Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Transformatorowy model rozumienia języka

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub Pobierz notatnik

Ten samouczek uczy modelu Transformera, jak tłumaczyć portugalski na angielski. To zaawansowany przykład, który zakłada znajomość generowania tekstu i uwagi .

Podstawową ideą modelu Transformer jest samouwielbienie - umiejętność zajmowania się różnymi pozycjami sekwencji wejściowej w celu obliczenia reprezentacji tej sekwencji. Transformator tworzy stosy warstw samokontroli, co zostało wyjaśnione poniżej w rozdziałach Uwaga na skalowany produkt skalowany i Uwaga wielogłowicowa .

Model transformatora obsługuje dane wejściowe o zmiennej wielkości przy użyciu stosów warstw samouwagi zamiast RNN lub CNN . Ta ogólna architektura ma wiele zalet:

  • Nie przyjmuje żadnych założeń dotyczących czasowych / przestrzennych relacji w danych. Jest to idealne rozwiązanie do przetwarzania zestawu obiektów (na przykład jednostek StarCraft ).
  • Wyniki warstw mogą być obliczane równolegle, zamiast szeregowo, jak RNN.
  • Odległe elementy mogą wpływać na siebie nawzajem bez przechodzenia przez wiele kroków RNN lub warstw splotu (patrz na przykład Transformator Pamięci Sceny ).
  • Może nauczyć się zależności dalekosiężnych. Jest to wyzwanie w przypadku wielu zadań sekwencyjnych.

Wady tej architektury to:

  • W przypadku szeregów czasowych dane wyjściowe dla kroku czasowego są obliczane na podstawie całej historii, a nie tylko wejść i bieżącego stanu ukrytego. Może to być mniej wydajne.
  • Jeżeli wejście ma czasowy / relacje przestrzenne, jak tekst, niektóre pozycyjny kodowania należy dodać lub model będzie skutecznie zobaczyć torbę słów.

Po przeszkoleniu modelu w tym notatniku będziesz mógł wprowadzić portugalskie zdanie i zwrócić angielskie tłumaczenie.

Uwaga mapa cieplna

# Pin matplotlib version to 3.2.2 since in the latest version
# transformer.ipynb fails with the following error:
# https://stackoverflow.com/questions/62953704/valueerror-the-number-of-fixedlocator-locations-5-usually-from-a-call-to-set
pip install -q matplotlib==3.2.2
import tensorflow_datasets as tfds
import tensorflow as tf

import time
import numpy as np
import matplotlib.pyplot as plt

Skonfiguruj potok wejściowy

Użyj TFDS, aby załadować zbiór danych tłumaczeniowych na język portugalski i angielski z projektu TED Talks Open Translation Project .

Ten zestaw danych zawiera około 50000 przykładów szkoleniowych, 1100 przykładów walidacji i 2000 przykładów testowych.

examples, metadata = tfds.load('ted_hrlr_translate/pt_to_en', with_info=True,
                               as_supervised=True)
train_examples, val_examples = examples['train'], examples['validation']
Downloading and preparing dataset 124.94 MiB (download: 124.94 MiB, generated: Unknown size, total: 124.94 MiB) to /home/kbuilder/tensorflow_datasets/ted_hrlr_translate/pt_to_en/1.0.0...
Dataset ted_hrlr_translate downloaded and prepared to /home/kbuilder/tensorflow_datasets/ted_hrlr_translate/pt_to_en/1.0.0. Subsequent calls will reuse this data.

Utwórz niestandardowy tokenizer subwords z zestawu danych szkoleniowych.

tokenizer_en = tfds.deprecated.text.SubwordTextEncoder.build_from_corpus(
    (en.numpy() for pt, en in train_examples), target_vocab_size=2**13)

tokenizer_pt = tfds.deprecated.text.SubwordTextEncoder.build_from_corpus(
    (pt.numpy() for pt, en in train_examples), target_vocab_size=2**13)
sample_string = 'Transformer is awesome.'

tokenized_string = tokenizer_en.encode(sample_string)
print ('Tokenized string is {}'.format(tokenized_string))

original_string = tokenizer_en.decode(tokenized_string)
print ('The original string: {}'.format(original_string))

assert original_string == sample_string
Tokenized string is [7915, 1248, 7946, 7194, 13, 2799, 7877]
The original string: Transformer is awesome.

Tokenizer koduje ciąg, dzieląc go na hasła podrzędne, jeśli słowa nie ma w słowniku.

for ts in tokenized_string:
  print ('{} ----> {}'.format(ts, tokenizer_en.decode([ts])))
7915 ----> T
1248 ----> ran
7946 ----> s
7194 ----> former 
13 ----> is 
2799 ----> awesome
7877 ----> .

BUFFER_SIZE = 20000
BATCH_SIZE = 64

Dodaj token początkowy i końcowy do danych wejściowych i celu.

def encode(lang1, lang2):
  lang1 = [tokenizer_pt.vocab_size] + tokenizer_pt.encode(
      lang1.numpy()) + [tokenizer_pt.vocab_size+1]

  lang2 = [tokenizer_en.vocab_size] + tokenizer_en.encode(
      lang2.numpy()) + [tokenizer_en.vocab_size+1]

  return lang1, lang2

Chcesz użyć Dataset.map aby zastosować tę funkcję do każdego elementu zestawu danych. Dataset.map działa w trybie wykresu.

  • Tensory wykresów nie mają wartości.
  • W trybie wykresu można używać tylko operacji i funkcji TensorFlow.

Nie można więc .map tej funkcji bezpośrednio: Trzeba owinąć go w tf.py_function . Funkcja tf.py_function przekaże zwykłe tensory (z wartością i .numpy() umożliwiającą dostęp do niej) do opakowanej funkcji Pythona.

def tf_encode(pt, en):
  result_pt, result_en = tf.py_function(encode, [pt, en], [tf.int64, tf.int64])
  result_pt.set_shape([None])
  result_en.set_shape([None])

  return result_pt, result_en
MAX_LENGTH = 40
def filter_max_length(x, y, max_length=MAX_LENGTH):
  return tf.logical_and(tf.size(x) <= max_length,
                        tf.size(y) <= max_length)
train_dataset = train_examples.map(tf_encode)
train_dataset = train_dataset.filter(filter_max_length)
# cache the dataset to memory to get a speedup while reading from it.
train_dataset = train_dataset.cache()
train_dataset = train_dataset.shuffle(BUFFER_SIZE).padded_batch(BATCH_SIZE)
train_dataset = train_dataset.prefetch(tf.data.AUTOTUNE)


val_dataset = val_examples.map(tf_encode)
val_dataset = val_dataset.filter(filter_max_length).padded_batch(BATCH_SIZE)
pt_batch, en_batch = next(iter(val_dataset))
pt_batch, en_batch
(<tf.Tensor: shape=(64, 38), dtype=int64, numpy=
 array([[8214,  342, 3032, ...,    0,    0,    0],
        [8214,   95,  198, ...,    0,    0,    0],
        [8214, 4479, 7990, ...,    0,    0,    0],
        ...,
        [8214,  584,   12, ...,    0,    0,    0],
        [8214,   59, 1548, ...,    0,    0,    0],
        [8214,  118,   34, ...,    0,    0,    0]])>,
 <tf.Tensor: shape=(64, 40), dtype=int64, numpy=
 array([[8087,   98,   25, ...,    0,    0,    0],
        [8087,   12,   20, ...,    0,    0,    0],
        [8087,   12, 5453, ...,    0,    0,    0],
        ...,
        [8087,   18, 2059, ...,    0,    0,    0],
        [8087,   16, 1436, ...,    0,    0,    0],
        [8087,   15,   57, ...,    0,    0,    0]])>)

Kodowanie pozycyjne

Ponieważ ten model nie zawiera żadnej rekurencji ani splotu, dodaje się kodowanie pozycyjne, aby dać modelowi pewne informacje o względnym położeniu słów w zdaniu.

Wektor kodowania pozycyjnego jest dodawany do wektora osadzającego. Osadzenia reprezentują żeton w przestrzeni wymiarowej D, w której żetony o podobnym znaczeniu będą bliżej siebie. Ale osadzenia nie kodują względnej pozycji słów w zdaniu. Tak więc po dodaniu kodowania pozycyjnego słowa będą bliżej siebie na podstawie podobieństwa ich znaczenia i pozycji w zdaniu , w przestrzeni d-wymiarowej.

