Reserve a data! O Google I / O retorna de 18 a 20 de maio Registre-se agora
Esta página foi traduzida pela API Cloud Translation.
Switch to English

Modelo de transformador para compreensão de linguagem

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno

Este tutorial treina um modelo do Transformer para traduzir umconjunto de dados de português para inglês . Este é um exemplo avançado que pressupõe conhecimento de geração de texto e atenção .

A ideia central por trás do modelo do Transformer é a auto-atenção - a capacidade de atender a diferentes posições da sequência de entrada para calcular uma representação dessa sequência. O Transformer cria pilhas de camadas de autoatenção e é explicado abaixo nas seções Atenção ao produto escalonado e Atenção multi-cabeça .

Uma variável de tamanho de entrada alças modelo transformador usando pilhas de camadas auto-atenção, em vez de RNNs ou CNNs . Esta arquitetura geral tem uma série de vantagens:

  • Não faz suposições sobre as relações temporais / espaciais entre os dados. Isso é ideal para processar um conjunto de objetos (por exemplo, unidades StarCraft ).
  • As saídas da camada podem ser calculadas em paralelo, em vez de uma série como um RNN.
  • Os itens distantes podem afetar a saída uns dos outros sem passar por muitas etapas RNN ou camadas de convolução (consulte Scene Memory Transformer, por exemplo).
  • Ele pode aprender dependências de longo alcance. Este é um desafio em muitas tarefas de sequência.

As desvantagens dessa arquitetura são:

  • Para uma série temporal, a saída de um intervalo de tempo é calculada a partir de todo o histórico, em vez de apenas as entradas e o estado oculto atual. Isso pode ser menos eficiente.
  • Se a entrada não tem uma relação temporal / espacial, como texto, deve ser adicionado alguns codificação posicional ou o modelo vai ver efetivamente um saco de palavras.

Após treinar a modelo neste notebook, você poderá inserir uma frase em português e devolver a tradução em inglês.

Mapa de calor de atenção

Configurar

pip install -q tensorflow_datasets
pip install -q tensorflow_text
import collections
import logging
import os
import pathlib
import re
import string
import sys
import time

import numpy as np
import matplotlib.pyplot as plt

import tensorflow_datasets as tfds
import tensorflow_text as text
import tensorflow as tf
logging.getLogger('tensorflow').setLevel(logging.ERROR)  # suppress warnings

Baixe o conjunto de dados

Use conjuntos de dados TensorFlow para carregar o conjunto de dados de tradução português-inglês do TED Talks Open Translation Project .

Este conjunto de dados contém aproximadamente 50.000 exemplos de treinamento, 1100 exemplos de validação e 2.000 exemplos de teste.

examples, metadata = tfds.load('ted_hrlr_translate/pt_to_en', with_info=True,
                               as_supervised=True)
train_examples, val_examples = examples['train'], examples['validation']

O objetotf.data.Dataset retornado pelos conjuntos de dados TensorFlow produz pares de exemplos de texto:

for pt_examples, en_examples in train_examples.batch(3).take(1):
  for pt in pt_examples.numpy():
    print(pt.decode('utf-8'))

  print()

  for en in en_examples.numpy():
    print(en.decode('utf-8'))
e quando melhoramos a procura , tiramos a única vantagem da impressão , que é a serendipidade .
mas e se estes fatores fossem ativos ?
mas eles não tinham a curiosidade de me testar .

and when you improve searchability , you actually take away the one advantage of print , which is serendipity .
but what if it were active ?
but they did n't test for curiosity .

Tokenização e detokenização de texto

Você não pode treinar um modelo diretamente no texto. O texto precisa ser convertido para alguma representação numérica primeiro. Normalmente, você converte o texto em sequências de IDs de token, que são como índices em uma incorporação.

Uma implementação popular é demonstrada no tutorial do tokenizer de subpalavra constrói tokenizadores de text.BertTokenizer ( text.BertTokenizer ) otimizados para este conjunto de dados e os exporta em um saved_model .

Baixe, descompacte e importe o modelo saved_model :

model_name = "ted_hrlr_translate_pt_en_converter"
tf.keras.utils.get_file(
    f"{model_name}.zip",
    f"https://storage.googleapis.com/download.tensorflow.org/models/{model_name}.zip",
    cache_dir='.', cache_subdir='', extract=True
)
Downloading data from https://storage.googleapis.com/download.tensorflow.org/models/ted_hrlr_translate_pt_en_converter.zip
188416/184801 [==============================] - 0s 0us/step
'./ted_hrlr_translate_pt_en_converter.zip'
tokenizers = tf.saved_model.load(model_name)

O tf.saved_model contém dois tokenizers de texto, um para inglês e outro para português. Ambos têm os mesmos métodos:

[item for item in dir(tokenizers.en) if not item.startswith('_')]
['detokenize',
 'get_reserved_tokens',
 'get_vocab_path',
 'get_vocab_size',
 'lookup',
 'tokenize',
 'tokenizer',
 'vocab']

O método tokenize converte um lote de strings em um lote preenchido de IDs de token. Este método divide a pontuação, letras minúsculas e unicode-normaliza a entrada antes de tokenizar. Essa padronização não é visível aqui porque os dados de entrada já estão padronizados.

for en in en_examples.numpy():
  print(en.decode('utf-8'))
and when you improve searchability , you actually take away the one advantage of print , which is serendipity .
but what if it were active ?
but they did n't test for curiosity .
encoded = tokenizers.en.tokenize(en_examples)

for row in encoded.to_list():
  print(row)
[2, 72, 117, 79, 1259, 1491, 2362, 13, 79, 150, 184, 311, 71, 103, 2308, 74, 2679, 13, 148, 80, 55, 4840, 1434, 2423, 540, 15, 3]
[2, 87, 90, 107, 76, 129, 1852, 30, 3]
[2, 87, 83, 149, 50, 9, 56, 664, 85, 2512, 15, 3]

O método detokenize tenta converter esses IDs de token de volta em texto legível por humanos:

round_trip = tokenizers.en.detokenize(encoded)
for line in round_trip.numpy():
  print(line.decode('utf-8'))
and when you improve searchability , you actually take away the one advantage of print , which is serendipity .
but what if it were active ?
but they did n ' t test for curiosity .

O método de lookup nível inferior converte de token-IDs em texto de token:

tokens = tokenizers.en.lookup(encoded)
tokens
<tf.RaggedTensor [[b'[START]', b'and', b'when', b'you', b'improve', b'search', b'##ability', b',', b'you', b'actually', b'take', b'away', b'the', b'one', b'advantage', b'of', b'print', b',', b'which', b'is', b's', b'##ere', b'##nd', b'##ip', b'##ity', b'.', b'[END]'], [b'[START]', b'but', b'what', b'if', b'it', b'were', b'active', b'?', b'[END]'], [b'[START]', b'but', b'they', b'did', b'n', b"'", b't', b'test', b'for', b'curiosity', b'.', b'[END]']]>

Aqui você pode ver o aspecto de "subpalavra" dos tokenizadores. A palavra "capacidade de pesquisa" é decomposta em "capacidade de pesquisa ##" e a palavra "serindipidade" em "s ## ere ## nd ## ip ## ity"

Configurar pipeline de entrada

Para construir um pipeline de entrada adequado para treinamento, você aplicará algumas transformações ao conjunto de dados.

