Table of Contents
  • Tutorials >
  • 从零开始的 NLP：使用字符级 RNN 生成名称
Shortcuts
intermediate/char_rnn_generation_tutorial

备注

点击 这里 下载完整的示例代码

从零开始的 NLP：使用字符级 RNN 生成名称

Created On: Mar 24, 2017 | Last Updated: Oct 21, 2024 | Last Verified: Nov 05, 2024

作者: Sean Robertson

本教程是一个三部分系列教程的一部分：

这是我们 “从零开始的 NLP” 的三个教程中的第二个。在 第一个教程 中，我们使用 RNN 将名称分类到其原始语言。这次我们将反过来，从语言生成名称。

> python sample.py Russian RUS
Rovakov
Uantov
Shavakov

> python sample.py German GER
Gerren
Ereng
Rosher

> python sample.py Spanish SPA
Salla
Parer
Allan

> python sample.py Chinese CHI
Chan
Hang
Iun

我们仍在手工打造一个小型 RNN，包含几个线性层。这里的主要差异是，代替在读取名称的所有字母后预测一个类别，我们输入一个类别并逐个输出一个字母。递归预测字符以形成语言（这也可以用单词或其他高级构造来完成）通常被称为“语言模型”。

推荐阅读：

我假设你至少安装了 PyTorch，熟悉 Python，理解张量：

了解 RNN 是如何工作的也会对学习有帮助：

我也建议阅读之前的教程：从头开始的 NLP：使用字符级 RNN 分类姓名

准备数据

备注

从 这里 下载数据并解压到当前目录。

请参阅上一个教程以了解此过程的更多细节。简而言之，有一堆纯文本文件 data/names/[Language].txt，每行一个名称。我们将行拆分为数组，将 Unicode 转换为 ASCII，最终得到一个字典 {language: [names ...]}。

from io import open
import glob
import os
import unicodedata
import string

all_letters = string.ascii_letters + " .,;'-"
n_letters = len(all_letters) + 1 # Plus EOS marker

def findFiles(path): return glob.glob(path)

# Turn a Unicode string to plain ASCII, thanks to https://stackoverflow.com/a/518232/2809427
def unicodeToAscii(s):
    return ''.join(
        c for c in unicodedata.normalize('NFD', s)
        if unicodedata.category(c) != 'Mn'
        and c in all_letters
    )

# Read a file and split into lines
def readLines(filename):
    with open(filename, encoding='utf-8') as some_file:
        return [unicodeToAscii(line.strip()) for line in some_file]

# Build the category_lines dictionary, a list of lines per category
category_lines = {}
all_categories = []
for filename in findFiles('data/names/*.txt'):
    category = os.path.splitext(os.path.basename(filename))[0]
    all_categories.append(category)
    lines = readLines(filename)
    category_lines[category] = lines

n_categories = len(all_categories)

if n_categories == 0:
    raise RuntimeError('Data not found. Make sure that you downloaded data '
        'from https://download.pytorch.org/tutorial/data.zip and extract it to '
        'the current directory.')

print('# categories:', n_categories, all_categories)
print(unicodeToAscii("O'Néàl"))

在自动求导之前，用 Torch 创建循环神经网络需要在多个时间步克隆一个层的参数。层保留了隐藏状态和梯度，而现在这些完全由图所处理。这意味着您可以以一种非常“纯”的方式实现 RNN，就像常规的前馈层一样。

