使用 Python 实现深度学习模型：序列到序列模型（Seq2Seq）

2024-06-06
广东
本文字数：3226 字
阅读完需：约 11 分钟

本文分享自华为云社区《使用Python实现深度学习模型：序列到序列模型（Seq2Seq）》，作者： Echo_Wish。

序列到序列（Seq2Seq）模型是一种深度学习模型，广泛应用于机器翻译、文本生成和对话系统等自然语言处理任务。它的核心思想是将一个序列（如一句话）映射到另一个序列。本文将详细介绍 Seq2Seq 模型的原理，并使用 Python 和 TensorFlow/Keras 实现一个简单的 Seq2Seq 模型。

1. 什么是序列到序列模型？

Seq2Seq 模型通常由两个主要部分组成：编码器（Encoder）和解码器（Decoder）。编码器将输入序列编码成一个固定长度的上下文向量（context vector），然后解码器根据这个上下文向量生成目标序列。

1.1 编码器（Encoder）

编码器是一个循环神经网络（RNN），如 LSTM 或 GRU，用于处理输入序列，并生成一个上下文向量。这个向量总结了输入序列的全部信息。

1.2 解码器（Decoder）

解码器也是一个 RNN，使用编码器生成的上下文向量作为初始输入，并逐步生成目标序列的每一个元素。

1.3 训练过程

在训练过程中，解码器在每一步生成一个单词，并使用该单词作为下一步的输入。这种方法被称为教师强制（Teacher Forcing）。

2. 使用 Python 和 TensorFlow/Keras 实现 Seq2Seq 模型

我们将使用 TensorFlow/Keras 实现一个简单的 Seq2Seq 模型，进行英法翻译任务。

2.1 安装 TensorFlow

首先，确保安装了 TensorFlow：

pip install tensorflow

复制代码

2.2 数据准备

我们使用一个简单的英法翻译数据集。每个句子对由英语句子和其对应的法语翻译组成。

import numpy as npimport tensorflow as tffrom tensorflow.keras.preprocessing.text import Tokenizerfrom tensorflow.keras.preprocessing.sequence import pad_sequences
# 示例数据集data = [    ("Hello, how are you?", "Bonjour, comment ça va?"),    ("I am fine.", "Je vais bien."),    ("What is your name?", "Quel est ton nom?"),    ("Nice to meet you.", "Ravi de vous rencontrer."),    ("Thank you.", "Merci.")]
# 准备输入和目标句子input_texts = [pair[0] for pair in data]target_texts = ['\t' + pair[1] + '\n' for pair in data]
# 词汇表大小num_words = 10000
# 使用 Keras 的 Tokenizer 对输入和目标文本进行分词和编码input_tokenizer = Tokenizer(num_words=num_words)input_tokenizer.fit_on_texts(input_texts)input_sequences = input_tokenizer.texts_to_sequences(input_texts)input_sequences = pad_sequences(input_sequences, padding='post')
target_tokenizer = Tokenizer(num_words=num_words, filters='')target_tokenizer.fit_on_texts(target_texts)target_sequences = target_tokenizer.texts_to_sequences(target_texts)target_sequences = pad_sequences(target_sequences, padding='post')
# 输入和目标序列的最大长度max_encoder_seq_length = max(len(seq) for seq in input_sequences)max_decoder_seq_length = max(len(seq) for seq in target_sequences)
# 创建输入和目标数据的 one-hot 编码encoder_input_data = np.zeros((len(input_texts), max_encoder_seq_length, num_words), dtype='float32')decoder_input_data = np.zeros((len(input_texts), max_decoder_seq_length, num_words), dtype='float32')decoder_target_data = np.zeros((len(input_texts), max_decoder_seq_length, num_words), dtype='float32')
for i, (input_seq, target_seq) in enumerate(zip(input_sequences, target_sequences)):    for t, word_index in enumerate(input_seq):        encoder_input_data[i, t, word_index] = 1    for t, word_index in enumerate(target_seq):        decoder_input_data[i, t, word_index] = 1        if t > 0:            decoder_target_data[i, t-1, word_index] = 1