Esta função será usada para codificar os lotes de texto bruto:

def tokenize_pairs(pt, en):
    pt = tokenizers.pt.tokenize(pt)
    # Convert from ragged to dense, padding with zeros.
    pt = pt.to_tensor()

    en = tokenizers.en.tokenize(en)
    # Convert from ragged to dense, padding with zeros.
    en = en.to_tensor()
    return pt, en

Este é um pipeline de entrada simples que processa, embaralha e agrupa os dados:

BUFFER_SIZE = 20000
BATCH_SIZE = 64
def make_batches(ds):
  return (
      ds
      .cache()
      .shuffle(BUFFER_SIZE)
      .batch(BATCH_SIZE)
      .map(tokenize_pairs, num_parallel_calls=tf.data.AUTOTUNE)
      .prefetch(tf.data.AUTOTUNE))


train_batches = make_batches(train_examples)
val_batches = make_batches(val_examples)

Codificação posicional

Como este modelo não contém nenhuma recorrência ou convolução, a codificação posicional é adicionada para fornecer ao modelo algumas informações sobre a posição relativa das palavras na frase.

O vetor de codificação posicional é adicionado ao vetor de incorporação. Os embeddings representam um token em um espaço d-dimensional onde os tokens com significados semelhantes estarão mais próximos uns dos outros. Mas os embeddings não codificam a posição relativa das palavras em uma frase. Assim, após adicionar a codificação posicional, as palavras ficarão mais próximas umas das outras com base na semelhança de seu significado e sua posição na frase , no espaço d-dimensional.

Veja o bloco de notas sobre codificação posicional para aprender mais sobre isso. A fórmula para calcular a codificação posicional é a seguinte:

$$\Large{PE_{(pos, 2i)} = \sin(pos / 10000^{2i / d_{model} })} $$
$$\Large{PE_{(pos, 2i+1)} = \cos(pos / 10000^{2i / d_{model} })} $$
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)
n, d = 2048, 512
pos_encoding = positional_encoding(n, d)
print(pos_encoding.shape)
pos_encoding = pos_encoding[0]

# Juggle the dimensions for the plot
pos_encoding = tf.reshape(pos_encoding, (n, d//2, 2))
pos_encoding = tf.transpose(pos_encoding, (2, 1, 0))
pos_encoding = tf.reshape(pos_encoding, (d, n))

plt.pcolormesh(pos_encoding, cmap='RdBu')
plt.ylabel('Depth')
plt.xlabel('Position')
plt.colorbar()
plt.show()
(1, 2048, 512)

png

Mascaramento

Mascare todos os tokens de pad no lote da sequência. Isso garante que o modelo não trate o preenchimento como entrada. A máscara indica onde o valor de pad 0 está presente: ela produz um 1 nesses locais e um 0 caso contrário.

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)>

A máscara de antecipação é usada para mascarar os tokens futuros em uma sequência. Em outras palavras, a máscara indica quais entradas não devem ser usadas.

Isso significa que, para prever a terceira palavra, apenas a primeira e a segunda palavras serão usadas. Da mesma forma, para prever a quarta palavra, apenas a primeira, a segunda e a terceira palavras serão usadas e assim por diante.

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)>

Atenção ao produto escalonado

scaled_dot_product_attention

A função de atenção usada pelo transformador tem três entradas: Q (consulta), K (chave), V (valor). A equação usada para calcular os pesos de atenção é:

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

A atenção do produto escalar é dimensionada por um fator de raiz quadrada da profundidade. Isso é feito porque para grandes valores de profundidade, o produto escalar cresce em magnitude empurrando a função softmax onde tem pequenos gradientes resultando em um softmax muito difícil.

Por exemplo, considere que Q e K têm média 0 e variância 1. Sua multiplicação de matrizes terá média 0 e variância dk . Portanto, a raiz quadrada de dk é usada para dimensionamento, de modo que você obtém uma variância consistente, independentemente do valor de dk . Se a variação for muito baixa, a saída pode ser muito plana para otimizar de forma eficaz. Se a variância for muito alta, o softmax pode saturar na inicialização, dificultando o aprendizado.

A máscara é multiplicada por -1e9 (próximo ao infinito negativo). Isso é feito porque a máscara é somada à multiplicação da matriz em escala de Q e K e é aplicada imediatamente antes de um softmax. O objetivo é zerar essas células, e grandes entradas negativas para softmax estão perto de zero na saída.

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

Como a normalização softmax é feita em K, seus valores decidem a importância dada a Q.

A saída representa a multiplicação dos pesos de atenção e o vetor V (valor). Isso garante que as palavras nas quais você deseja se concentrar sejam mantidas como estão e que as palavras irrelevantes sejam eliminadas.

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)

Passe todas as consultas juntas.

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)

Atenção multi-cabeça

atenção multi-cabeça

A atenção de várias cabeças consiste em quatro partes:

  • Camadas lineares e divididas em cabeças.
  • Atenção ao produto escalado em escala.
  • Concatenação de cabeças.
  • Camada linear final.

Cada bloco de atenção com várias cabeças recebe três entradas; Q (consulta), K (chave), V (valor). Eles são colocados em camadas lineares (densas) e divididos em várias cabeças.

O scaled_dot_product_attention definido acima é aplicado a cada cabeçote (transmitido para eficiência). Uma máscara apropriada deve ser usada na etapa de atenção. A saída de atenção para cada cabeça é então concatenada (usando tf.transpose e tf.reshape ) e tf.reshape por uma camada Dense final.

Em vez de uma única cabeça de atenção, Q, K e V são divididos em várias cabeças porque permite que o modelo atenda conjuntamente a informações em diferentes posições de diferentes espaços representacionais. Após a divisão, cada cabeça tem uma dimensionalidade reduzida, então o custo total de computação é o mesmo que a atenção de uma única cabeça com dimensionalidade total.

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

Crie uma camada MultiHeadAttention para experimentar. Em cada local na sequência, y , o MultiHeadAttention executa todas as 8 cabeças de atenção em todos os outros locais na sequência, retornando um novo vetor do mesmo comprimento em cada local.

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]))

Rede de feed forward inteligente

A rede de alimentação direta pontual consiste em duas camadas totalmente conectadas com uma ativação ReLU entre elas.

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])

Codificador e decodificador

transformador

O modelo do transformador segue o mesmo padrão geral que o modelo de sequência padrão para sequência com atenção .

  • A sentença de entrada é passada por N camadas de codificador que geram uma saída para cada palavra / token na sequência.
  • O decodificador atende à saída do codificador e sua própria entrada (autoatenção) para prever a próxima palavra.

Camada codificadora

Cada camada do codificador consiste em subcamadas:

  1. Atenção multi-cabeça (com máscara de preenchimento)
  2. Aponte redes de feed forward inteligentes.

Cada uma dessas subcamadas tem uma conexão residual em torno dela seguida por uma normalização de camada. As conexões residuais ajudam a evitar o problema do gradiente de desaparecimento em redes profundas.