Zobacz notatnik na temat kodowania pozycyjnego, aby dowiedzieć się więcej na ten temat. Wzór na obliczenie kodowania pozycyjnego jest następujący:

$$\Large{PE_{(pos, 2i)} = sin(pos / 10000^{2i / d_{model} })} $$
$$\Large{PE_{(pos, 2i+1)} = cos(pos / 10000^{2i / d_{model} })} $$
def get_angles(pos, i, d_model):
  angle_rates = 1 / np.power(10000, (2 * (i//2)) / np.float32(d_model))
  return pos * angle_rates
def positional_encoding(position, d_model):
  angle_rads = get_angles(np.arange(position)[:, np.newaxis],
                          np.arange(d_model)[np.newaxis, :],
                          d_model)

  # apply sin to even indices in the array; 2i
  angle_rads[:, 0::2] = np.sin(angle_rads[:, 0::2])

  # apply cos to odd indices in the array; 2i+1
  angle_rads[:, 1::2] = np.cos(angle_rads[:, 1::2])

  pos_encoding = angle_rads[np.newaxis, ...]

  return tf.cast(pos_encoding, dtype=tf.float32)
pos_encoding = positional_encoding(50, 512)
print (pos_encoding.shape)

plt.pcolormesh(pos_encoding[0], cmap='RdBu')
plt.xlabel('Depth')
plt.xlim((0, 512))
plt.ylabel('Position')
plt.colorbar()
plt.show()
(1, 50, 512)

png

Maskowanie

Zamaskuj wszystkie żetony padów w partii sekwencji. Zapewnia, że ​​model nie traktuje wypełnienia jako danych wejściowych. Maska wskazuje, gdzie obecna jest wartość padu 0 : wyprowadza 1 w tych lokalizacjach i 0 przeciwnym razie.

def create_padding_mask(seq):
  seq = tf.cast(tf.math.equal(seq, 0), tf.float32)

  # add extra dimensions to add the padding
  # to the attention logits.
  return seq[:, tf.newaxis, tf.newaxis, :]  # (batch_size, 1, 1, seq_len)
x = tf.constant([[7, 6, 0, 0, 1], [1, 2, 3, 0, 0], [0, 0, 0, 4, 5]])
create_padding_mask(x)
<tf.Tensor: shape=(3, 1, 1, 5), dtype=float32, numpy=
array([[[[0., 0., 1., 1., 0.]]],


       [[[0., 0., 0., 1., 1.]]],


       [[[1., 1., 1., 0., 0.]]]], dtype=float32)>

Maska przewidująca służy do maskowania przyszłych tokenów w sekwencji. Innymi słowy, maska ​​wskazuje, których wpisów nie należy używać.

Oznacza to, że do przewidzenia trzeciego słowa zostaną użyte tylko pierwsze i drugie słowo. Podobnie do przewidywania czwartego słowa, zostaną użyte tylko pierwsze, drugie i trzecie słowo i tak dalej.

def create_look_ahead_mask(size):
  mask = 1 - tf.linalg.band_part(tf.ones((size, size)), -1, 0)
  return mask  # (seq_len, seq_len)
x = tf.random.uniform((1, 3))
temp = create_look_ahead_mask(x.shape[1])
temp
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[0., 1., 1.],
       [0., 0., 1.],
       [0., 0., 0.]], dtype=float32)>

Uwaga na skalowany produkt punktowy

scaled_dot_product_attention

Funkcja uwagi używana przez transformator pobiera trzy wejścia: Q (zapytanie), K (klawisz), V (wartość). Równanie użyte do obliczenia wag uwagi to:

$$\Large{Attention(Q, K, V) = softmax_k(\frac{QK^T}{\sqrt{d_k} }) V} $$

Uwaga na iloczyn skalarny jest skalowana przez współczynnik pierwiastka kwadratowego z głębokości. Dzieje się tak, ponieważ przy dużych wartościach głębokości iloczyn skalarny rośnie, popychając funkcję softmax, gdzie ma małe gradienty, co daje bardzo twardy softmax.

Na przykład, weźmy pod uwagę, że Q i K mają średnią równą 0 i wariancję równą 1. Ich mnożenie macierzy będzie miało średnią 0 i wariancję dk . W związku z tym pierwiastek kwadratowy z dk jest używany do skalowania (a nie żadnej innej liczby), ponieważ matmul z Q i K powinien mieć średnią 0 i wariancję 1, a otrzymasz łagodniejszy softmax.

Maska jest mnożona przez -1e9 (blisko ujemnej nieskończoności). Dzieje się tak, ponieważ maska ​​jest sumowana ze skalowanym mnożeniem macierzy Q i K i jest stosowana bezpośrednio przed wartością softmax. Celem jest wyzerowanie tych komórek, a duże ujemne dane wejściowe do softmax są bliskie zeru na wyjściu.

def scaled_dot_product_attention(q, k, v, mask):
  """Calculate the attention weights.
  q, k, v must have matching leading dimensions.
  k, v must have matching penultimate dimension, i.e.: seq_len_k = seq_len_v.
  The mask has different shapes depending on its type(padding or look ahead) 
  but it must be broadcastable for addition.

  Args:
    q: query shape == (..., seq_len_q, depth)
    k: key shape == (..., seq_len_k, depth)
    v: value shape == (..., seq_len_v, depth_v)
    mask: Float tensor with shape broadcastable 
          to (..., seq_len_q, seq_len_k). Defaults to None.

  Returns:
    output, attention_weights
  """

  matmul_qk = tf.matmul(q, k, transpose_b=True)  # (..., seq_len_q, seq_len_k)

  # scale matmul_qk
  dk = tf.cast(tf.shape(k)[-1], tf.float32)
  scaled_attention_logits = matmul_qk / tf.math.sqrt(dk)

  # add the mask to the scaled tensor.
  if mask is not None:
    scaled_attention_logits += (mask * -1e9)  

  # softmax is normalized on the last axis (seq_len_k) so that the scores
  # add up to 1.
  attention_weights = tf.nn.softmax(scaled_attention_logits, axis=-1)  # (..., seq_len_q, seq_len_k)

  output = tf.matmul(attention_weights, v)  # (..., seq_len_q, depth_v)

  return output, attention_weights

Ponieważ normalizacja softmax jest wykonywana na K, jej wartości decydują o znaczeniu nadanym Q.

Wynik przedstawia mnożenie wag uwagi i wektora V (wartości). Gwarantuje to, że słowa, na których chcesz się skupić, pozostają takie, jakie są, a nieistotne słowa zostaną usunięte.

def print_out(q, k, v):
  temp_out, temp_attn = scaled_dot_product_attention(
      q, k, v, None)
  print ('Attention weights are:')
  print (temp_attn)
  print ('Output is:')
  print (temp_out)
np.set_printoptions(suppress=True)

temp_k = tf.constant([[10,0,0],
                      [0,10,0],
                      [0,0,10],
                      [0,0,10]], dtype=tf.float32)  # (4, 3)

temp_v = tf.constant([[   1,0],
                      [  10,0],
                      [ 100,5],
                      [1000,6]], dtype=tf.float32)  # (4, 2)

# This `query` aligns with the second `key`,
# so the second `value` is returned.
temp_q = tf.constant([[0, 10, 0]], dtype=tf.float32)  # (1, 3)
print_out(temp_q, temp_k, temp_v)
Attention weights are:
tf.Tensor([[0. 1. 0. 0.]], shape=(1, 4), dtype=float32)
Output is:
tf.Tensor([[10.  0.]], shape=(1, 2), dtype=float32)

# This query aligns with a repeated key (third and fourth), 
# so all associated values get averaged.
temp_q = tf.constant([[0, 0, 10]], dtype=tf.float32)  # (1, 3)
print_out(temp_q, temp_k, temp_v)
Attention weights are:
tf.Tensor([[0.  0.  0.5 0.5]], shape=(1, 4), dtype=float32)
Output is:
tf.Tensor([[550.    5.5]], shape=(1, 2), dtype=float32)

# This query aligns equally with the first and second key, 
# so their values get averaged.
temp_q = tf.constant([[10, 10, 0]], dtype=tf.float32)  # (1, 3)
print_out(temp_q, temp_k, temp_v)
Attention weights are:
tf.Tensor([[0.5 0.5 0.  0. ]], shape=(1, 4), dtype=float32)
Output is:
tf.Tensor([[5.5 0. ]], shape=(1, 2), dtype=float32)

Przekaż wszystkie zapytania razem.

temp_q = tf.constant([[0, 0, 10], [0, 10, 0], [10, 10, 0]], dtype=tf.float32)  # (3, 3)
print_out(temp_q, temp_k, temp_v)
Attention weights are:
tf.Tensor(
[[0.  0.  0.5 0.5]
 [0.  1.  0.  0. ]
 [0.5 0.5 0.  0. ]], shape=(3, 4), dtype=float32)
Output is:
tf.Tensor(
[[550.    5.5]
 [ 10.    0. ]
 [  5.5   0. ]], shape=(3, 2), dtype=float32)

Uwaga wielogłowicowa

uwaga wielogłowicowa

Uwaga wielogłowicowa składa się z czterech części:

  • Warstwy liniowe i podzielone na głowy.
  • Skalowana uwaga na produkt skalowany.
  • Łączenie głów.
  • Ostateczna warstwa liniowa.

Każdy wielogłowicowy blok uwagi otrzymuje trzy dane wejściowe; Q (zapytanie), K (klucz), V (wartość). Są one przenoszone przez liniowe (gęste) warstwy i dzielone na wiele głów.

Zdefiniowana powyżej scaled_dot_product_attention jest stosowana do każdej głowicy (rozgłaszana w celu zwiększenia wydajności). Na etapie uwagi należy użyć odpowiedniej maski. Wynik uwagi dla każdej głowy jest następnie tf.transpose (za pomocą tf.transpose i tf.reshape ) i przepuszczany przez ostatnią Dense warstwę.

