Esta página foi traduzida pela API Cloud Translation.
Switch to English

Tradução automática neural com atenção

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:

trama de atenção espanhol-inglês

 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:

  1. Adicione um token de início e fim a cada frase.
  2. Limpe as frases removendo caracteres especiais.
  3. Crie um índice de palavras e inverta o índice de palavras (dicionários mapeados de word → id e id → word).
  4. 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 .

mecanismo de atenção

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:

equação de atenção 0equação de atenção 1

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_length é 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

  1. Passe a entrada pelo codificador, que retorna a saída do codificador e o estado oculto do codificador .
  2. 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.
  3. O decodificador retorna as previsões e o estado oculto do decodificador .
  4. O estado oculto do decodificador é então passado de volta ao modelo e as previsões são usadas para calcular a perda.
  5. Use a força do professor para decidir a próxima entrada para o decodificador.
  6. Forçar professor é a técnica em que a palavra alvo é passada como a próxima entrada para o decodificador.
  7. 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> 

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 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