此网络扩展了 上一个教程的 RNN，增加了一个用于类别张量的额外参数，与其他参数一起连接。类别张量是一个和字母输入一样的独热向量。

我们将输出解释为下一个字母的概率。在采样时，最可能的输出字母被用作下一个输入字母。

我添加了一个第二线性层 ``o2o``（在合并隐藏和输出之后）以增强其能力。此外，还有一个 dropout 层，随机将输入的部分置零 以给定概率（这里是0.1），通常用来扰乱输入以防止过拟合。在这里我们在网络的末尾使用它，故意添加一些混乱来增加采样的多样性。

import torch
import torch.nn as nn

class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()
        self.hidden_size = hidden_size

        self.i2h = nn.Linear(n_categories + input_size + hidden_size, hidden_size)
        self.i2o = nn.Linear(n_categories + input_size + hidden_size, output_size)
        self.o2o = nn.Linear(hidden_size + output_size, output_size)
        self.dropout = nn.Dropout(0.1)
        self.softmax = nn.LogSoftmax(dim=1)

    def forward(self, category, input, hidden):
        input_combined = torch.cat((category, input, hidden), 1)
        hidden = self.i2h(input_combined)
        output = self.i2o(input_combined)
        output_combined = torch.cat((hidden, output), 1)
        output = self.o2o(output_combined)
        output = self.dropout(output)
        output = self.softmax(output)
        return output, hidden

    def initHidden(self):
        return torch.zeros(1, self.hidden_size)

训练网络

训练准备

首先，创建一些获取随机 (类别, 行) 对的辅助函数：

import random

# Random item from a list
def randomChoice(l):
    return l[random.randint(0, len(l) - 1)]

# Get a random category and random line from that category
def randomTrainingPair():
    category = randomChoice(all_categories)
    line = randomChoice(category_lines[category])
    return category, line

对于每个时间步（即训练字词中的每个字母），网络的输入将是 (类别, 当前字母, 隐状态)，输出是 (下一个字母, 下一隐状态)。因此，对于每组训练集，我们需要类别、输入字母集和输出/目标字母集。

由于我们在每个时间步从当前字母预测下一个字母，字母对是行中成对的连续字母组 - 例如对于 "ABCD<EOS>" 将创建 (“A”, “B”), (“B”, “C”), (“C”, “D”), (“D”, “EOS”)。

类别张量是一个大小为 <1 x n_categories> 的 独热张量。在训练时我们在每个时间步将其输入到网络 - 这是一个设计选择，它也可以包括在初始隐状态或其他策略中。

# One-hot vector for category
def categoryTensor(category):
    li = all_categories.index(category)
    tensor = torch.zeros(1, n_categories)
    tensor[0][li] = 1
    return tensor

# One-hot matrix of first to last letters (not including EOS) for input
def inputTensor(line):
    tensor = torch.zeros(len(line), 1, n_letters)
    for li in range(len(line)):
        letter = line[li]
        tensor[li][0][all_letters.find(letter)] = 1
    return tensor

# ``LongTensor`` of second letter to end (EOS) for target
def targetTensor(line):
    letter_indexes = [all_letters.find(line[li]) for li in range(1, len(line))]
    letter_indexes.append(n_letters - 1) # EOS
    return torch.LongTensor(letter_indexes)

为了方便训练，我们将创建一个 randomTrainingExample 函数来获取随机的 (类别, 行) 对并将其转换为所需的 (类别, 输入, 目标) 张量。

# Make category, input, and target tensors from a random category, line pair
def randomTrainingExample():
    category, line = randomTrainingPair()
    category_tensor = categoryTensor(category)
    input_line_tensor = inputTensor(line)
    target_line_tensor = targetTensor(line)
    return category_tensor, input_line_tensor, target_line_tensor

现在训练这个网络只需要向它展示大量示例，让它进行猜测，并告诉它结果是否错误。

与分类不同的是，我们在每一步都在进行预测，因此需要计算每一步的损失。

自动求导的魔力允许你在每一步简单地将这些损失相加，并在最后调用 backward。

criterion = nn.NLLLoss()

learning_rate = 0.0005

def train(category_tensor, input_line_tensor, target_line_tensor):
    target_line_tensor.unsqueeze_(-1)
    hidden = rnn.initHidden()

    rnn.zero_grad()

    loss = torch.Tensor([0]) # you can also just simply use ``loss = 0``

    for i in range(input_line_tensor.size(0)):
        output, hidden = rnn(category_tensor, input_line_tensor[i], hidden)
        l = criterion(output, target_line_tensor[i])
        loss += l

    loss.backward()

    for p in rnn.parameters():
        p.data.add_(p.grad.data, alpha=-learning_rate)

    return output, loss.item() / input_line_tensor.size(0)