Zamiast jednej głowy uwagi, Q, K i V są podzielone na wiele głów, ponieważ pozwala modelowi wspólnie zajmować się informacjami w różnych pozycjach z różnych przestrzeni reprezentacyjnych. Po rozdzieleniu każda głowa ma zmniejszoną wymiarowość, więc całkowity koszt obliczeń jest taki sam, jak uwaga pojedynczej głowy z pełną wymiarowością.

class MultiHeadAttention(tf.keras.layers.Layer):
  def __init__(self, d_model, num_heads):
    super(MultiHeadAttention, self).__init__()
    self.num_heads = num_heads
    self.d_model = d_model

    assert d_model % self.num_heads == 0

    self.depth = d_model // self.num_heads

    self.wq = tf.keras.layers.Dense(d_model)
    self.wk = tf.keras.layers.Dense(d_model)
    self.wv = tf.keras.layers.Dense(d_model)

    self.dense = tf.keras.layers.Dense(d_model)

  def split_heads(self, x, batch_size):
    """Split the last dimension into (num_heads, depth).
    Transpose the result such that the shape is (batch_size, num_heads, seq_len, depth)
    """
    x = tf.reshape(x, (batch_size, -1, self.num_heads, self.depth))
    return tf.transpose(x, perm=[0, 2, 1, 3])

  def call(self, v, k, q, mask):
    batch_size = tf.shape(q)[0]

    q = self.wq(q)  # (batch_size, seq_len, d_model)
    k = self.wk(k)  # (batch_size, seq_len, d_model)
    v = self.wv(v)  # (batch_size, seq_len, d_model)

    q = self.split_heads(q, batch_size)  # (batch_size, num_heads, seq_len_q, depth)
    k = self.split_heads(k, batch_size)  # (batch_size, num_heads, seq_len_k, depth)
    v = self.split_heads(v, batch_size)  # (batch_size, num_heads, seq_len_v, depth)

    # scaled_attention.shape == (batch_size, num_heads, seq_len_q, depth)
    # attention_weights.shape == (batch_size, num_heads, seq_len_q, seq_len_k)
    scaled_attention, attention_weights = scaled_dot_product_attention(
        q, k, v, mask)

    scaled_attention = tf.transpose(scaled_attention, perm=[0, 2, 1, 3])  # (batch_size, seq_len_q, num_heads, depth)

    concat_attention = tf.reshape(scaled_attention, 
                                  (batch_size, -1, self.d_model))  # (batch_size, seq_len_q, d_model)

    output = self.dense(concat_attention)  # (batch_size, seq_len_q, d_model)

    return output, attention_weights

Utwórz warstwę MultiHeadAttention do wypróbowania. W każdej lokalizacji w sekwencji, y , MultiHeadAttention uruchamia wszystkie 8 głowic uwagi we wszystkich innych lokalizacjach w sekwencji, zwracając nowy wektor o tej samej długości w każdej lokalizacji.

temp_mha = MultiHeadAttention(d_model=512, num_heads=8)
y = tf.random.uniform((1, 60, 512))  # (batch_size, encoder_sequence, d_model)
out, attn = temp_mha(y, k=y, q=y, mask=None)
out.shape, attn.shape
(TensorShape([1, 60, 512]), TensorShape([1, 8, 60, 60]))

Sieć punktowo-zwrotna

Sieć ze sprzężeniem zwrotnym punktowym składa się z dwóch w pełni połączonych warstw z aktywacją ReLU pomiędzy nimi.

def point_wise_feed_forward_network(d_model, dff):
  return tf.keras.Sequential([
      tf.keras.layers.Dense(dff, activation='relu'),  # (batch_size, seq_len, dff)
      tf.keras.layers.Dense(d_model)  # (batch_size, seq_len, d_model)
  ])
sample_ffn = point_wise_feed_forward_network(512, 2048)
sample_ffn(tf.random.uniform((64, 50, 512))).shape
TensorShape([64, 50, 512])

Koder i dekoder

transformator

Model transformatora działa według tego samego ogólnego wzorca, co standardowa sekwencja z modelem uwagi .

  • Zdanie wejściowe przechodzi przez N warstw kodera, które generują dane wyjściowe dla każdego słowa / tokenu w sekwencji.
  • Dekoder kontroluje wyjście kodera i własne wejście (samokontrola), aby przewidzieć następne słowo.

Warstwa enkodera

Każda warstwa kodera składa się z podwarstw:

  1. Uwaga wielogłowicowa (z maską wypełniającą)
  2. Sieci do przodu i do przodu.

Każda z tych podwarstw ma połączenie szczątkowe wokół niej, po którym następuje normalizacja warstwy. Pozostałe połączenia pomagają uniknąć problemu znikającego gradientu w głębokich sieciach.

Dane wyjściowe każdej podwarstwy to LayerNorm(x + Sublayer(x)) . Normalizacja jest wykonywana na osi d_model (ostatniej). W transformatorze jest N warstw enkodera.

class EncoderLayer(tf.keras.layers.Layer):
  def __init__(self, d_model, num_heads, dff, rate=0.1):
    super(EncoderLayer, self).__init__()

    self.mha = MultiHeadAttention(d_model, num_heads)
    self.ffn = point_wise_feed_forward_network(d_model, dff)

    self.layernorm1 = tf.keras.layers.LayerNormalization(epsilon=1e-6)
    self.layernorm2 = tf.keras.layers.LayerNormalization(epsilon=1e-6)

    self.dropout1 = tf.keras.layers.Dropout(rate)
    self.dropout2 = tf.keras.layers.Dropout(rate)

  def call(self, x, training, mask):

    attn_output, _ = self.mha(x, x, x, mask)  # (batch_size, input_seq_len, d_model)
    attn_output = self.dropout1(attn_output, training=training)
    out1 = self.layernorm1(x + attn_output)  # (batch_size, input_seq_len, d_model)

    ffn_output = self.ffn(out1)  # (batch_size, input_seq_len, d_model)
    ffn_output = self.dropout2(ffn_output, training=training)
    out2 = self.layernorm2(out1 + ffn_output)  # (batch_size, input_seq_len, d_model)

    return out2
sample_encoder_layer = EncoderLayer(512, 8, 2048)

sample_encoder_layer_output = sample_encoder_layer(
    tf.random.uniform((64, 43, 512)), False, None)

sample_encoder_layer_output.shape  # (batch_size, input_seq_len, d_model)
TensorShape([64, 43, 512])

Warstwa dekodera

Każda warstwa dekodera składa się z podwarstw:

  1. Zamaskowana uwaga wielogłowicowa (z maską patrzenia w przód i maską wypełniającą)
  2. Uwaga wielogłowicowa (z maską wyściełaną). V (wartość) i K (klawisz) odbierają wyjście enkodera jako wejścia. Q (zapytanie) otrzymuje dane wyjściowe z zamaskowanej wielogłowicowej podwarstwy uwagi.
  3. Sieci do przodu i do przodu

Każda z tych podwarstw ma połączenie szczątkowe wokół niej, po którym następuje normalizacja warstwy. Dane wyjściowe każdej podwarstwy to LayerNorm(x + Sublayer(x)) . Normalizacja jest wykonywana na osi d_model (ostatniej).

W transformatorze jest N warstw dekodera.

Ponieważ Q odbiera sygnał wyjściowy z bloku pierwszej uwagi dekodera, a K odbiera sygnał wyjściowy kodera, wagi uwagi reprezentują wagę nadaną wejściu dekodera na podstawie wyjścia kodera. Innymi słowy, dekoder przewiduje następne słowo, patrząc na wyjście kodera i samoczynnie obsługując swoje własne wyjście. Zobacz powyższą demonstrację w sekcji uwagi na skalowany produkt skalarny.

class DecoderLayer(tf.keras.layers.Layer):
  def __init__(self, d_model, num_heads, dff, rate=0.1):
    super(DecoderLayer, self).__init__()

    self.mha1 = MultiHeadAttention(d_model, num_heads)
    self.mha2 = MultiHeadAttention(d_model, num_heads)

    self.ffn = point_wise_feed_forward_network(d_model, dff)

    self.layernorm1 = tf.keras.layers.LayerNormalization(epsilon=1e-6)
    self.layernorm2 = tf.keras.layers.LayerNormalization(epsilon=1e-6)
    self.layernorm3 = tf.keras.layers.LayerNormalization(epsilon=1e-6)

    self.dropout1 = tf.keras.layers.Dropout(rate)
    self.dropout2 = tf.keras.layers.Dropout(rate)
    self.dropout3 = tf.keras.layers.Dropout(rate)


  def call(self, x, enc_output, training, 
           look_ahead_mask, padding_mask):
    # enc_output.shape == (batch_size, input_seq_len, d_model)

    attn1, attn_weights_block1 = self.mha1(x, x, x, look_ahead_mask)  # (batch_size, target_seq_len, d_model)
    attn1 = self.dropout1(attn1, training=training)
    out1 = self.layernorm1(attn1 + x)

    attn2, attn_weights_block2 = self.mha2(
        enc_output, enc_output, out1, padding_mask)  # (batch_size, target_seq_len, d_model)
    attn2 = self.dropout2(attn2, training=training)
    out2 = self.layernorm2(attn2 + out1)  # (batch_size, target_seq_len, d_model)

    ffn_output = self.ffn(out2)  # (batch_size, target_seq_len, d_model)
    ffn_output = self.dropout3(ffn_output, training=training)
    out3 = self.layernorm3(ffn_output + out2)  # (batch_size, target_seq_len, d_model)

    return out3, attn_weights_block1, attn_weights_block2
sample_decoder_layer = DecoderLayer(512, 8, 2048)

sample_decoder_layer_output, _, _ = sample_decoder_layer(
    tf.random.uniform((64, 50, 512)), sample_encoder_layer_output, 
    False, None, None)

sample_decoder_layer_output.shape  # (batch_size, target_seq_len, d_model)
TensorShape([64, 50, 512])