A saída de cada subcamada é LayerNorm(x + Sublayer(x)) . A normalização é feita no eixo d_model (último). Existem N camadas de codificador no transformador.

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])

Camada decodificadora

Cada camada do decodificador consiste em subcamadas:

  1. Atenção de várias cabeças mascarada (com máscara de observação e máscara de preenchimento)
  2. Atenção multi-cabeça (com máscara de enchimento). V (valor) e K (chave) recebem a saída do codificador como entradas. Q (consulta) recebe a saída da subcamada de atenção com várias cabeças mascaradas.
  3. Aponte redes de feed forward inteligente

Cada uma dessas subcamadas tem uma conexão residual em torno dela seguida por uma normalização de camada. A saída de cada subcamada é LayerNorm(x + Sublayer(x)) . A normalização é feita no eixo d_model (último).

Existem N camadas de decodificador no transformador.

À medida que Q recebe a saída do primeiro bloco de atenção do decodificador e K recebe a saída do codificador, os pesos de atenção representam a importância dada à entrada do decodificador com base na saída do codificador. Em outras palavras, o decodificador prevê a próxima palavra olhando para a saída do codificador e atendendo automaticamente sua própria saída. Veja a demonstração acima na seção de atenção ao produto escalonado.

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])

Codificador

O Encoder consiste em:

  1. Incorporação de entrada
  2. Codificação Posicional
  3. N camadas codificadoras

A entrada é submetida a uma incorporação que é somada à codificação posicional. A saída desse somatório é a entrada para as camadas do codificador. A saída do codificador é a entrada para o decodificador.

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)

Decodificador

O Decoder consiste em:

  1. Incorporação de saída
  2. Codificação Posicional
  3. N camadas de decodificador

O destino é submetido a uma incorporação que se soma à codificação posicional. A saída desse somatório é a entrada para as camadas do decodificador. A saída do decodificador é a entrada para a camada linear final.

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[f'decoder_layer{i+1}_block1'] = block1
      attention_weights[f'decoder_layer{i+1}_block2'] = 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]))

Crie o Transformer

O transformador consiste no codificador, decodificador e uma camada linear final. A saída do decodificador é a entrada para a camada linear e sua saída é retornada.

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.tokenizer = 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.tokenizer(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])

Definir hiperparâmetros

Para manter este exemplo pequeno e relativamente rápido, os valores de num_layers, d_model e dff foram reduzidos.

Os valores usados ​​no modelo básico do transformador foram; núm_camadas = 6 , d_modelo = 512 , dff = 2048 . Veja o artigo para todas as outras versões do transformador.

num_layers = 4
d_model = 128
dff = 512
num_heads = 8
dropout_rate = 0.1

Otimizador

Use o otimizador Adam com um programador de taxa de aprendizagem personalizado de acordo com a fórmula do artigo .

$$\Large{lrate = d_{model}^{-0.5} * \min(step{\_}num^{-0.5}, step{\_}num \cdot warmup{\_}steps^{-1.5})}$$
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

Perda e métricas

Como as sequências de destino são preenchidas, é importante aplicar uma máscara de preenchimento ao calcular a perda.

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')

Treinamento e verificação

transformer = Transformer(
    num_layers=num_layers,
    d_model=d_model,
    num_heads=num_heads,
    dff=dff,
    input_vocab_size=tokenizers.pt.get_vocab_size(),
    target_vocab_size=tokenizers.en.get_vocab_size(),
    pe_input=1000,
    pe_target=1000,
    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

Crie o caminho do ponto de verificação e o gerenciador de ponto de verificação. Isso será usado para salvar pontos de verificação a cada n épocas.

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!!')

O destino é dividido em tar_inp e tar_real. tar_inp é passado como uma entrada para o decodificador. tar_real é a mesma entrada deslocada por 1: Em cada local em tar_input , tar_real contém o próximo token que deve ser previsto.

Por exemplo, sentence = "SOS Um leão na selva está dormindo EOS"

tar_inp = "SOS Um leão na selva está dormindo"

tar_real = "Um leão na selva está dormindo EOS"

O transformador é um modelo auto-regressivo: ele faz previsões uma parte por vez e usa sua saída até agora para decidir o que fazer a seguir.

Durante o treinamento, este exemplo usa a força do professor (como no tutorial de geração de texto ). Forçar o professor é passar a saída verdadeira para a próxima etapa de tempo, independentemente do que o modelo prevê na etapa de tempo atual.

À medida que o transformador prevê cada palavra, a autoatenção permite que ele examine as palavras anteriores na sequência de entrada para prever melhor a próxima palavra.

Para evitar que o modelo espie a saída esperada, o modelo usa uma máscara de antecipação.

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))

O português é usado como idioma de entrada e o inglês é o idioma de destino.

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_batches):
    train_step(inp, tar)

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

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

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

  print(f'Time taken for 1 epoch: {time.time() - start:.2f} secs\n')
Epoch 1 Batch 0 Loss 8.9100 Accuracy 0.0000
Epoch 1 Batch 50 Loss 8.8356 Accuracy 0.0000
Epoch 1 Batch 100 Loss 8.7204 Accuracy 0.0189
Epoch 1 Batch 150 Loss 8.6013 Accuracy 0.0301
Epoch 1 Batch 200 Loss 8.4595 Accuracy 0.0368
Epoch 1 Batch 250 Loss 8.2902 Accuracy 0.0419
Epoch 1 Batch 300 Loss 8.0998 Accuracy 0.0480
Epoch 1 Batch 350 Loss 7.9023 Accuracy 0.0537
Epoch 1 Batch 400 Loss 7.7121 Accuracy 0.0603
Epoch 1 Batch 450 Loss 7.5456 Accuracy 0.0684
Epoch 1 Batch 500 Loss 7.3958 Accuracy 0.0762
Epoch 1 Batch 550 Loss 7.2616 Accuracy 0.0834
Epoch 1 Batch 600 Loss 7.1360 Accuracy 0.0909
Epoch 1 Batch 650 Loss 7.0193 Accuracy 0.0980
Epoch 1 Batch 700 Loss 6.9098 Accuracy 0.1048
Epoch 1 Batch 750 Loss 6.8094 Accuracy 0.1110
Epoch 1 Batch 800 Loss 6.7171 Accuracy 0.1166
Epoch 1 Loss 6.7009 Accuracy 0.1176
Time taken for 1 epoch: 62.77 secs

Epoch 2 Batch 0 Loss 5.3367 Accuracy 0.1986
Epoch 2 Batch 50 Loss 5.2102 Accuracy 0.2122
Epoch 2 Batch 100 Loss 5.1933 Accuracy 0.2141
Epoch 2 Batch 150 Loss 5.1574 Accuracy 0.2184
Epoch 2 Batch 200 Loss 5.1324 Accuracy 0.2211
Epoch 2 Batch 250 Loss 5.1131 Accuracy 0.2230
Epoch 2 Batch 300 Loss 5.0927 Accuracy 0.2252
Epoch 2 Batch 350 Loss 5.0686 Accuracy 0.2279
Epoch 2 Batch 400 Loss 5.0458 Accuracy 0.2304
Epoch 2 Batch 450 Loss 5.0202 Accuracy 0.2330
Epoch 2 Batch 500 Loss 4.9994 Accuracy 0.2352
Epoch 2 Batch 550 Loss 4.9846 Accuracy 0.2367
Epoch 2 Batch 600 Loss 4.9679 Accuracy 0.2381
Epoch 2 Batch 650 Loss 4.9507 Accuracy 0.2399
Epoch 2 Batch 700 Loss 4.9325 Accuracy 0.2416
Epoch 2 Batch 750 Loss 4.9148 Accuracy 0.2431
Epoch 2 Batch 800 Loss 4.8987 Accuracy 0.2446
Epoch 2 Loss 4.8961 Accuracy 0.2449
Time taken for 1 epoch: 50.23 secs

