从零开始的NLP：使用字符级RNN生成名称

创建于：2017年3月24日 | 最后更新：2024年10月21日 | 最后验证：2024年11月5日

作者: Sean Robertson

本教程是一个三部分系列的一部分：

• NLP 从零开始：使用字符级 RNN 进行名称分类

• NLP 从零开始：使用字符级 RNN 生成名称

• NLP 从零开始：使用序列到序列网络和注意力机制进行翻译

这是我们关于“从零开始的NLP”三篇教程中的第二篇。 在第一篇教程中， 我们使用RNN将名字分类到它们的起源语言。这次 我们将反过来，从语言生成名字。

> 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

我们仍然在手工制作一个带有几个线性层的小型RNN。最大的区别在于，我们不是在读取名字的所有字母后预测一个类别，而是输入一个类别并一次输出一个字母。递归预测字符以形成语言（这也可以用单词或其他更高阶的结构来完成）通常被称为“语言模型”。

推荐阅读：

我假设你至少已经安装了PyTorch，了解Python，并且理解张量：

• https://pytorch.org/ 安装说明

• 使用PyTorch进行深度学习：60分钟速成 以开始使用PyTorch

• 学习 PyTorch 示例 以获得广泛而深入的概述

• 面向前Torch用户的PyTorch 如果您是前Lua Torch用户

了解RNNs及其工作原理也很有用：

• The Unreasonable Effectiveness of Recurrent Neural Networks 展示了一些现实生活中的例子

• Understanding LSTM Networks 是关于LSTM的具体内容，但也提供了关于RNN的一般信息

我也建议之前的教程，从零开始的NLP：使用字符级RNN进行名称分类

准备数据

注意

从 这里 下载数据并将其解压到当前目录。

有关此过程的更多详细信息，请参阅上一个教程。简而言之，有一堆纯文本文件 data/names/[Language].txt，每行一个名字。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"))

# categories: 18 ['Arabic', 'Chinese', 'Czech', 'Dutch', 'English', 'French', 'German', 'Greek', 'Irish', 'Italian', 'Japanese', 'Korean', 'Polish', 'Portuguese', 'Russian', 'Scottish', 'Spanish', 'Vietnamese']
O'Neal

创建网络

这个网络扩展了上一个教程的RNN，增加了一个额外的参数用于类别张量，该张量与其他张量连接在一起。类别张量是一个独热向量，就像字母输入一样。

我们将把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。

我添加了第二个线性层 o2o（在结合隐藏层和输出层之后），以赋予它更多的工作能力。还有一个 dropout 层，它以给定的概率随机将部分输入置零（这里为 0.1），通常用于模糊输入以防止过拟合。在这里，我们在网络的末端使用它，故意添加一些混乱并增加采样的多样性。

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

准备训练

首先，辅助函数用于获取随机的（类别，行）对：

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（即训练单词中的每个字母），网络的输入将是 (category, current letter, hidden state)，输出将是 (next letter, next hidden state)。因此，对于每个训练集，我们需要类别、一组输入字母和一组输出/目标字母。

由于我们正在预测每个时间步中当前字母的下一个字母，字母对是由行中的连续字母组成的组 - 例如，对于"ABCD"，我们将创建（“A”，“B”），（“B”，“C”），（“C”，“D”），（“D”，“EOS”）。

类别张量是一个大小为<1 x n_categories>的one-hot张量。在训练时，我们在每个时间步将其输入到网络中——这是一个设计选择，它也可以作为初始隐藏状态的一部分或其他策略包含在内。

# 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，该函数获取一个随机的（类别，行）对，并将它们转换为所需的（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

训练网络

与分类不同，在分类中只使用最后的输出，我们在每一步都进行预测，因此我们在每一步都计算损失。

自动求导的神奇之处在于，您可以在每一步简单地累加这些损失，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)

为了跟踪训练所需的时间，我添加了一个timeSince(timestamp)函数，该函数返回一个人类可读的字符串：

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)

训练是常规操作 - 多次调用训练并等待几分钟，每print_every个示例打印当前时间和损失，并在all_losses中保存每plot_every个示例的平均损失以便后续绘图。

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

0m 27s (5000 5%) 3.1506
0m 55s (10000 10%) 2.5070
1m 23s (15000 15%) 3.3047
1m 51s (20000 20%) 2.4247
2m 19s (25000 25%) 2.6406
2m 47s (30000 30%) 2.0266
3m 15s (35000 35%) 2.6520
3m 42s (40000 40%) 2.4261
4m 10s (45000 45%) 2.2302
4m 37s (50000 50%) 1.6496
5m 5s (55000 55%) 2.7101
5m 34s (60000 60%) 2.5396
6m 2s (65000 65%) 2.5978
6m 30s (70000 70%) 1.6029
6m 58s (75000 75%) 0.9634
7m 27s (80000 80%) 3.0950
7m 54s (85000 85%) 2.0512
8m 22s (90000 90%) 2.5302
8m 50s (95000 95%) 3.2365
9m 18s (100000 100%) 1.7113

绘制损失图

绘制所有损失的历史损失图显示网络在学习：

import matplotlib.pyplot as plt

plt.figure()
plt.plot(all_losses)

[<matplotlib.lines.Line2D object at 0x7ff0147e3ac0>]

网络采样

为了进行采样，我们给网络一个字母并询问下一个字母是什么，将其作为下一个字母输入，并重复直到遇到EOS标记。

• 为输入类别、起始字母和空的隐藏状态创建张量

• 创建一个字符串 output_name 以起始字母开头

• 达到最大输出长度，

  • 将当前字母输入网络

  • 从最高输出中获取下一个字母，以及下一个隐藏状态

  • 如果字母是EOS，请在此停止

  • 如果是常规字母，添加到 output_name 并继续

• 返回最终名称

注意

与其必须给它一个起始字母，另一种策略是在训练中包含一个“字符串开始”标记，并让网络选择自己的起始字母。

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')

Rovaki
Uarinovev
Shinan
Gerter
Eeren
Roune
Santera
Paneraz
Allan
Chin
Han
Ion

练习

• 尝试使用不同类别的数据集 -> 线，例如：

  • 虚构系列 -> 角色名称

  • 词性 -> 单词

  • 国家 -> 城市

• 使用“句子开始”标记，以便可以在不选择起始字母的情况下进行采样

• 通过更大和/或更好形状的网络获得更好的结果

  • 尝试使用nn.LSTM和nn.GRU层

  • 将这些RNNs组合成一个更高级别的网络