复制代码

2.3 构建 Seq2Seq 模型

from tensorflow.keras.models import Modelfrom tensorflow.keras.layers import Input, LSTM, Dense
# 编码器encoder_inputs = Input(shape=(None, num_words))encoder_lstm = LSTM(256, return_state=True)encoder_outputs, state_h, state_c = encoder_lstm(encoder_inputs)encoder_states = [state_h, state_c]
# 解码器decoder_inputs = Input(shape=(None, num_words))decoder_lstm = LSTM(256, return_sequences=True, return_state=True)decoder_outputs, _, _ = decoder_lstm(decoder_inputs, initial_state=encoder_states)decoder_dense = Dense(num_words, activation='softmax')decoder_outputs = decoder_dense(decoder_outputs)
# 定义模型model = Model([encoder_inputs, decoder_inputs], decoder_outputs)
# 编译模型model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
# 训练模型model.fit([encoder_input_data, decoder_input_data], decoder_target_data, batch_size=64, epochs=100, validation_split=0.2)

复制代码

2.4 推理模型

为了在预测时生成译文，我们需要单独定义编码器和解码器模型。

# 编码器模型encoder_model = Model(encoder_inputs, encoder_states)
# 解码器模型decoder_state_input_h = Input(shape=(256,))decoder_state_input_c = Input(shape=(256,))decoder_states_inputs = [decoder_state_input_h, decoder_state_input_c]
decoder_outputs, state_h, state_c = decoder_lstm(    decoder_inputs, initial_state=decoder_states_inputs)decoder_states = [state_h, state_c]decoder_outputs = decoder_dense(decoder_outputs)
decoder_model = Model(    [decoder_inputs] + decoder_states_inputs,    [decoder_outputs] + decoder_states)

复制代码

2.5 定义翻译函数

我们定义一个函数来使用训练好的模型进行翻译。

def decode_sequence(input_seq):    # 编码输入序列得到状态向量    states_value = encoder_model.predict(input_seq)        # 生成的序列初始化一个开始标记    target_seq = np.zeros((1, 1, num_words))    target_seq[0, 0, target_tokenizer.word_index['\t']] = 1.        # 逐步生成译文序列    stop_condition = False    decoded_sentence = ''    while not stop_condition:        output_tokens, h, c = decoder_model.predict([target_seq] + states_value)                # 取概率最大的词作为下一个词        sampled_token_index = np.argmax(output_tokens[0, -1, :])        sampled_word = target_tokenizer.index_word[sampled_token_index]        decoded_sentence += sampled_word                # 如果达到结束标记或者最大序列长度，则停止        if (sampled_word == '\n' or len(decoded_sentence) > max_decoder_seq_length):            stop_condition = True                    # 更新目标序列        target_seq = np.zeros((1, 1, num_words))        target_seq[0, 0, sampled_token_index] = 1.                # 更新状态        states_value = [h, c]        return decoded_sentence
# 测试翻译for seq_index in range(10):    input_seq = encoder_input_data[seq_index: seq_index + 1]    decoded_sentence = decode_sequence(input_seq)    print('-')    print('Input sentence:', input_texts[seq_index])    print('Decoded sentence:', decoded_sentence)

复制代码

3. 总结

在本文中，我们介绍了序列到序列（Seq2Seq）模型的基本原理，并使用 Python 和 TensorFlow/Keras 实现了一个简单的英法翻译模型。希望这篇教程能帮助你理解 Seq2Seq 模型的工作原理和实现方法。随着对 Seq2Seq 模型的理解加深，你可以尝试实现更复杂的模型和任务，例如注意力机制和更大规模的数据集。

点击关注，第一时间了解华为云新鲜技术~

发布于: 7 小时前阅读数: 8

原文链接:【http://xie.infoq.cn/article/0de7cbb2c93cc898735323bdc】。文章转载请联系作者。

华为云开发者联盟

关注

提供全面深入的云计算技术干货 2020-07-14 加入

生于云，长于云，让开发者成为决定性力量

发布

暂无评论

创作场景

使用 Python 实现深度学习模型：序列到序列模型（Seq2Seq）

1. 什么是序列到序列模型？

1.1 编码器（Encoder）

1.2 解码器（Decoder）

1.3 训练过程

2. 使用 Python 和 TensorFlow/Keras 实现 Seq2Seq 模型

2.1 安装 TensorFlow

2.2 数据准备

2.3 构建 Seq2Seq 模型

2.4 推理模型

2.5 定义翻译函数

3. 总结

华为云开发者联盟

评论