从零开始的 NLP：使用字符级 RNN 生成姓名

作者: Sean Robertson

这是我们关于“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 将姓名分类到其来源语言。这次我们将反过来，根据语言生成姓名。

> 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

我们仍然使用少量线性层手工制作了一个小型 RNN。最大的区别在于，我们不是在读取完姓名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。递归地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

我假设您至少已安装 PyTorch，了解 Python 并理解张量

• https://pytorch.ac.cn/ 获取安装说明

• 使用 PyTorch 进行深度学习：60 分钟速成课程 以开始使用 PyTorch

• 使用示例学习 PyTorch 了解广泛而深入的概述

• 面向 Lua Torch 用户的 PyTorch 如果您是 Lua Torch 的用户

了解 RNN 及其工作原理也很有用

• 循环神经网络的非凡有效性 展示了许多现实生活中的示例

• 理解 LSTM 网络 特别是关于 LSTM，但也提供关于 RNN 的一般信息

我还建议查看之前的教程，从零开始的 NLP：使用字符级 RNN 分类姓名

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，这里有一堆纯文本文件 data/names/[Language].txt，每行一个姓名。我们将行分割成数组，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

此网络在 上一个教程的 RNN 基础上扩展了一个用于类别张量的额外参数，该参数与其他参数一起连接。类别张量是一个与字母输入类似的独热向量。

我们将输出解释为下一个字母的概率。在采样时，最可能的输出字母将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），以增强其处理能力。还有一个 dropout 层，它 以给定概率随机将输入的部分置零（这里为 0.1），通常用于模糊输入以防止过拟合。在这里，我们将其用于网络的末端，目的是人为地增加一些混乱并增加采样多样性。

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 (类别，行) 随机对的辅助函数

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），网络的输入将为 (category, current letter, hidden state)，输出将为 (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。

由于我们预测每个时间步当前字母的下一个字母，因此字母对是行中连续字母的组——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。在训练期间，我们会在每个时间步将其馈送到网络——这是一个设计选择，它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相反，我们会在每个步骤进行预测，因此我们在每个步骤计算损失。

自动微分的魔力允许您简单地将每个步骤的这些损失相加，并在最后调用反向传播。

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)

为了跟踪训练需要多长时间，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)

训练过程与往常一样——多次调用训练函数并等待几分钟，每隔 print_every 个示例打印当前时间和损失，并在 all_losses 中存储每隔 plot_every 个示例的平均损失，以便稍后绘制图表。

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 26s (5000 5%) 3.1506
0m 53s (10000 10%) 2.5070
1m 21s (15000 15%) 3.3047
1m 48s (20000 20%) 2.4247
2m 15s (25000 25%) 2.6406
2m 42s (30000 30%) 2.0266
3m 10s (35000 35%) 2.6520
3m 37s (40000 40%) 2.4261
4m 4s (45000 45%) 2.2302
4m 31s (50000 50%) 1.6496
4m 58s (55000 55%) 2.7101
5m 25s (60000 60%) 2.5396
5m 53s (65000 65%) 2.5978
6m 20s (70000 70%) 1.6029
6m 47s (75000 75%) 0.9634
7m 14s (80000 80%) 3.0950
7m 41s (85000 85%) 2.0512
8m 9s (90000 90%) 2.5302
8m 36s (95000 95%) 3.2365
9m 4s (100000 100%) 1.7113

绘制损失图

从 all_losses 绘制历史损失图显示了网络的学习过程

import matplotlib.pyplot as plt

plt.figure()
plt.plot(all_losses)

[<matplotlib.lines.Line2D object at 0x7f6fb0b4db70>]

采样网络

为了进行采样，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馈送，并重复此过程，直到遇到 EOS 标记。

• 为输入类别、起始字母和空隐藏状态创建张量

• 使用起始字母创建一个字符串 output_name

• 最多达到最大输出长度，

  • 将当前字母馈送到网络

  • 从最高的输出获取下一个字母和下一个隐藏状态

  • 如果字母是 EOS，则在此停止

  • 如果是普通字母，则添加到 output_name 中并继续

• 返回最终的名称

注意

另一种策略是在训练中包含“字符串开始”标记，让网络自己选择起始字母，而不是必须提供起始字母。

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

• 尝试使用不同的类别 -> 行数据集，例如

  • 虚构系列 -> 人物名称

  • 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

• 使用更大或/和形状更好的网络获得更好的结果

  • 尝试 nn.LSTM 和 nn.GRU 层

  • 将多个此类 RNN 结合为更高级别的网络