为了跟踪训练时间，我添加了一个 timeSince(timestamp) 函数，返回一个可读的时间字符串：

import time
import math

def timeSince(since):
    now = time.time()
    s = now - since
    m = math.floor(s / 60)
    s -= m * 60
    return '%dm %ds' % (m, s)

训练的过程如往常一样 - 多次调用训练函数并等待几分钟，每隔 print_every 次打印当前时间和损失，并在 plot_every 次保存平均损失到 all_losses 中以便稍后绘制图。

rnn = RNN(n_letters, 128, n_letters)

n_iters = 100000
print_every = 5000
plot_every = 500
all_losses = []
total_loss = 0 # Reset every ``plot_every`` ``iters``

start = time.time()

for iter in range(1, n_iters + 1):
    output, loss = train(*randomTrainingExample())
    total_loss += loss

    if iter % print_every == 0:
        print('%s (%d %d%%) %.4f' % (timeSince(start), iter, iter / n_iters * 100, loss))

    if iter % plot_every == 0:
        all_losses.append(total_loss / plot_every)
        total_loss = 0

绘制损失

从 all_losses 绘制的历史损失显示了网络的学习过程：

import matplotlib.pyplot as plt

plt.figure()
plt.plot(all_losses)

网络采样

为了采样，我们向网络提供一个字母并询问下一个字母是什么，将其作为下一个字母，再重复直到 EOS 符号。

  • 为输入类别、起始字母和空的隐状态创建张量

  • 使用起始字母创建一个字符串 output_name

  • 直到达到最大输出长度，

    • 将当前字母输入到网络

    • 从最高输出中获取下一个字母，以及下一隐状态

    • 如果字母是 EOS，则停止

    • 如果是普通字母，将其添加到 output_name 并继续

  • 返回最终生成的名称

备注

另一种策略是训练时使用一个 “字符串起始” 符号，以便网络可以自己选择起始字母，而不需要提供。

max_length = 20

# Sample from a category and starting letter
def sample(category, start_letter='A'):
    with torch.no_grad():  # no need to track history in sampling
        category_tensor = categoryTensor(category)
        input = inputTensor(start_letter)
        hidden = rnn.initHidden()

        output_name = start_letter

        for i in range(max_length):
            output, hidden = rnn(category_tensor, input[0], hidden)
            topv, topi = output.topk(1)
            topi = topi[0][0]
            if topi == n_letters - 1:
                break
            else:
                letter = all_letters[topi]
                output_name += letter
            input = inputTensor(letter)

        return output_name

# Get multiple samples from one category and multiple starting letters
def samples(category, start_letters='ABC'):
    for start_letter in start_letters:
        print(sample(category, start_letter))

samples('Russian', 'RUS')

samples('German', 'GER')

samples('Spanish', 'SPA')

samples('Chinese', 'CHI')

练习

  • 尝试使用类别 -> 行的不同数据集，例如：

    • 虚构系列 -> 角色名称

    • 词性 -> 单词

    • 国家 -> 城市

  • 使用 “句子起始” 符号，以便可以在不选择起始字母的情况下进行采样

  • 通过更大或形状更佳的网络获得更好的结果

    • 尝试 nn.LSTM 和 nn.GRU 层

    • 将多个这些 RNN 组合为高级网络

**脚本的总运行时间：**（0分钟0.000秒）

通过Sphinx-Gallery生成的图集

文档

访问 PyTorch 的详细开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源

为了分析流量并优化您的体验，我们在此网站上提供Cookie。点击或浏览即表示您同意我们使用Cookie。 作为本网站的当前维护者，Facebook的Cookie政策适用。了解更多信息，包括可用的控件： Cookies政策.