Encoder

Encoder składa się z:

  1. Osadzanie danych wejściowych
  2. Kodowanie pozycyjne
  3. Warstwy kodera N.

Wejście jest poddawane osadzaniu, które jest sumowane z kodowaniem pozycyjnym. Wynikiem tego sumowania jest wejście do warstw kodera. Wyjście kodera jest wejściem do dekodera.

class Encoder(tf.keras.layers.Layer):
  def __init__(self, num_layers, d_model, num_heads, dff, input_vocab_size,
               maximum_position_encoding, rate=0.1):
    super(Encoder, self).__init__()

    self.d_model = d_model
    self.num_layers = num_layers

    self.embedding = tf.keras.layers.Embedding(input_vocab_size, d_model)
    self.pos_encoding = positional_encoding(maximum_position_encoding, 
                                            self.d_model)


    self.enc_layers = [EncoderLayer(d_model, num_heads, dff, rate) 
                       for _ in range(num_layers)]

    self.dropout = tf.keras.layers.Dropout(rate)

  def call(self, x, training, mask):

    seq_len = tf.shape(x)[1]

    # adding embedding and position encoding.
    x = self.embedding(x)  # (batch_size, input_seq_len, d_model)
    x *= tf.math.sqrt(tf.cast(self.d_model, tf.float32))
    x += self.pos_encoding[:, :seq_len, :]

    x = self.dropout(x, training=training)

    for i in range(self.num_layers):
      x = self.enc_layers[i](x, training, mask)

    return x  # (batch_size, input_seq_len, d_model)
sample_encoder = Encoder(num_layers=2, d_model=512, num_heads=8, 
                         dff=2048, input_vocab_size=8500,
                         maximum_position_encoding=10000)
temp_input = tf.random.uniform((64, 62), dtype=tf.int64, minval=0, maxval=200)

sample_encoder_output = sample_encoder(temp_input, training=False, mask=None)

print (sample_encoder_output.shape)  # (batch_size, input_seq_len, d_model)
(64, 62, 512)

Dekoder

Decoder składa się z:

  1. Osadzanie wyników
  2. Kodowanie pozycyjne
  3. N warstw dekodera

Cel jest poddawany osadzaniu, które jest sumowane z kodowaniem pozycyjnym. Wynikiem tego sumowania jest wejście do warstw dekodera. Wyjście dekodera jest wejściem do końcowej warstwy liniowej.

class Decoder(tf.keras.layers.Layer):
  def __init__(self, num_layers, d_model, num_heads, dff, target_vocab_size,
               maximum_position_encoding, rate=0.1):
    super(Decoder, self).__init__()

    self.d_model = d_model
    self.num_layers = num_layers

    self.embedding = tf.keras.layers.Embedding(target_vocab_size, d_model)
    self.pos_encoding = positional_encoding(maximum_position_encoding, d_model)

    self.dec_layers = [DecoderLayer(d_model, num_heads, dff, rate) 
                       for _ in range(num_layers)]
    self.dropout = tf.keras.layers.Dropout(rate)

  def call(self, x, enc_output, training, 
           look_ahead_mask, padding_mask):

    seq_len = tf.shape(x)[1]
    attention_weights = {}

    x = self.embedding(x)  # (batch_size, target_seq_len, d_model)
    x *= tf.math.sqrt(tf.cast(self.d_model, tf.float32))
    x += self.pos_encoding[:, :seq_len, :]

    x = self.dropout(x, training=training)

    for i in range(self.num_layers):
      x, block1, block2 = self.dec_layers[i](x, enc_output, training,
                                             look_ahead_mask, padding_mask)

      attention_weights['decoder_layer{}_block1'.format(i+1)] = block1
      attention_weights['decoder_layer{}_block2'.format(i+1)] = block2

    # x.shape == (batch_size, target_seq_len, d_model)
    return x, attention_weights
sample_decoder = Decoder(num_layers=2, d_model=512, num_heads=8, 
                         dff=2048, target_vocab_size=8000,
                         maximum_position_encoding=5000)
temp_input = tf.random.uniform((64, 26), dtype=tf.int64, minval=0, maxval=200)

output, attn = sample_decoder(temp_input, 
                              enc_output=sample_encoder_output, 
                              training=False,
                              look_ahead_mask=None, 
                              padding_mask=None)

output.shape, attn['decoder_layer2_block2'].shape
(TensorShape([64, 26, 512]), TensorShape([64, 8, 26, 62]))

Stwórz Transformer

Transformator składa się z kodera, dekodera i końcowej warstwy liniowej. Wyjście dekodera jest wejściem do warstwy liniowej i jej wyjście jest zwracane.

class Transformer(tf.keras.Model):
  def __init__(self, num_layers, d_model, num_heads, dff, input_vocab_size, 
               target_vocab_size, pe_input, pe_target, rate=0.1):
    super(Transformer, self).__init__()

    self.encoder = Encoder(num_layers, d_model, num_heads, dff, 
                           input_vocab_size, pe_input, rate)

    self.decoder = Decoder(num_layers, d_model, num_heads, dff, 
                           target_vocab_size, pe_target, rate)

    self.final_layer = tf.keras.layers.Dense(target_vocab_size)

  def call(self, inp, tar, training, enc_padding_mask, 
           look_ahead_mask, dec_padding_mask):

    enc_output = self.encoder(inp, training, enc_padding_mask)  # (batch_size, inp_seq_len, d_model)

    # dec_output.shape == (batch_size, tar_seq_len, d_model)
    dec_output, attention_weights = self.decoder(
        tar, enc_output, training, look_ahead_mask, dec_padding_mask)

    final_output = self.final_layer(dec_output)  # (batch_size, tar_seq_len, target_vocab_size)

    return final_output, attention_weights
sample_transformer = Transformer(
    num_layers=2, d_model=512, num_heads=8, dff=2048, 
    input_vocab_size=8500, target_vocab_size=8000, 
    pe_input=10000, pe_target=6000)

temp_input = tf.random.uniform((64, 38), dtype=tf.int64, minval=0, maxval=200)
temp_target = tf.random.uniform((64, 36), dtype=tf.int64, minval=0, maxval=200)

fn_out, _ = sample_transformer(temp_input, temp_target, training=False, 
                               enc_padding_mask=None, 
                               look_ahead_mask=None,
                               dec_padding_mask=None)

fn_out.shape  # (batch_size, tar_seq_len, target_vocab_size)
TensorShape([64, 36, 8000])

Ustaw hiperparametry

Aby ten przykład był mały i stosunkowo szybki, wartości num_layers, d_model i dff zostały zmniejszone.

Wartości zastosowane w podstawowym modelu transformatora to; num_layers = 6 , d_model = 512 , dff = 2048 . Zobacz artykuł dotyczący wszystkich innych wersji transformatora.

num_layers = 4
d_model = 128
dff = 512
num_heads = 8

input_vocab_size = tokenizer_pt.vocab_size + 2
target_vocab_size = tokenizer_en.vocab_size + 2
dropout_rate = 0.1

Optimizer

Użyj optymalizatora Adama z niestandardowym harmonogramem uczenia się zgodnie ze wzorem w artykule .

$$\Large{lrate = d_{model}^{-0.5} * min(step{\_}num^{-0.5}, step{\_}num * warmup{\_}steps^{-1.5})}$$
class CustomSchedule(tf.keras.optimizers.schedules.LearningRateSchedule):
  def __init__(self, d_model, warmup_steps=4000):
    super(CustomSchedule, self).__init__()

    self.d_model = d_model
    self.d_model = tf.cast(self.d_model, tf.float32)

    self.warmup_steps = warmup_steps

  def __call__(self, step):
    arg1 = tf.math.rsqrt(step)
    arg2 = step * (self.warmup_steps ** -1.5)

    return tf.math.rsqrt(self.d_model) * tf.math.minimum(arg1, arg2)
learning_rate = CustomSchedule(d_model)

optimizer = tf.keras.optimizers.Adam(learning_rate, beta_1=0.9, beta_2=0.98, 
                                     epsilon=1e-9)
temp_learning_rate_schedule = CustomSchedule(d_model)

plt.plot(temp_learning_rate_schedule(tf.range(40000, dtype=tf.float32)))
plt.ylabel("Learning Rate")
plt.xlabel("Train Step")
Text(0.5, 0, 'Train Step')

png

Strata i metryki

Ponieważ sekwencje docelowe są wypełnione, ważne jest, aby podczas obliczania strat zastosować maskę wypełnienia.

