculto do codificador .
- A saída do codificador, o estado oculto do codificador e a entrada do decodificador (que é o token de início ) são passados para o decodificador.
- O decodificador retorna as previsões e o estado oculto do decodificador .
- O estado oculto do decodificador é então passado de volta ao modelo e as previsões são usadas para calcular a perda.
- Use a força do professor para decidir a próxima entrada para o decodificador.
- Forçar professor é a técnica em que a palavra alvo é passada como a próxima entrada para o decodificador.
- A etapa final é calcular os gradientes e aplicá-lo ao otimizador e ao retropropagado.
@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
Traduzir
- A função de avaliação é semelhante ao loop de treinamento, exceto que não usamos a força do professor aqui. A entrada para o decodificador em cada etapa do tempo é suas previsões anteriores, juntamente com o estado oculto e a saída do codificador.
- Pare de prever quando o modelo prevê o token final .
- E armazene os pesos de atenção para cada etapa do tempo .
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(' '))
Restaure o último ponto de verificação e teste
# 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>
translate(u'esta es mi vida.')
Input: <start> esta es mi vida . <end> Predicted translation: this is my life . <end>
translate(u'¿todavia estan en casa?')
Input: <start> ¿ todavia estan en casa ? <end> Predicted translation: are you still at home ? <end>
# wrong translation
translate(u'trata de averiguarlo.')
Input: <start> trata de averiguarlo . <end> Predicted translation: try to figure it out . <end>
Próximos passos
- Baixe um conjunto de dados diferente para experimentar traduções, por exemplo, inglês para alemão ou inglês para francês.
- Experimente o treinamento em um conjunto de dados maior ou use mais épocas