Epoch 3 Batch 0 Loss 4.4982 Accuracy 0.3001
Epoch 3 Batch 50 Loss 4.5929 Accuracy 0.2684
Epoch 3 Batch 100 Loss 4.5739 Accuracy 0.2724
Epoch 3 Batch 150 Loss 4.5582 Accuracy 0.2744
Epoch 3 Batch 200 Loss 4.5466 Accuracy 0.2755
Epoch 3 Batch 250 Loss 4.5418 Accuracy 0.2764
Epoch 3 Batch 300 Loss 4.5288 Accuracy 0.2779
Epoch 3 Batch 350 Loss 4.5153 Accuracy 0.2796
Epoch 3 Batch 400 Loss 4.4985 Accuracy 0.2813
Epoch 3 Batch 450 Loss 4.4831 Accuracy 0.2831
Epoch 3 Batch 500 Loss 4.4666 Accuracy 0.2851
Epoch 3 Batch 550 Loss 4.4518 Accuracy 0.2869
Epoch 3 Batch 600 Loss 4.4358 Accuracy 0.2888
Epoch 3 Batch 650 Loss 4.4201 Accuracy 0.2908
Epoch 3 Batch 700 Loss 4.4041 Accuracy 0.2927
Epoch 3 Batch 750 Loss 4.3882 Accuracy 0.2945
Epoch 3 Batch 800 Loss 4.3714 Accuracy 0.2966
Epoch 3 Loss 4.3674 Accuracy 0.2971
Time taken for 1 epoch: 49.58 secs

Epoch 4 Batch 0 Loss 4.0688 Accuracy 0.3188
Epoch 4 Batch 50 Loss 4.0178 Accuracy 0.3364
Epoch 4 Batch 100 Loss 4.0144 Accuracy 0.3363
Epoch 4 Batch 150 Loss 3.9990 Accuracy 0.3384
Epoch 4 Batch 200 Loss 3.9837 Accuracy 0.3407
Epoch 4 Batch 250 Loss 3.9590 Accuracy 0.3442
Epoch 4 Batch 300 Loss 3.9439 Accuracy 0.3468
Epoch 4 Batch 350 Loss 3.9256 Accuracy 0.3491
Epoch 4 Batch 400 Loss 3.9088 Accuracy 0.3516
Epoch 4 Batch 450 Loss 3.8955 Accuracy 0.3534
Epoch 4 Batch 500 Loss 3.8801 Accuracy 0.3555
Epoch 4 Batch 550 Loss 3.8677 Accuracy 0.3572
Epoch 4 Batch 600 Loss 3.8543 Accuracy 0.3591
Epoch 4 Batch 650 Loss 3.8413 Accuracy 0.3610
Epoch 4 Batch 700 Loss 3.8278 Accuracy 0.3626
Epoch 4 Batch 750 Loss 3.8151 Accuracy 0.3643
Epoch 4 Batch 800 Loss 3.8018 Accuracy 0.3661
Epoch 4 Loss 3.7992 Accuracy 0.3664
Time taken for 1 epoch: 49.30 secs

Epoch 5 Batch 0 Loss 3.4919 Accuracy 0.4033
Epoch 5 Batch 50 Loss 3.5070 Accuracy 0.3975
Epoch 5 Batch 100 Loss 3.4946 Accuracy 0.4005
Epoch 5 Batch 150 Loss 3.4881 Accuracy 0.4014
Epoch 5 Batch 200 Loss 3.4732 Accuracy 0.4044
Epoch 5 Batch 250 Loss 3.4666 Accuracy 0.4052
Epoch 5 Batch 300 Loss 3.4576 Accuracy 0.4060
Epoch 5 Batch 350 Loss 3.4427 Accuracy 0.4083
Epoch 5 Batch 400 Loss 3.4292 Accuracy 0.4102
Epoch 5 Batch 450 Loss 3.4159 Accuracy 0.4121
Epoch 5 Batch 500 Loss 3.4036 Accuracy 0.4137
Epoch 5 Batch 550 Loss 3.3930 Accuracy 0.4152
Epoch 5 Batch 600 Loss 3.3852 Accuracy 0.4163
Epoch 5 Batch 650 Loss 3.3783 Accuracy 0.4172
Epoch 5 Batch 700 Loss 3.3682 Accuracy 0.4186
Epoch 5 Batch 750 Loss 3.3597 Accuracy 0.4197
Epoch 5 Batch 800 Loss 3.3512 Accuracy 0.4209
Saving checkpoint for epoch 5 at ./checkpoints/train/ckpt-1
Epoch 5 Loss 3.3500 Accuracy 0.4209
Time taken for 1 epoch: 50.38 secs

Epoch 6 Batch 0 Loss 2.7326 Accuracy 0.4912
Epoch 6 Batch 50 Loss 3.0709 Accuracy 0.4535
Epoch 6 Batch 100 Loss 3.0605 Accuracy 0.4557
Epoch 6 Batch 150 Loss 3.0550 Accuracy 0.4566
Epoch 6 Batch 200 Loss 3.0579 Accuracy 0.4564
Epoch 6 Batch 250 Loss 3.0414 Accuracy 0.4586
Epoch 6 Batch 300 Loss 3.0309 Accuracy 0.4606
Epoch 6 Batch 350 Loss 3.0224 Accuracy 0.4614
Epoch 6 Batch 400 Loss 3.0133 Accuracy 0.4624
Epoch 6 Batch 450 Loss 3.0020 Accuracy 0.4639
Epoch 6 Batch 500 Loss 2.9945 Accuracy 0.4650
Epoch 6 Batch 550 Loss 2.9890 Accuracy 0.4660
Epoch 6 Batch 600 Loss 2.9801 Accuracy 0.4672
Epoch 6 Batch 650 Loss 2.9739 Accuracy 0.4681
Epoch 6 Batch 700 Loss 2.9649 Accuracy 0.4694
Epoch 6 Batch 750 Loss 2.9566 Accuracy 0.4705
Epoch 6 Batch 800 Loss 2.9511 Accuracy 0.4712
Epoch 6 Loss 2.9493 Accuracy 0.4715
Time taken for 1 epoch: 50.79 secs