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_sum(loss_)/tf.reduce_sum(mask)


def accuracy_function(real, pred):
  accuracies = tf.equal(real, tf.argmax(pred, axis=2))

  mask = tf.math.logical_not(tf.math.equal(real, 0))
  accuracies = tf.math.logical_and(mask, accuracies)

  accuracies = tf.cast(accuracies, dtype=tf.float32)
  mask = tf.cast(mask, dtype=tf.float32)
  return tf.reduce_sum(accuracies)/tf.reduce_sum(mask)
train_loss = tf.keras.metrics.Mean(name='train_loss')
train_accuracy = tf.keras.metrics.Mean(name='train_accuracy')

Szkolenie i punkty kontrolne

transformer = Transformer(num_layers, d_model, num_heads, dff,
                          input_vocab_size, target_vocab_size, 
                          pe_input=input_vocab_size, 
                          pe_target=target_vocab_size,
                          rate=dropout_rate)
def create_masks(inp, tar):
  # Encoder padding mask
  enc_padding_mask = create_padding_mask(inp)

  # Used in the 2nd attention block in the decoder.
  # This padding mask is used to mask the encoder outputs.
  dec_padding_mask = create_padding_mask(inp)

  # Used in the 1st attention block in the decoder.
  # It is used to pad and mask future tokens in the input received by 
  # the decoder.
  look_ahead_mask = create_look_ahead_mask(tf.shape(tar)[1])
  dec_target_padding_mask = create_padding_mask(tar)
  combined_mask = tf.maximum(dec_target_padding_mask, look_ahead_mask)

  return enc_padding_mask, combined_mask, dec_padding_mask

Utwórz ścieżkę do punktu kontrolnego i menedżera punktów kontrolnych. Będzie to używane do zapisywania punktów kontrolnych co n epok.

checkpoint_path = "./checkpoints/train"

ckpt = tf.train.Checkpoint(transformer=transformer,
                           optimizer=optimizer)

ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5)

# if a checkpoint exists, restore the latest checkpoint.
if ckpt_manager.latest_checkpoint:
  ckpt.restore(ckpt_manager.latest_checkpoint)
  print ('Latest checkpoint restored!!')

Cel jest podzielony na tar_inp i tar_real. tar_inp jest przekazywany jako dane wejściowe do dekodera. tar_real jest tym samym wejściem przesuniętym o 1: W każdym miejscu w tar_input , tar_real zawiera następny token, który powinien być przewidywany.

Na przykład sentence = "SOS Lew w dżungli śpi EOS"

tar_inp = "SOS Lew w dżungli śpi"

tar_real = "Lew w dżungli śpi EOS"

Transformator jest modelem autoregresyjnym: prognozuje po jednej części na raz i wykorzystuje dotychczasowe dane wyjściowe, aby zdecydować, co robić dalej.

Podczas szkolenia ten przykład wykorzystuje wymuszanie przez nauczyciela (jak w samouczku dotyczącym generowania tekstu ). Wymuszanie nauczyciela przekazuje prawdziwe wyniki do następnego kroku czasowego, niezależnie od tego, co model przewiduje w bieżącym kroku czasowym.

Ponieważ transformator przewiduje każde słowo, samokontrola pozwala mu spojrzeć na poprzednie słowa w sekwencji wejściowej, aby lepiej przewidzieć następne słowo.

Aby zapobiec podglądaniu przez model oczekiwanego wyniku, model używa maski antycypacji.

EPOCHS = 20
# The @tf.function trace-compiles train_step into a TF graph for faster
# execution. The function specializes to the precise shape of the argument
# tensors. To avoid re-tracing due to the variable sequence lengths or variable
# batch sizes (the last batch is smaller), use input_signature to specify
# more generic shapes.

train_step_signature = [
    tf.TensorSpec(shape=(None, None), dtype=tf.int64),
    tf.TensorSpec(shape=(None, None), dtype=tf.int64),
]

@tf.function(input_signature=train_step_signature)
def train_step(inp, tar):
  tar_inp = tar[:, :-1]
  tar_real = tar[:, 1:]

  enc_padding_mask, combined_mask, dec_padding_mask = create_masks(inp, tar_inp)

  with tf.GradientTape() as tape:
    predictions, _ = transformer(inp, tar_inp, 
                                 True, 
                                 enc_padding_mask, 
                                 combined_mask, 
                                 dec_padding_mask)
    loss = loss_function(tar_real, predictions)

  gradients = tape.gradient(loss, transformer.trainable_variables)    
  optimizer.apply_gradients(zip(gradients, transformer.trainable_variables))

  train_loss(loss)
  train_accuracy(accuracy_function(tar_real, predictions))

Portugalski jest używany jako język wejściowy, a angielski jest językiem docelowym.

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

  train_loss.reset_states()
  train_accuracy.reset_states()

  # inp -> portuguese, tar -> english
  for (batch, (inp, tar)) in enumerate(train_dataset):
    train_step(inp, tar)

    if batch % 50 == 0:
      print ('Epoch {} Batch {} Loss {:.4f} Accuracy {:.4f}'.format(
          epoch + 1, batch, train_loss.result(), train_accuracy.result()))

  if (epoch + 1) % 5 == 0:
    ckpt_save_path = ckpt_manager.save()
    print ('Saving checkpoint for epoch {} at {}'.format(epoch+1,
                                                         ckpt_save_path))

  print ('Epoch {} Loss {:.4f} Accuracy {:.4f}'.format(epoch + 1, 
                                                train_loss.result(), 
                                                train_accuracy.result()))

  print ('Time taken for 1 epoch: {} secs\n'.format(time.time() - start))
Epoch 1 Batch 0 Loss 9.0325 Accuracy 0.0000
Epoch 1 Batch 50 Loss 8.9631 Accuracy 0.0029
Epoch 1 Batch 100 Loss 8.8625 Accuracy 0.0285
Epoch 1 Batch 150 Loss 8.7535 Accuracy 0.0396
Epoch 1 Batch 200 Loss 8.6247 Accuracy 0.0465
Epoch 1 Batch 250 Loss 8.4712 Accuracy 0.0555
Epoch 1 Batch 300 Loss 8.2956 Accuracy 0.0660
Epoch 1 Batch 350 Loss 8.1095 Accuracy 0.0753
Epoch 1 Batch 400 Loss 7.9295 Accuracy 0.0823
Epoch 1 Batch 450 Loss 7.7644 Accuracy 0.0879
Epoch 1 Batch 500 Loss 7.6171 Accuracy 0.0927
Epoch 1 Batch 550 Loss 7.4840 Accuracy 0.0983
Epoch 1 Batch 600 Loss 7.3578 Accuracy 0.1048
Epoch 1 Batch 650 Loss 7.2364 Accuracy 0.1117
Epoch 1 Batch 700 Loss 7.1232 Accuracy 0.1185
Epoch 1 Loss 7.1188 Accuracy 0.1187
Time taken for 1 epoch: 54.0901415348053 secs

Epoch 2 Batch 0 Loss 5.5828 Accuracy 0.1969
Epoch 2 Batch 50 Loss 5.4646 Accuracy 0.2218
Epoch 2 Batch 100 Loss 5.4122 Accuracy 0.2249
Epoch 2 Batch 150 Loss 5.3780 Accuracy 0.2278
Epoch 2 Batch 200 Loss 5.3342 Accuracy 0.2315
Epoch 2 Batch 250 Loss 5.2924 Accuracy 0.2352
Epoch 2 Batch 300 Loss 5.2508 Accuracy 0.2393
Epoch 2 Batch 350 Loss 5.2157 Accuracy 0.2424
Epoch 2 Batch 400 Loss 5.1816 Accuracy 0.2459
Epoch 2 Batch 450 Loss 5.1515 Accuracy 0.2492
Epoch 2 Batch 500 Loss 5.1203 Accuracy 0.2523
Epoch 2 Batch 550 Loss 5.0920 Accuracy 0.2552
Epoch 2 Batch 600 Loss 5.0661 Accuracy 0.2579
Epoch 2 Batch 650 Loss 5.0418 Accuracy 0.2604
Epoch 2 Batch 700 Loss 5.0186 Accuracy 0.2627
Epoch 2 Loss 5.0179 Accuracy 0.2628
Time taken for 1 epoch: 30.69964909553528 secs

Epoch 3 Batch 0 Loss 4.6354 Accuracy 0.3023
Epoch 3 Batch 50 Loss 4.6234 Accuracy 0.3012
Epoch 3 Batch 100 Loss 4.6082 Accuracy 0.3021
Epoch 3 Batch 150 Loss 4.6073 Accuracy 0.3030
Epoch 3 Batch 200 Loss 4.5980 Accuracy 0.3043
Epoch 3 Batch 250 Loss 4.5887 Accuracy 0.3054
Epoch 3 Batch 300 Loss 4.5753 Accuracy 0.3069
Epoch 3 Batch 350 Loss 4.5617 Accuracy 0.3084
Epoch 3 Batch 400 Loss 4.5476 Accuracy 0.3099
Epoch 3 Batch 450 Loss 4.5342 Accuracy 0.3112
Epoch 3 Batch 500 Loss 4.5243 Accuracy 0.3122
Epoch 3 Batch 550 Loss 4.5141 Accuracy 0.3134
Epoch 3 Batch 600 Loss 4.5010 Accuracy 0.3148
Epoch 3 Batch 650 Loss 4.4917 Accuracy 0.3158
Epoch 3 Batch 700 Loss 4.4797 Accuracy 0.3170
Epoch 3 Loss 4.4795 Accuracy 0.3170
Time taken for 1 epoch: 30.95038342475891 secs

Epoch 4 Batch 0 Loss 3.9974 Accuracy 0.3544
Epoch 4 Batch 50 Loss 4.2098 Accuracy 0.3431
Epoch 4 Batch 100 Loss 4.1827 Accuracy 0.3466
Epoch 4 Batch 150 Loss 4.1836 Accuracy 0.3471
Epoch 4 Batch 200 Loss 4.1799 Accuracy 0.3473
Epoch 4 Batch 250 Loss 4.1675 Accuracy 0.3486
Epoch 4 Batch 300 Loss 4.1581 Accuracy 0.3501
Epoch 4 Batch 350 Loss 4.1447 Accuracy 0.3516
Epoch 4 Batch 400 Loss 4.1289 Accuracy 0.3538
Epoch 4 Batch 450 Loss 4.1132 Accuracy 0.3559
Epoch 4 Batch 500 Loss 4.0977 Accuracy 0.3581
Epoch 4 Batch 550 Loss 4.0811 Accuracy 0.3601
Epoch 4 Batch 600 Loss 4.0648 Accuracy 0.3623
Epoch 4 Batch 650 Loss 4.0508 Accuracy 0.3644
Epoch 4 Batch 700 Loss 4.0378 Accuracy 0.3662
Epoch 4 Loss 4.0372 Accuracy 0.3663
Time taken for 1 epoch: 30.76306676864624 secs

