NLP 从零开始：使用字符级 RNN 生成姓名

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

作者: Sean Robertson

本教程是三部分系列教程的一部分

• NLP 从零开始：使用字符级 RNN 对姓名进行分类

• NLP 从零开始：使用字符级 RNN 生成姓名

• NLP 从零开始：使用 Sequence to Sequence 网络和注意力机制进行翻译

这是我们“NLP 从零开始”系列三部分教程中的第二部分。在第一个教程中，我们使用了 RNN 将姓名分类到其语言来源。这次我们将反过来，从语言生成姓名。

> 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

我们仍然手工构建了一个带有几个线性层的小型 RNN。主要区别在于，我们不再是在读取所有字母后预测类别，而是输入一个类别并一次输出一个字母。循环预测字符以形成语言（这也可以使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

我假设您至少已安装 PyTorch，了解 Python，并理解张量 (Tensors)

• https://pytorch.ac.cn/ 安装说明

• 使用 PyTorch 进行深度学习：60 分钟速成 了解 PyTorch 的基本用法

• 通过示例学习 PyTorch 获取广泛而深入的概览

• PyTorch for Former Torch Users 如果您是 Lua Torch 用户

了解 RNN 及其工作原理也会有所帮助

• 循环神经网络的惊人有效性 展示了许多实际示例

• 理解 LSTM 网络 专门介绍了 LSTM，但对于理解 RNN 总体上也有帮助

我还建议阅读前一个教程：NLP 从零开始：使用字符级 RNN 对姓名进行分类

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，请参见上一个教程。简而言之，有许多纯文本文件 data/names/[Language].txt，每行一个姓名。我们将行拆分成数组，将 Unicode 转换为 ASCII，最终得到一个字典 {语言: [姓名 ...]}。

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，增加了一个用于类别张量 (category tensor) 的额外参数，该参数与其他张量连接在一起。类别张量与字母输入一样，是一个独热 (one-hot) 向量。

我们将把输出解释为下一个字母的概率。在采样时，概率最高的输出字母用作下一个输入字母。

我添加了第二个线性层 o2o (在组合隐藏层和输出层之后)，以赋予它更强大的处理能力。还有一个 Dropout 层，它会以给定的概率 (此处为 0.1) 随机将部分输入归零，通常用于模糊输入以防止过拟合。在这里，我们将其用在网络的末端，有意地增加一些随机性并增加采样多样性。

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，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，训练单词中的每个字母），网络的输入将是 (类别, 当前字母, 隐藏状态)，输出将是 (下一个字母, 下一个隐藏状态)。因此，对于每个训练集，我们将需要类别、一组输入字母和一组输出/目标字母。

由于我们在每个时间步从当前字母预测下一个字母，字母对是来自该行的连续字母组 - 例如，对于 "ABCD<EOS>"，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> 的独热张量。训练时，我们在每个时间步将其馈送给网络——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进来。

# 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)

为了训练方便，我们将创建一个 randomTrainingExample 函数，用于获取随机的 (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

训练网络

与仅使用最后一个输出的分类不同，我们在每个步骤进行预测，因此我们在每个步骤计算损失。

autograd 的神奇之处在于，您可以简单地将每个步骤的这些损失相加，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)

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

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)

训练照常进行——多次调用 train 并等待几分钟，每隔 print_every 个示例打印当前时间和损失，并每隔 plot_every 个示例将平均损失存储在 all_losses 中，以便稍后绘制。

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 10s (5000 5%) 2.7686
0m 20s (10000 10%) 2.5023
0m 31s (15000 15%) 3.0934
0m 42s (20000 20%) 2.2183
0m 52s (25000 25%) 2.7072
1m 3s (30000 30%) 2.0118
1m 13s (35000 35%) 2.6332
1m 24s (40000 40%) 2.5150
1m 34s (45000 45%) 2.1207
1m 45s (50000 50%) 2.8377
1m 55s (55000 55%) 2.6050
2m 5s (60000 60%) 2.5402
2m 16s (65000 65%) 2.7429
2m 26s (70000 70%) 1.5367
2m 37s (75000 75%) 0.8677
2m 47s (80000 80%) 3.1882
2m 58s (85000 85%) 1.9431
3m 8s (90000 90%) 2.7269
3m 19s (95000 95%) 3.2194
3m 29s (100000 100%) 1.7136

绘制损失曲线

绘制 all_losses 中的历史损失曲线显示了网络的学习情况

import matplotlib.pyplot as plt

plt.figure()
plt.plot(all_losses)

[<matplotlib.lines.Line2D object at 0x7f12a1748f70>]

网络采样

要进行采样，我们给网络一个字母并询问下一个字母是什么，将该字母作为下一个输入，重复直到 EOS 标记。

• 创建输入类别、起始字母和空隐藏状态的张量

• 创建一个以起始字母开头的字符串 output_name

• 在最大输出长度内，

  • 将当前字母馈送给网络

  • 从最高概率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，则停止

  • 如果是一个普通字母，添加到 output_name 并继续

• 返回最终的姓名

注意

另一种策略是，不必给定起始字母，而是在训练中包含一个“字符串开始”标记，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')

Rovakov
Uakinov
Shantov
Gangeng
Erenger
Ronger
Sarera
Parer
Aras
Chan
Han
Iu

练习

• 尝试使用不同的类别 -> 行数据集，例如

  • 虚构系列 -> 角色姓名

  • 词性 -> 单词

  • 国家 -> 城市

• 使用“句子开始”标记，以便无需选择起始字母即可进行采样

• 使用更大和/或形状更好的网络获得更好的结果

  • 尝试使用 nn.LSTM 和 nn.GRU 层

  • 将多个这样的 RNN 组合成一个更高层次的网络