Epoch 7 Batch 0 Loss 2.5923 Accuracy 0.5178
Epoch 7 Batch 50 Loss 2.7039 Accuracy 0.5011
Epoch 7 Batch 100 Loss 2.6967 Accuracy 0.5013
Epoch 7 Batch 150 Loss 2.6928 Accuracy 0.5017
Epoch 7 Batch 200 Loss 2.6884 Accuracy 0.5025
Epoch 7 Batch 250 Loss 2.6836 Accuracy 0.5029
Epoch 7 Batch 300 Loss 2.6736 Accuracy 0.5046
Epoch 7 Batch 350 Loss 2.6701 Accuracy 0.5052
Epoch 7 Batch 400 Loss 2.6645 Accuracy 0.5061
Epoch 7 Batch 450 Loss 2.6616 Accuracy 0.5065
Epoch 7 Batch 500 Loss 2.6530 Accuracy 0.5079
Epoch 7 Batch 550 Loss 2.6468 Accuracy 0.5088
Epoch 7 Batch 600 Loss 2.6410 Accuracy 0.5097
Epoch 7 Batch 650 Loss 2.6367 Accuracy 0.5105
Epoch 7 Batch 700 Loss 2.6331 Accuracy 0.5110
Epoch 7 Batch 750 Loss 2.6284 Accuracy 0.5119
Epoch 7 Batch 800 Loss 2.6259 Accuracy 0.5123
Epoch 7 Loss 2.6256 Accuracy 0.5124
Time taken for 1 epoch: 50.15 secs

Epoch 8 Batch 0 Loss 2.0821 Accuracy 0.5868
Epoch 8 Batch 50 Loss 2.4047 Accuracy 0.5410
Epoch 8 Batch 100 Loss 2.4083 Accuracy 0.5394
Epoch 8 Batch 150 Loss 2.4116 Accuracy 0.5393
Epoch 8 Batch 200 Loss 2.4099 Accuracy 0.5397
Epoch 8 Batch 250 Loss 2.4124 Accuracy 0.5391
Epoch 8 Batch 300 Loss 2.4089 Accuracy 0.5395
Epoch 8 Batch 350 Loss 2.4047 Accuracy 0.5404
Epoch 8 Batch 400 Loss 2.4027 Accuracy 0.5407
Epoch 8 Batch 450 Loss 2.4025 Accuracy 0.5407
Epoch 8 Batch 500 Loss 2.4000 Accuracy 0.5412
Epoch 8 Batch 550 Loss 2.3966 Accuracy 0.5420
Epoch 8 Batch 600 Loss 2.3945 Accuracy 0.5423
Epoch 8 Batch 650 Loss 2.3957 Accuracy 0.5422
Epoch 8 Batch 700 Loss 2.3934 Accuracy 0.5426
Epoch 8 Batch 750 Loss 2.3945 Accuracy 0.5426
Epoch 8 Batch 800 Loss 2.3913 Accuracy 0.5431
Epoch 8 Loss 2.3909 Accuracy 0.5432
Time taken for 1 epoch: 50.24 secs

Epoch 9 Batch 0 Loss 2.2065 Accuracy 0.5583
Epoch 9 Batch 50 Loss 2.2045 Accuracy 0.5660
Epoch 9 Batch 100 Loss 2.2084 Accuracy 0.5668
Epoch 9 Batch 150 Loss 2.2118 Accuracy 0.5665
Epoch 9 Batch 200 Loss 2.2072 Accuracy 0.5677
Epoch 9 Batch 250 Loss 2.2118 Accuracy 0.5668
Epoch 9 Batch 300 Loss 2.2182 Accuracy 0.5663
Epoch 9 Batch 350 Loss 2.2157 Accuracy 0.5665
Epoch 9 Batch 400 Loss 2.2184 Accuracy 0.5662
Epoch 9 Batch 450 Loss 2.2162 Accuracy 0.5667
Epoch 9 Batch 500 Loss 2.2162 Accuracy 0.5669
Epoch 9 Batch 550 Loss 2.2137 Accuracy 0.5674
Epoch 9 Batch 600 Loss 2.2144 Accuracy 0.5672
Epoch 9 Batch 650 Loss 2.2145 Accuracy 0.5674
Epoch 9 Batch 700 Loss 2.2142 Accuracy 0.5676
Epoch 9 Batch 750 Loss 2.2136 Accuracy 0.5678
Epoch 9 Batch 800 Loss 2.2143 Accuracy 0.5677
Epoch 9 Loss 2.2153 Accuracy 0.5676
Time taken for 1 epoch: 50.02 secs

Epoch 10 Batch 0 Loss 2.2510 Accuracy 0.5560
Epoch 10 Batch 50 Loss 2.0568 Accuracy 0.5881
Epoch 10 Batch 100 Loss 2.0707 Accuracy 0.5854
Epoch 10 Batch 150 Loss 2.0704 Accuracy 0.5862
Epoch 10 Batch 200 Loss 2.0712 Accuracy 0.5863
Epoch 10 Batch 250 Loss 2.0676 Accuracy 0.5870
Epoch 10 Batch 300 Loss 2.0712 Accuracy 0.5864
Epoch 10 Batch 350 Loss 2.0699 Accuracy 0.5867
Epoch 10 Batch 400 Loss 2.0720 Accuracy 0.5864
Epoch 10 Batch 450 Loss 2.0706 Accuracy 0.5868
Epoch 10 Batch 500 Loss 2.0726 Accuracy 0.5866
Epoch 10 Batch 550 Loss 2.0770 Accuracy 0.5860
Epoch 10 Batch 600 Loss 2.0757 Accuracy 0.5863
Epoch 10 Batch 650 Loss 2.0770 Accuracy 0.5863
Epoch 10 Batch 700 Loss 2.0794 Accuracy 0.5860
Epoch 10 Batch 750 Loss 2.0783 Accuracy 0.5865
Epoch 10 Batch 800 Loss 2.0773 Accuracy 0.5868
Saving checkpoint for epoch 10 at ./checkpoints/train/ckpt-2
Epoch 10 Loss 2.0783 Accuracy 0.5867
Time taken for 1 epoch: 50.45 secs

Epoch 11 Batch 0 Loss 2.1780 Accuracy 0.5496
Epoch 11 Batch 50 Loss 1.9558 Accuracy 0.6021
Epoch 11 Batch 100 Loss 1.9544 Accuracy 0.6036
Epoch 11 Batch 150 Loss 1.9594 Accuracy 0.6024
Epoch 11 Batch 200 Loss 1.9580 Accuracy 0.6032
Epoch 11 Batch 250 Loss 1.9611 Accuracy 0.6026
Epoch 11 Batch 300 Loss 1.9605 Accuracy 0.6024
Epoch 11 Batch 350 Loss 1.9613 Accuracy 0.6026
Epoch 11 Batch 400 Loss 1.9622 Accuracy 0.6024
Epoch 11 Batch 450 Loss 1.9624 Accuracy 0.6025
Epoch 11 Batch 500 Loss 1.9636 Accuracy 0.6022
Epoch 11 Batch 550 Loss 1.9651 Accuracy 0.6023
Epoch 11 Batch 600 Loss 1.9660 Accuracy 0.6022
Epoch 11 Batch 650 Loss 1.9666 Accuracy 0.6021
Epoch 11 Batch 700 Loss 1.9682 Accuracy 0.6019
Epoch 11 Batch 750 Loss 1.9691 Accuracy 0.6019
Epoch 11 Batch 800 Loss 1.9684 Accuracy 0.6022
Epoch 11 Loss 1.9684 Accuracy 0.6023
Time taken for 1 epoch: 49.93 secs