Epoch 5 Batch 0 Loss 3.7628 Accuracy 0.3862
Epoch 5 Batch 50 Loss 3.7014 Accuracy 0.4030
Epoch 5 Batch 100 Loss 3.6951 Accuracy 0.4051
Epoch 5 Batch 150 Loss 3.6715 Accuracy 0.4084
Epoch 5 Batch 200 Loss 3.6619 Accuracy 0.4105
Epoch 5 Batch 250 Loss 3.6462 Accuracy 0.4131
Epoch 5 Batch 300 Loss 3.6403 Accuracy 0.4145
Epoch 5 Batch 350 Loss 3.6238 Accuracy 0.4168
Epoch 5 Batch 400 Loss 3.6115 Accuracy 0.4186
Epoch 5 Batch 450 Loss 3.5990 Accuracy 0.4200
Epoch 5 Batch 500 Loss 3.5902 Accuracy 0.4215
Epoch 5 Batch 550 Loss 3.5806 Accuracy 0.4228
Epoch 5 Batch 600 Loss 3.5705 Accuracy 0.4240
Epoch 5 Batch 650 Loss 3.5612 Accuracy 0.4252
Epoch 5 Batch 700 Loss 3.5494 Accuracy 0.4267
Saving checkpoint for epoch 5 at ./checkpoints/train/ckpt-1
Epoch 5 Loss 3.5493 Accuracy 0.4267
Time taken for 1 epoch: 31.12636709213257 secs

Epoch 6 Batch 0 Loss 3.2444 Accuracy 0.4605
Epoch 6 Batch 50 Loss 3.2155 Accuracy 0.4619
Epoch 6 Batch 100 Loss 3.2090 Accuracy 0.4631
Epoch 6 Batch 150 Loss 3.2024 Accuracy 0.4633
Epoch 6 Batch 200 Loss 3.1966 Accuracy 0.4648
Epoch 6 Batch 250 Loss 3.1929 Accuracy 0.4655
Epoch 6 Batch 300 Loss 3.1881 Accuracy 0.4664
Epoch 6 Batch 350 Loss 3.1832 Accuracy 0.4674
Epoch 6 Batch 400 Loss 3.1761 Accuracy 0.4685
Epoch 6 Batch 450 Loss 3.1699 Accuracy 0.4688
Epoch 6 Batch 500 Loss 3.1650 Accuracy 0.4696
Epoch 6 Batch 550 Loss 3.1592 Accuracy 0.4705
Epoch 6 Batch 600 Loss 3.1530 Accuracy 0.4717
Epoch 6 Batch 650 Loss 3.1471 Accuracy 0.4723
Epoch 6 Batch 700 Loss 3.1409 Accuracy 0.4731
Epoch 6 Loss 3.1406 Accuracy 0.4731
Time taken for 1 epoch: 30.89075517654419 secs

Epoch 7 Batch 0 Loss 2.7938 Accuracy 0.5259
Epoch 7 Batch 50 Loss 2.8191 Accuracy 0.5065
Epoch 7 Batch 100 Loss 2.8050 Accuracy 0.5093
Epoch 7 Batch 150 Loss 2.8151 Accuracy 0.5085
Epoch 7 Batch 200 Loss 2.8113 Accuracy 0.5093
Epoch 7 Batch 250 Loss 2.8064 Accuracy 0.5101
Epoch 7 Batch 300 Loss 2.8001 Accuracy 0.5109
Epoch 7 Batch 350 Loss 2.7923 Accuracy 0.5123
Epoch 7 Batch 400 Loss 2.7791 Accuracy 0.5138
Epoch 7 Batch 450 Loss 2.7733 Accuracy 0.5146
Epoch 7 Batch 500 Loss 2.7688 Accuracy 0.5154
Epoch 7 Batch 550 Loss 2.7602 Accuracy 0.5166
Epoch 7 Batch 600 Loss 2.7542 Accuracy 0.5175
Epoch 7 Batch 650 Loss 2.7497 Accuracy 0.5184
Epoch 7 Batch 700 Loss 2.7439 Accuracy 0.5193
Epoch 7 Loss 2.7436 Accuracy 0.5194
Time taken for 1 epoch: 31.79271173477173 secs

Epoch 8 Batch 0 Loss 2.5171 Accuracy 0.5501
Epoch 8 Batch 50 Loss 2.4147 Accuracy 0.5562
Epoch 8 Batch 100 Loss 2.4221 Accuracy 0.5555
Epoch 8 Batch 150 Loss 2.4131 Accuracy 0.5580
Epoch 8 Batch 200 Loss 2.4173 Accuracy 0.5570
Epoch 8 Batch 250 Loss 2.4214 Accuracy 0.5569
Epoch 8 Batch 300 Loss 2.4305 Accuracy 0.5555
Epoch 8 Batch 350 Loss 2.4305 Accuracy 0.5555
Epoch 8 Batch 400 Loss 2.4273 Accuracy 0.5560
Epoch 8 Batch 450 Loss 2.4261 Accuracy 0.5563
Epoch 8 Batch 500 Loss 2.4245 Accuracy 0.5567
Epoch 8 Batch 550 Loss 2.4233 Accuracy 0.5572
Epoch 8 Batch 600 Loss 2.4182 Accuracy 0.5582
Epoch 8 Batch 650 Loss 2.4162 Accuracy 0.5585
Epoch 8 Batch 700 Loss 2.4147 Accuracy 0.5589
Epoch 8 Loss 2.4139 Accuracy 0.5590
Time taken for 1 epoch: 31.114221572875977 secs

Epoch 9 Batch 0 Loss 2.0796 Accuracy 0.6034
Epoch 9 Batch 50 Loss 2.1062 Accuracy 0.5978
Epoch 9 Batch 100 Loss 2.1268 Accuracy 0.5934
Epoch 9 Batch 150 Loss 2.1465 Accuracy 0.5914
Epoch 9 Batch 200 Loss 2.1525 Accuracy 0.5908
Epoch 9 Batch 250 Loss 2.1578 Accuracy 0.5902
Epoch 9 Batch 300 Loss 2.1590 Accuracy 0.5899
Epoch 9 Batch 350 Loss 2.1592 Accuracy 0.5898
Epoch 9 Batch 400 Loss 2.1598 Accuracy 0.5899
Epoch 9 Batch 450 Loss 2.1614 Accuracy 0.5898
Epoch 9 Batch 500 Loss 2.1632 Accuracy 0.5897
Epoch 9 Batch 550 Loss 2.1625 Accuracy 0.5899
Epoch 9 Batch 600 Loss 2.1655 Accuracy 0.5897
Epoch 9 Batch 650 Loss 2.1659 Accuracy 0.5896
Epoch 9 Batch 700 Loss 2.1671 Accuracy 0.5896
Epoch 9 Loss 2.1671 Accuracy 0.5896
Time taken for 1 epoch: 31.18158221244812 secs

Epoch 10 Batch 0 Loss 1.8438 Accuracy 0.6431
Epoch 10 Batch 50 Loss 1.9301 Accuracy 0.6210
Epoch 10 Batch 100 Loss 1.9432 Accuracy 0.6182
Epoch 10 Batch 150 Loss 1.9503 Accuracy 0.6175
Epoch 10 Batch 200 Loss 1.9521 Accuracy 0.6180
Epoch 10 Batch 250 Loss 1.9540 Accuracy 0.6173
Epoch 10 Batch 300 Loss 1.9551 Accuracy 0.6174
Epoch 10 Batch 350 Loss 1.9615 Accuracy 0.6167
Epoch 10 Batch 400 Loss 1.9619 Accuracy 0.6165
Epoch 10 Batch 450 Loss 1.9636 Accuracy 0.6167
Epoch 10 Batch 500 Loss 1.9685 Accuracy 0.6160
Epoch 10 Batch 550 Loss 1.9700 Accuracy 0.6159
Epoch 10 Batch 600 Loss 1.9750 Accuracy 0.6153
Epoch 10 Batch 650 Loss 1.9787 Accuracy 0.6150
Epoch 10 Batch 700 Loss 1.9803 Accuracy 0.6147
Saving checkpoint for epoch 10 at ./checkpoints/train/ckpt-2
Epoch 10 Loss 1.9804 Accuracy 0.6147
Time taken for 1 epoch: 31.05565071105957 secs