Epoch 12 Batch 0 Loss 2.0619 Accuracy 0.5867
Epoch 12 Batch 50 Loss 1.8266 Accuracy 0.6231
Epoch 12 Batch 100 Loss 1.8458 Accuracy 0.6203
Epoch 12 Batch 150 Loss 1.8579 Accuracy 0.6175
Epoch 12 Batch 200 Loss 1.8604 Accuracy 0.6173
Epoch 12 Batch 250 Loss 1.8588 Accuracy 0.6179
Epoch 12 Batch 300 Loss 1.8587 Accuracy 0.6179
Epoch 12 Batch 350 Loss 1.8588 Accuracy 0.6180
Epoch 12 Batch 400 Loss 1.8620 Accuracy 0.6175
Epoch 12 Batch 450 Loss 1.8633 Accuracy 0.6174
Epoch 12 Batch 500 Loss 1.8645 Accuracy 0.6171
Epoch 12 Batch 550 Loss 1.8662 Accuracy 0.6168
Epoch 12 Batch 600 Loss 1.8680 Accuracy 0.6167
Epoch 12 Batch 650 Loss 1.8693 Accuracy 0.6165
Epoch 12 Batch 700 Loss 1.8712 Accuracy 0.6165
Epoch 12 Batch 750 Loss 1.8724 Accuracy 0.6164
Epoch 12 Batch 800 Loss 1.8736 Accuracy 0.6163
Epoch 12 Loss 1.8738 Accuracy 0.6163
Time taken for 1 epoch: 50.68 secs

Epoch 13 Batch 0 Loss 1.6363 Accuracy 0.6542
Epoch 13 Batch 50 Loss 1.7369 Accuracy 0.6358
Epoch 13 Batch 100 Loss 1.7542 Accuracy 0.6321
Epoch 13 Batch 150 Loss 1.7633 Accuracy 0.6302
Epoch 13 Batch 200 Loss 1.7693 Accuracy 0.6293
Epoch 13 Batch 250 Loss 1.7778 Accuracy 0.6286
Epoch 13 Batch 300 Loss 1.7800 Accuracy 0.6285
Epoch 13 Batch 350 Loss 1.7840 Accuracy 0.6278
Epoch 13 Batch 400 Loss 1.7855 Accuracy 0.6277
Epoch 13 Batch 450 Loss 1.7845 Accuracy 0.6279
Epoch 13 Batch 500 Loss 1.7837 Accuracy 0.6281
Epoch 13 Batch 550 Loss 1.7856 Accuracy 0.6279
Epoch 13 Batch 600 Loss 1.7884 Accuracy 0.6276
Epoch 13 Batch 650 Loss 1.7907 Accuracy 0.6274
Epoch 13 Batch 700 Loss 1.7921 Accuracy 0.6275
Epoch 13 Batch 750 Loss 1.7938 Accuracy 0.6273
Epoch 13 Batch 800 Loss 1.7959 Accuracy 0.6271
Epoch 13 Loss 1.7955 Accuracy 0.6272
Time taken for 1 epoch: 51.56 secs

Epoch 14 Batch 0 Loss 1.7589 Accuracy 0.6225
Epoch 14 Batch 50 Loss 1.6739 Accuracy 0.6436
Epoch 14 Batch 100 Loss 1.6871 Accuracy 0.6421
Epoch 14 Batch 150 Loss 1.6937 Accuracy 0.6416
Epoch 14 Batch 200 Loss 1.6950 Accuracy 0.6415
Epoch 14 Batch 250 Loss 1.6975 Accuracy 0.6415
Epoch 14 Batch 300 Loss 1.6951 Accuracy 0.6418
Epoch 14 Batch 350 Loss 1.7000 Accuracy 0.6411
Epoch 14 Batch 400 Loss 1.7041 Accuracy 0.6407
Epoch 14 Batch 450 Loss 1.7068 Accuracy 0.6402
Epoch 14 Batch 500 Loss 1.7096 Accuracy 0.6399
Epoch 14 Batch 550 Loss 1.7104 Accuracy 0.6398
Epoch 14 Batch 600 Loss 1.7128 Accuracy 0.6394
Epoch 14 Batch 650 Loss 1.7166 Accuracy 0.6388
Epoch 14 Batch 700 Loss 1.7200 Accuracy 0.6382
Epoch 14 Batch 750 Loss 1.7228 Accuracy 0.6379
Epoch 14 Batch 800 Loss 1.7256 Accuracy 0.6375
Epoch 14 Loss 1.7268 Accuracy 0.6374
Time taken for 1 epoch: 51.95 secs

Epoch 15 Batch 0 Loss 1.6051 Accuracy 0.6474
Epoch 15 Batch 50 Loss 1.6280 Accuracy 0.6511
Epoch 15 Batch 100 Loss 1.6313 Accuracy 0.6497
Epoch 15 Batch 150 Loss 1.6378 Accuracy 0.6503
Epoch 15 Batch 200 Loss 1.6409 Accuracy 0.6502
Epoch 15 Batch 250 Loss 1.6412 Accuracy 0.6502
Epoch 15 Batch 300 Loss 1.6407 Accuracy 0.6505
Epoch 15 Batch 350 Loss 1.6438 Accuracy 0.6497
Epoch 15 Batch 400 Loss 1.6457 Accuracy 0.6492
Epoch 15 Batch 450 Loss 1.6487 Accuracy 0.6489
Epoch 15 Batch 500 Loss 1.6520 Accuracy 0.6485
Epoch 15 Batch 550 Loss 1.6559 Accuracy 0.6480
Epoch 15 Batch 600 Loss 1.6572 Accuracy 0.6477
Epoch 15 Batch 650 Loss 1.6595 Accuracy 0.6475
Epoch 15 Batch 700 Loss 1.6608 Accuracy 0.6474
Epoch 15 Batch 750 Loss 1.6632 Accuracy 0.6471
Epoch 15 Batch 800 Loss 1.6663 Accuracy 0.6466
Saving checkpoint for epoch 15 at ./checkpoints/train/ckpt-3
Epoch 15 Loss 1.6664 Accuracy 0.6467
Time taken for 1 epoch: 51.73 secs

Epoch 16 Batch 0 Loss 1.6299 Accuracy 0.6467
Epoch 16 Batch 50 Loss 1.5914 Accuracy 0.6572
Epoch 16 Batch 100 Loss 1.5856 Accuracy 0.6581
Epoch 16 Batch 150 Loss 1.5843 Accuracy 0.6588
Epoch 16 Batch 200 Loss 1.5905 Accuracy 0.6575
Epoch 16 Batch 250 Loss 1.5917 Accuracy 0.6577
Epoch 16 Batch 300 Loss 1.5925 Accuracy 0.6574
Epoch 16 Batch 350 Loss 1.5928 Accuracy 0.6573
Epoch 16 Batch 400 Loss 1.5958 Accuracy 0.6570
Epoch 16 Batch 450 Loss 1.5962 Accuracy 0.6568
Epoch 16 Batch 500 Loss 1.5995 Accuracy 0.6563
Epoch 16 Batch 550 Loss 1.6030 Accuracy 0.6559
Epoch 16 Batch 600 Loss 1.6029 Accuracy 0.6559
Epoch 16 Batch 650 Loss 1.6027 Accuracy 0.6562
Epoch 16 Batch 700 Loss 1.6062 Accuracy 0.6557
Epoch 16 Batch 750 Loss 1.6095 Accuracy 0.6553
Epoch 16 Batch 800 Loss 1.6130 Accuracy 0.6549
Epoch 16 Loss 1.6133 Accuracy 0.6549
Time taken for 1 epoch: 51.53 secs