Epoch 11 Batch 0 Loss 1.6855 Accuracy 0.6649
Epoch 11 Batch 50 Loss 1.7798 Accuracy 0.6409
Epoch 11 Batch 100 Loss 1.7849 Accuracy 0.6394
Epoch 11 Batch 150 Loss 1.7887 Accuracy 0.6387
Epoch 11 Batch 200 Loss 1.7986 Accuracy 0.6376
Epoch 11 Batch 250 Loss 1.8039 Accuracy 0.6371
Epoch 11 Batch 300 Loss 1.8087 Accuracy 0.6361
Epoch 11 Batch 350 Loss 1.8122 Accuracy 0.6354
Epoch 11 Batch 400 Loss 1.8157 Accuracy 0.6352
Epoch 11 Batch 450 Loss 1.8157 Accuracy 0.6352
Epoch 11 Batch 500 Loss 1.8214 Accuracy 0.6344
Epoch 11 Batch 550 Loss 1.8249 Accuracy 0.6340
Epoch 11 Batch 600 Loss 1.8275 Accuracy 0.6339
Epoch 11 Batch 650 Loss 1.8327 Accuracy 0.6333
Epoch 11 Batch 700 Loss 1.8357 Accuracy 0.6329
Epoch 11 Loss 1.8357 Accuracy 0.6329
Time taken for 1 epoch: 31.027227878570557 secs

Epoch 12 Batch 0 Loss 1.6143 Accuracy 0.6664
Epoch 12 Batch 50 Loss 1.6444 Accuracy 0.6597
Epoch 12 Batch 100 Loss 1.6483 Accuracy 0.6591
Epoch 12 Batch 150 Loss 1.6596 Accuracy 0.6571
Epoch 12 Batch 200 Loss 1.6646 Accuracy 0.6567
Epoch 12 Batch 250 Loss 1.6728 Accuracy 0.6555
Epoch 12 Batch 300 Loss 1.6742 Accuracy 0.6554
Epoch 12 Batch 350 Loss 1.6771 Accuracy 0.6547
Epoch 12 Batch 400 Loss 1.6812 Accuracy 0.6543
Epoch 12 Batch 450 Loss 1.6868 Accuracy 0.6532
Epoch 12 Batch 500 Loss 1.6895 Accuracy 0.6529
Epoch 12 Batch 550 Loss 1.6949 Accuracy 0.6522
Epoch 12 Batch 600 Loss 1.7010 Accuracy 0.6515
Epoch 12 Batch 650 Loss 1.7086 Accuracy 0.6504
Epoch 12 Batch 700 Loss 1.7139 Accuracy 0.6499
Epoch 12 Loss 1.7141 Accuracy 0.6499
Time taken for 1 epoch: 30.62126898765564 secs

Epoch 13 Batch 0 Loss 1.4501 Accuracy 0.6824
Epoch 13 Batch 50 Loss 1.5419 Accuracy 0.6747
Epoch 13 Batch 100 Loss 1.5441 Accuracy 0.6730
Epoch 13 Batch 150 Loss 1.5583 Accuracy 0.6700
Epoch 13 Batch 200 Loss 1.5641 Accuracy 0.6695
Epoch 13 Batch 250 Loss 1.5682 Accuracy 0.6690
Epoch 13 Batch 300 Loss 1.5721 Accuracy 0.6683
Epoch 13 Batch 350 Loss 1.5766 Accuracy 0.6680
Epoch 13 Batch 400 Loss 1.5813 Accuracy 0.6676
Epoch 13 Batch 450 Loss 1.5896 Accuracy 0.6664
Epoch 13 Batch 500 Loss 1.5922 Accuracy 0.6661
Epoch 13 Batch 550 Loss 1.5978 Accuracy 0.6654
Epoch 13 Batch 600 Loss 1.6030 Accuracy 0.6646
Epoch 13 Batch 650 Loss 1.6082 Accuracy 0.6639
Epoch 13 Batch 700 Loss 1.6134 Accuracy 0.6633
Epoch 13 Loss 1.6134 Accuracy 0.6634
Time taken for 1 epoch: 30.817842721939087 secs

Epoch 14 Batch 0 Loss 1.3038 Accuracy 0.7251
Epoch 14 Batch 50 Loss 1.4288 Accuracy 0.6897
Epoch 14 Batch 100 Loss 1.4507 Accuracy 0.6881
Epoch 14 Batch 150 Loss 1.4641 Accuracy 0.6851
Epoch 14 Batch 200 Loss 1.4735 Accuracy 0.6847
Epoch 14 Batch 250 Loss 1.4773 Accuracy 0.6839
Epoch 14 Batch 300 Loss 1.4825 Accuracy 0.6828
Epoch 14 Batch 350 Loss 1.4890 Accuracy 0.6819
Epoch 14 Batch 400 Loss 1.4937 Accuracy 0.6808
Epoch 14 Batch 450 Loss 1.4998 Accuracy 0.6798
Epoch 14 Batch 500 Loss 1.5044 Accuracy 0.6792
Epoch 14 Batch 550 Loss 1.5087 Accuracy 0.6785
Epoch 14 Batch 600 Loss 1.5150 Accuracy 0.6773
Epoch 14 Batch 650 Loss 1.5209 Accuracy 0.6766
Epoch 14 Batch 700 Loss 1.5267 Accuracy 0.6759
Epoch 14 Loss 1.5264 Accuracy 0.6760
Time taken for 1 epoch: 30.76487922668457 secs

Epoch 15 Batch 0 Loss 1.3602 Accuracy 0.7020
Epoch 15 Batch 50 Loss 1.3786 Accuracy 0.6978
Epoch 15 Batch 100 Loss 1.3675 Accuracy 0.6994
Epoch 15 Batch 150 Loss 1.3881 Accuracy 0.6961
Epoch 15 Batch 200 Loss 1.3986 Accuracy 0.6947
Epoch 15 Batch 250 Loss 1.4042 Accuracy 0.6937
Epoch 15 Batch 300 Loss 1.4095 Accuracy 0.6929
Epoch 15 Batch 350 Loss 1.4175 Accuracy 0.6917
Epoch 15 Batch 400 Loss 1.4202 Accuracy 0.6913
Epoch 15 Batch 450 Loss 1.4256 Accuracy 0.6906
Epoch 15 Batch 500 Loss 1.4271 Accuracy 0.6904
Epoch 15 Batch 550 Loss 1.4337 Accuracy 0.6895
Epoch 15 Batch 600 Loss 1.4401 Accuracy 0.6885
Epoch 15 Batch 650 Loss 1.4460 Accuracy 0.6876
Epoch 15 Batch 700 Loss 1.4515 Accuracy 0.6868
Saving checkpoint for epoch 15 at ./checkpoints/train/ckpt-3
Epoch 15 Loss 1.4519 Accuracy 0.6868
Time taken for 1 epoch: 30.835017681121826 secs

Epoch 16 Batch 0 Loss 1.1559 Accuracy 0.7455
Epoch 16 Batch 50 Loss 1.2853 Accuracy 0.7131
Epoch 16 Batch 100 Loss 1.3070 Accuracy 0.7094
Epoch 16 Batch 150 Loss 1.3140 Accuracy 0.7080
Epoch 16 Batch 200 Loss 1.3281 Accuracy 0.7059
Epoch 16 Batch 250 Loss 1.3378 Accuracy 0.7040
Epoch 16 Batch 300 Loss 1.3457 Accuracy 0.7029
Epoch 16 Batch 350 Loss 1.3470 Accuracy 0.7029
Epoch 16 Batch 400 Loss 1.3514 Accuracy 0.7023
Epoch 16 Batch 450 Loss 1.3575 Accuracy 0.7011
Epoch 16 Batch 500 Loss 1.3623 Accuracy 0.7004
Epoch 16 Batch 550 Loss 1.3688 Accuracy 0.6993
Epoch 16 Batch 600 Loss 1.3738 Accuracy 0.6985
Epoch 16 Batch 650 Loss 1.3789 Accuracy 0.6978
Epoch 16 Batch 700 Loss 1.3835 Accuracy 0.6972
Epoch 16 Loss 1.3842 Accuracy 0.6970
Time taken for 1 epoch: 30.86835026741028 secs

Epoch 17 Batch 0 Loss 1.1976 Accuracy 0.7252
Epoch 17 Batch 50 Loss 1.2320 Accuracy 0.7229
Epoch 17 Batch 100 Loss 1.2459 Accuracy 0.7198
Epoch 17 Batch 150 Loss 1.2615 Accuracy 0.7170
Epoch 17 Batch 200 Loss 1.2671 Accuracy 0.7155
Epoch 17 Batch 250 Loss 1.2781 Accuracy 0.7137
Epoch 17 Batch 300 Loss 1.2837 Accuracy 0.7124
Epoch 17 Batch 350 Loss 1.2856 Accuracy 0.7121
Epoch 17 Batch 400 Loss 1.2926 Accuracy 0.7109
Epoch 17 Batch 450 Loss 1.2976 Accuracy 0.7103
Epoch 17 Batch 500 Loss 1.3044 Accuracy 0.7092
Epoch 17 Batch 550 Loss 1.3103 Accuracy 0.7080
Epoch 17 Batch 600 Loss 1.3158 Accuracy 0.7072
Epoch 17 Batch 650 Loss 1.3188 Accuracy 0.7069
Epoch 17 Batch 700 Loss 1.3237 Accuracy 0.7062
Epoch 17 Loss 1.3240 Accuracy 0.7062
Time taken for 1 epoch: 31.70491647720337 secs

Epoch 18 Batch 0 Loss 1.3016 Accuracy 0.7197
Epoch 18 Batch 50 Loss 1.1798 Accuracy 0.7305
Epoch 18 Batch 100 Loss 1.1901 Accuracy 0.7291
Epoch 18 Batch 150 Loss 1.1978 Accuracy 0.7277
Epoch 18 Batch 200 Loss 1.2066 Accuracy 0.7257
Epoch 18 Batch 250 Loss 1.2141 Accuracy 0.7243
Epoch 18 Batch 300 Loss 1.2225 Accuracy 0.7227
Epoch 18 Batch 350 Loss 1.2288 Accuracy 0.7215
Epoch 18 Batch 400 Loss 1.2353 Accuracy 0.7203
Epoch 18 Batch 450 Loss 1.2398 Accuracy 0.7195
Epoch 18 Batch 500 Loss 1.2441 Accuracy 0.7186
Epoch 18 Batch 550 Loss 1.2516 Accuracy 0.7174
Epoch 18 Batch 600 Loss 1.2581 Accuracy 0.7164
Epoch 18 Batch 650 Loss 1.2648 Accuracy 0.7154
Epoch 18 Batch 700 Loss 1.2693 Accuracy 0.7148
Epoch 18 Loss 1.2694 Accuracy 0.7148
Time taken for 1 epoch: 30.78923749923706 secs

Epoch 19 Batch 0 Loss 1.0897 Accuracy 0.7513
Epoch 19 Batch 50 Loss 1.1161 Accuracy 0.7400
Epoch 19 Batch 100 Loss 1.1371 Accuracy 0.7369
Epoch 19 Batch 150 Loss 1.1537 Accuracy 0.7339
Epoch 19 Batch 200 Loss 1.1645 Accuracy 0.7322
Epoch 19 Batch 250 Loss 1.1728 Accuracy 0.7307
Epoch 19 Batch 300 Loss 1.1812 Accuracy 0.7293
Epoch 19 Batch 350 Loss 1.1851 Accuracy 0.7283
Epoch 19 Batch 400 Loss 1.1890 Accuracy 0.7277
Epoch 19 Batch 450 Loss 1.1922 Accuracy 0.7273
Epoch 19 Batch 500 Loss 1.1964 Accuracy 0.7265
Epoch 19 Batch 550 Loss 1.2038 Accuracy 0.7251
Epoch 19 Batch 600 Loss 1.2107 Accuracy 0.7238
Epoch 19 Batch 650 Loss 1.2152 Accuracy 0.7232
Epoch 19 Batch 700 Loss 1.2193 Accuracy 0.7224
Epoch 19 Loss 1.2199 Accuracy 0.7223
Time taken for 1 epoch: 31.050918340682983 secs

Epoch 20 Batch 0 Loss 1.0248 Accuracy 0.7491
Epoch 20 Batch 50 Loss 1.1020 Accuracy 0.7435
Epoch 20 Batch 100 Loss 1.1042 Accuracy 0.7420
Epoch 20 Batch 150 Loss 1.1102 Accuracy 0.7407
Epoch 20 Batch 200 Loss 1.1199 Accuracy 0.7385
Epoch 20 Batch 250 Loss 1.1271 Accuracy 0.7371
Epoch 20 Batch 300 Loss 1.1352 Accuracy 0.7358
Epoch 20 Batch 350 Loss 1.1401 Accuracy 0.7349
Epoch 20 Batch 400 Loss 1.1419 Accuracy 0.7348
Epoch 20 Batch 450 Loss 1.1476 Accuracy 0.7338
Epoch 20 Batch 500 Loss 1.1544 Accuracy 0.7325
Epoch 20 Batch 550 Loss 1.1585 Accuracy 0.7320
Epoch 20 Batch 600 Loss 1.1650 Accuracy 0.7309
Epoch 20 Batch 650 Loss 1.1699 Accuracy 0.7301
Epoch 20 Batch 700 Loss 1.1764 Accuracy 0.7291
Saving checkpoint for epoch 20 at ./checkpoints/train/ckpt-4
Epoch 20 Loss 1.1765 Accuracy 0.7290
Time taken for 1 epoch: 30.766892671585083 secs


Oceniać

Do oceny służą następujące kroki:

  • Zakoduj zdanie wejściowe za pomocą portugalskiego tokenizera ( tokenizer_pt ). Ponadto dodaj token początkowy i końcowy, aby dane wejściowe były równoważne temu, z czym trenowany jest model. To jest wejście enkodera.
  • Wejście dekodera to start token == tokenizer_en.vocab_size .
  • Oblicz maski wypełnienia i maski przewidywania.
  • Następnie decoder generuje prognozy, patrząc na encoder output i własne wyjście (samokontrola).
  • Wybierz ostatnie słowo i oblicz jego argmax.
  • Połącz przewidywane słowo z wejściem dekodera i przekaż je do dekodera.
  • W tym podejściu dekoder przewiduje następne słowo w oparciu o poprzednie słowa, które przewidział.
def evaluate(inp_sentence):
  start_token = [tokenizer_pt.vocab_size]
  end_token = [tokenizer_pt.vocab_size + 1]

  # inp sentence is portuguese, hence adding the start and end token
  inp_sentence = start_token + tokenizer_pt.encode(inp_sentence) + end_token
  encoder_input = tf.expand_dims(inp_sentence, 0)

  # as the target is english, the first word to the transformer should be the
  # english start token.
  decoder_input = [tokenizer_en.vocab_size]
  output = tf.expand_dims(decoder_input, 0)

  for i in range(MAX_LENGTH):
    enc_padding_mask, combined_mask, dec_padding_mask = create_masks(
        encoder_input, output)

    # predictions.shape == (batch_size, seq_len, vocab_size)
    predictions, attention_weights = transformer(encoder_input, 
                                                 output,
                                                 False,
                                                 enc_padding_mask,
                                                 combined_mask,
                                                 dec_padding_mask)

    # select the last word from the seq_len dimension
    predictions = predictions[: ,-1:, :]  # (batch_size, 1, vocab_size)

    predicted_id = tf.cast(tf.argmax(predictions, axis=-1), tf.int32)

    # return the result if the predicted_id is equal to the end token
    if predicted_id == tokenizer_en.vocab_size+1:
      return tf.squeeze(output, axis=0), attention_weights

    # concatentate the predicted_id to the output which is given to the decoder
    # as its input.
    output = tf.concat([output, predicted_id], axis=-1)

  return tf.squeeze(output, axis=0), attention_weights
def plot_attention_weights(attention, sentence, result, layer):
  fig = plt.figure(figsize=(16, 8))

  sentence = tokenizer_pt.encode(sentence)

  attention = tf.squeeze(attention[layer], axis=0)

  for head in range(attention.shape[0]):
    ax = fig.add_subplot(2, 4, head+1)

    # plot the attention weights
    ax.matshow(attention[head][:-1, :], cmap='viridis')

    fontdict = {'fontsize': 10}

    ax.set_xticks(range(len(sentence)+2))
    ax.set_yticks(range(len(result)))

    ax.set_ylim(len(result)-1.5, -0.5)

    ax.set_xticklabels(
        ['<start>']+[tokenizer_pt.decode([i]) for i in sentence]+['<end>'], 
        fontdict=fontdict, rotation=90)

    ax.set_yticklabels([tokenizer_en.decode([i]) for i in result 
                        if i < tokenizer_en.vocab_size], 
                       fontdict=fontdict)

    ax.set_xlabel('Head {}'.format(head+1))

  plt.tight_layout()
  plt.show()
def translate(sentence, plot=''):
  result, attention_weights = evaluate(sentence)

  predicted_sentence = tokenizer_en.decode([i for i in result 
                                            if i < tokenizer_en.vocab_size])  

  print('Input: {}'.format(sentence))
  print('Predicted translation: {}'.format(predicted_sentence))

  if plot:
    plot_attention_weights(attention_weights, sentence, result, plot)
translate("este é um problema que temos que resolver.")
print ("Real translation: this is a problem we have to solve .")
Input: este é um problema que temos que resolver.
Predicted translation: this is a problem that we have to solve one .
Real translation: this is a problem we have to solve .

translate("os meus vizinhos ouviram sobre esta ideia.")
print ("Real translation: and my neighboring homes heard about this idea .")
Input: os meus vizinhos ouviram sobre esta ideia.
Predicted translation: my neighbors heard about this idea .
Real translation: and my neighboring homes heard about this idea .

translate("vou então muito rapidamente partilhar convosco algumas histórias de algumas coisas mágicas que aconteceram.")
print ("Real translation: so i 'll just share with you some stories very quickly of some magical things that have happened .")
Input: vou então muito rapidamente partilhar convosco algumas histórias de algumas coisas mágicas que aconteceram.
Predicted translation: so i 'm going to really quickly share with you some magic stories that happened to happen .
Real translation: so i 'll just share with you some stories very quickly of some magical things that have happened .

Do parametru plot można przekazać różne warstwy i bloki uwagi dekodera.

translate("este é o primeiro livro que eu fiz.", plot='decoder_layer4_block2')
print ("Real translation: this is the first book i've ever done.")
Input: este é o primeiro livro que eu fiz.
Predicted translation: this is the first book i made .

png

Real translation: this is the first book i've ever done.

Podsumowanie

W tym samouczku nauczyłeś się kodowania pozycyjnego, uwagi wielogłowicowej, znaczenia maskowania i tworzenia transformatora.

Spróbuj użyć innego zestawu danych, aby wyszkolić transformator. Możesz także utworzyć transformator podstawowy lub transformator XL, zmieniając powyższe hiperparametry. Możesz również użyć zdefiniowanych tutaj warstw do tworzenia BERT i trenowania najnowocześniejszych modeli. Co więcej, możesz wdrożyć wyszukiwanie wiązki, aby uzyskać lepsze przewidywania.