Epoch 17 Batch 0 Loss 1.5703 Accuracy 0.6669
Epoch 17 Batch 50 Loss 1.5117 Accuracy 0.6696
Epoch 17 Batch 100 Loss 1.5209 Accuracy 0.6684
Epoch 17 Batch 150 Loss 1.5284 Accuracy 0.6669
Epoch 17 Batch 200 Loss 1.5316 Accuracy 0.6663
Epoch 17 Batch 250 Loss 1.5378 Accuracy 0.6653
Epoch 17 Batch 300 Loss 1.5382 Accuracy 0.6655
Epoch 17 Batch 350 Loss 1.5406 Accuracy 0.6650
Epoch 17 Batch 400 Loss 1.5433 Accuracy 0.6644
Epoch 17 Batch 450 Loss 1.5459 Accuracy 0.6641
Epoch 17 Batch 500 Loss 1.5509 Accuracy 0.6633
Epoch 17 Batch 550 Loss 1.5507 Accuracy 0.6634
Epoch 17 Batch 600 Loss 1.5524 Accuracy 0.6632
Epoch 17 Batch 650 Loss 1.5565 Accuracy 0.6626
Epoch 17 Batch 700 Loss 1.5592 Accuracy 0.6622
Epoch 17 Batch 750 Loss 1.5617 Accuracy 0.6619
Epoch 17 Batch 800 Loss 1.5647 Accuracy 0.6615
Epoch 17 Loss 1.5648 Accuracy 0.6615
Time taken for 1 epoch: 51.79 secs

Epoch 18 Batch 0 Loss 1.6312 Accuracy 0.6418
Epoch 18 Batch 50 Loss 1.4663 Accuracy 0.6776
Epoch 18 Batch 100 Loss 1.4787 Accuracy 0.6749
Epoch 18 Batch 150 Loss 1.4886 Accuracy 0.6736
Epoch 18 Batch 200 Loss 1.4921 Accuracy 0.6734
Epoch 18 Batch 250 Loss 1.4908 Accuracy 0.6739
Epoch 18 Batch 300 Loss 1.4935 Accuracy 0.6735
Epoch 18 Batch 350 Loss 1.4975 Accuracy 0.6724
Epoch 18 Batch 400 Loss 1.4988 Accuracy 0.6722
Epoch 18 Batch 450 Loss 1.5011 Accuracy 0.6717
Epoch 18 Batch 500 Loss 1.5025 Accuracy 0.6716
Epoch 18 Batch 550 Loss 1.5069 Accuracy 0.6708
Epoch 18 Batch 600 Loss 1.5089 Accuracy 0.6704
Epoch 18 Batch 650 Loss 1.5114 Accuracy 0.6701
Epoch 18 Batch 700 Loss 1.5133 Accuracy 0.6699
Epoch 18 Batch 750 Loss 1.5155 Accuracy 0.6697
Epoch 18 Batch 800 Loss 1.5197 Accuracy 0.6692
Epoch 18 Loss 1.5196 Accuracy 0.6692
Time taken for 1 epoch: 51.27 secs

Epoch 19 Batch 0 Loss 1.3096 Accuracy 0.7138
Epoch 19 Batch 50 Loss 1.4316 Accuracy 0.6818
Epoch 19 Batch 100 Loss 1.4265 Accuracy 0.6827
Epoch 19 Batch 150 Loss 1.4351 Accuracy 0.6816
Epoch 19 Batch 200 Loss 1.4462 Accuracy 0.6795
Epoch 19 Batch 250 Loss 1.4518 Accuracy 0.6788
Epoch 19 Batch 300 Loss 1.4582 Accuracy 0.6781
Epoch 19 Batch 350 Loss 1.4591 Accuracy 0.6784
Epoch 19 Batch 400 Loss 1.4607 Accuracy 0.6782
Epoch 19 Batch 450 Loss 1.4627 Accuracy 0.6779
Epoch 19 Batch 500 Loss 1.4636 Accuracy 0.6780
Epoch 19 Batch 550 Loss 1.4667 Accuracy 0.6775
Epoch 19 Batch 600 Loss 1.4682 Accuracy 0.6773
Epoch 19 Batch 650 Loss 1.4714 Accuracy 0.6768
Epoch 19 Batch 700 Loss 1.4742 Accuracy 0.6764
Epoch 19 Batch 750 Loss 1.4776 Accuracy 0.6757
Epoch 19 Batch 800 Loss 1.4810 Accuracy 0.6753
Epoch 19 Loss 1.4810 Accuracy 0.6754
Time taken for 1 epoch: 50.62 secs

Epoch 20 Batch 0 Loss 1.2899 Accuracy 0.7115
Epoch 20 Batch 50 Loss 1.3791 Accuracy 0.6902
Epoch 20 Batch 100 Loss 1.3859 Accuracy 0.6901
Epoch 20 Batch 150 Loss 1.3991 Accuracy 0.6880
Epoch 20 Batch 200 Loss 1.4079 Accuracy 0.6867
Epoch 20 Batch 250 Loss 1.4115 Accuracy 0.6861
Epoch 20 Batch 300 Loss 1.4128 Accuracy 0.6858
Epoch 20 Batch 350 Loss 1.4180 Accuracy 0.6848
Epoch 20 Batch 400 Loss 1.4174 Accuracy 0.6850
Epoch 20 Batch 450 Loss 1.4209 Accuracy 0.6848
Epoch 20 Batch 500 Loss 1.4236 Accuracy 0.6844
Epoch 20 Batch 550 Loss 1.4280 Accuracy 0.6836
Epoch 20 Batch 600 Loss 1.4324 Accuracy 0.6828
Epoch 20 Batch 650 Loss 1.4337 Accuracy 0.6827
Epoch 20 Batch 700 Loss 1.4365 Accuracy 0.6822
Epoch 20 Batch 750 Loss 1.4391 Accuracy 0.6818
Epoch 20 Batch 800 Loss 1.4432 Accuracy 0.6813
Saving checkpoint for epoch 20 at ./checkpoints/train/ckpt-4
Epoch 20 Loss 1.4440 Accuracy 0.6812
Time taken for 1 epoch: 51.88 secs

Avalie

As seguintes etapas são usadas para avaliação:

  • Codifique a frase de entrada usando o tokenizer português ( tokenizers.pt ). Esta é a entrada do codificador.
  • A entrada do decodificador é inicializada com o token [START] .
  • Calcule as máscaras de preenchimento e as máscaras de previsão.
  • O decoder então produz as previsões olhando para a encoder output do encoder output e sua própria saída (autoatenção).
  • O modelo faz previsões da próxima palavra para cada palavra na saída. A maioria deles é redundante. Use as previsões da última palavra.
  • Concatene a palavra prevista para a entrada do decodificador e passe-a para o decodificador.
  • Nesta abordagem, o decodificador prevê a próxima palavra com base nas palavras anteriores que ele previu.
def evaluate(sentence, max_length=40):
  # inp sentence is portuguese, hence adding the start and end token
  sentence = tf.convert_to_tensor([sentence])
  sentence = tokenizers.pt.tokenize(sentence).to_tensor()

  encoder_input = sentence

  # as the target is english, the first word to the transformer should be the
  # english start token.
  start, end = tokenizers.en.tokenize([''])[0]
  output = tf.convert_to_tensor([start])
  output = tf.expand_dims(output, 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.argmax(predictions, axis=-1)

    # 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 the result if the predicted_id is equal to the end token
    if predicted_id == end:
      break

  # output.shape (1, tokens)
  text = tokenizers.en.detokenize(output)[0]  # shape: ()

  tokens = tokenizers.en.lookup(output)[0]

  return text, tokens, attention_weights
def print_translation(sentence, tokens, ground_truth):
  print(f'{"Input:":15s}: {sentence}')
  print(f'{"Prediction":15s}: {tokens.numpy().decode("utf-8")}')
  print(f'{"Ground truth":15s}: {ground_truth}')
sentence = "este é um problema que temos que resolver."
ground_truth = "this is a problem we have to solve ."

translated_text, translated_tokens, attention_weights = evaluate(sentence)
print_translation(sentence, translated_text, ground_truth)
Input:         : este é um problema que temos que resolver.
Prediction     : this is a problem that we have to solve .
Ground truth   : this is a problem we have to solve .
sentence = "os meus vizinhos ouviram sobre esta ideia."
ground_truth = "and my neighboring homes heard about this idea ."

translated_text, translated_tokens, attention_weights = evaluate(sentence)
print_translation(sentence, translated_text, ground_truth)
Input:         : os meus vizinhos ouviram sobre esta ideia.
Prediction     : my neighbors heard about this idea .
Ground truth   : and my neighboring homes heard about this idea .
sentence = "vou então muito rapidamente partilhar convosco algumas histórias de algumas coisas mágicas que aconteceram."
ground_truth = "so i \'ll just share with you some stories very quickly of some magical things that have happened ."

translated_text, translated_tokens, attention_weights = evaluate(sentence)
print_translation(sentence, translated_text, ground_truth)
Input:         : vou então muito rapidamente partilhar convosco algumas histórias de algumas coisas mágicas que aconteceram.
Prediction     : so i ' m very quickly to share with you some magic stories that happened .
Ground truth   : so i 'll just share with you some stories very quickly of some magical things that have happened .

Você pode passar diferentes camadas e blocos de atenção do decodificador para o parâmetro de plot .

Parcelas de atenção

A função de evaluate também retorna um dicionário de mapas de atenção que você pode usar para visualizar o funcionamento interno do modelo:

sentence = "este é o primeiro livro que eu fiz."
ground_truth = "this is the first book i've ever done."

translated_text, translated_tokens, attention_weights = evaluate(sentence)
print_translation(sentence, translated_text, ground_truth)
Input:         : este é o primeiro livro que eu fiz.
Prediction     : this is the first book i did .
Ground truth   : this is the first book i've ever done.
def plot_attention_head(in_tokens, translated_tokens, attention):
  # The plot is of the attention when a token was generated.
  # The model didn't generate `<START>` in the output. Skip it.
  translated_tokens = translated_tokens[1:]

  ax = plt.gca()
  ax.matshow(attention)
  ax.set_xticks(range(len(in_tokens)))
  ax.set_yticks(range(len(translated_tokens)))

  labels = [label.decode('utf-8') for label in in_tokens.numpy()]
  ax.set_xticklabels(
      labels, rotation=90)

  labels = [label.decode('utf-8') for label in translated_tokens.numpy()]
  ax.set_yticklabels(labels)
head = 0
# shape: (batch=1, num_heads, seq_len_q, seq_len_k)
attention_heads = tf.squeeze(
  attention_weights['decoder_layer4_block2'], 0)
attention = attention_heads[head]
attention.shape
TensorShape([9, 11])
in_tokens = tf.convert_to_tensor([sentence])
in_tokens = tokenizers.pt.tokenize(in_tokens).to_tensor()
in_tokens = tokenizers.pt.lookup(in_tokens)[0]
in_tokens
<tf.Tensor: shape=(11,), dtype=string, numpy=
array([b'[START]', b'este', b'e', b'o', b'primeiro', b'livro', b'que',
       b'eu', b'fiz', b'.', b'[END]'], dtype=object)>
translated_tokens
<tf.Tensor: shape=(10,), dtype=string, numpy=
array([b'[START]', b'this', b'is', b'the', b'first', b'book', b'i',
       b'did', b'.', b'[END]'], dtype=object)>
plot_attention_head(in_tokens, translated_tokens, attention)

png

def plot_attention_weights(sentence, translated_tokens, attention_heads):
  in_tokens = tf.convert_to_tensor([sentence])
  in_tokens = tokenizers.pt.tokenize(in_tokens).to_tensor()
  in_tokens = tokenizers.pt.lookup(in_tokens)[0]
  in_tokens

  fig = plt.figure(figsize=(16, 8))

  for h, head in enumerate(attention_heads):
    ax = fig.add_subplot(2, 4, h+1)

    plot_attention_head(in_tokens, translated_tokens, head)

    ax.set_xlabel(f'Head {h+1}')

  plt.tight_layout()
  plt.show()
plot_attention_weights(sentence, translated_tokens,
                       attention_weights['decoder_layer4_block2'][0])

png

O modelo se sai bem com palavras desconhecidas. Nem "triceratops" ou "enciclopédia" estão no conjunto de dados de entrada e o modelo quase aprende a transliterá-los, mesmo sem um vocabulário compartilhado:

sentence = "Eu li sobre triceratops na enciclopédia."
ground_truth = "I read about triceratops in the encyclopedia."

translated_text, translated_tokens, attention_weights = evaluate(sentence)
print_translation(sentence, translated_text, ground_truth)

plot_attention_weights(sentence, translated_tokens,
                       attention_weights['decoder_layer4_block2'][0])
Input:         : Eu li sobre triceratops na enciclopédia.
Prediction     : i read about tribrushes in encyclopedia .
Ground truth   : I read about triceratops in the encyclopedia.

png

Resumo

Neste tutorial, você aprendeu sobre codificação posicional, atenção de várias cabeças, a importância do mascaramento e como criar um transformador.

Tente usar um conjunto de dados diferente para treinar o transformador. Você também pode criar o transformador de base ou transformador XL alterando os hiperparâmetros acima. Você também pode usar as camadas definidas aqui para criar BERT e treinar modelos de última geração. Além disso, você pode implementar a pesquisa de feixe para obter melhores previsões.