pridict('Hinton')
(-0.47) Scottish
(-1.52) English
(-3.57) Irish
pridict('Schmidhuber')
(-0.19) German
(-2.48) Czech
(-2.68) Dutch
all_filenames结果
['data/Czech.txt','data/German.txt','data/arabic.txt','data/Japanese.txt','data/Chinese.txt','data/Vietnamese.txt','data/Russian.txt','data/french.txt','data/Irish.txt','data/English.txt','data/Spanish.txt','data/Greek.txt','data/Italian.txt','data/Portuguese.txt','data/Scottish.txt','data/Dutch.txt','data/Korean.txt','data/Polish.txt']
进群：548377875 即可获取不同的PDF哦！都是非常实用的呢！
打印结果
57 'Slusarski'
构建 语言类别-姓名映射字典 ，形如 {language1: [name1,name2,...],language2: [name_x1,name_x2,...]}
将姓名转化为Tensors
跟机器学习类似，在这里我们也需要将文本转化为具体的计算机能理解的数据形式。
为了表征单个的字符， 我们使用 独热编码向量one-hot vector ， 该向量的尺寸为 1 x n_letters （每个字符是2维向量）
例如
定义letter_to_tensor函数
import torch # 将字符转化为 <1 x n_letters> 的Tensor def letter_to_tensor(letter): tensor = torch.zeros(1,n_letters) letter_index = all_letters.find(letter) tensor[0][letter_index] = 1 return tensor # 将姓名转化成尺寸为的数据 # 使用的是one-hot编码方式转化 def name_to_tensor(name): tensor = torch.zeros(len(name),1,n_letters) for ni,letter in enumerate(name): letter_index = all_letters.find(letter) tensor[ni][0][letter_index] = 1 return tensor
现在我们运行letter_to_tensor('J')
print(letter_to_tensor('J'))
tensor([[0.,0.,1.,0.]])
name_to_tensor('Jones').size()
print(name_to_tensor('Jones'))
torch.Size([5,57]) tensor([[[0.,0.]],[[0.,0.]]])
构建神经网络
注意看图中各个参数解读：
- input : 输入的数据
- hidden : 神经网络现有的参数矩阵
- combined ： input矩阵与hidden矩阵合并，两个矩阵的行数一致，input和hidden分布位于新矩阵的 左侧和右侧
- i2o ：对输入的数据转化为output的计算过程
- 12h ：将输入的数据转化为hidden参数的计算过程
- output ：当前网络的输出
- hidden ：当前网络传递给下层网络的参数
大家仔细看看琢磨琢磨这个图构造。现在我们先看看 combined 这个操作
a = t.Tensor(3,1) b = t.Tensor(3,2) print(a) #a print(b) #b print(t.cat((a,b),1)) #a、b合并后的样子
打印结果
tensor([[0.0000],[0.0000],[0.0000]]) tensor([[ 0.0000,0.0000],[ 0.0000,-0.0000],0.0000]]) tensor([[ 0.0000,0.0000,0.0000]])
开始DIY我们第一个循环神经网络RNN，各个参数解读：
- input_size : 表征字母的向量的特征数量（向量长度）
- hidden_size : 隐藏层特征数量（列数）
- output_size : 语言数目，18
- i2h : 隐藏网络参数的计算过程。输入的数据尺寸为 input_size + hidden_size,输出的尺寸为 hidden_size
- i2o : 输出网络参数的计算过程。输入的数据尺寸为 input_size + hidden_size,输出的尺寸为 output_size
import torch.nn as nn class RNN(nn.Module): def __init__(self,input_size,hidden_size,output_size): super(RNN,self).__init__() self.input_size = input_size self.hidden_size = hidden_size self.output_size = output_size self.i2h = nn.Linear(input_size + hidden_size,hidden_size) self.i2o = nn.Linear(input_size + hidden_size,output_size) def forward(self,input,hidden): #将input和之前的网络中的隐藏层参数合并。 combined = torch.cat((input,hidden),1) hidden = self.i2h(combined) #计算隐藏层参数 output = self.i2o(combined) #计算网络输出的结果 return output,hidden def init_hidden(self): #初始化隐藏层参数hidden return torch.zeros(1,self.hidden_size)
检验我们构建的RNN网络
定义好 RNN 类之后，我们可以创建RNN的实例
rnn = RNN(input_size=57,#输入每个字母向量的长度（57个字符） hidden_size=128,#隐藏层向量的长度，神经元个数。这里可自行调整参数大小 output_size=18) #语言的种类数目
要运行此网络，我们需要给网络传入：
- input（在我们的例子中，是当前字母的Tensor）
- hidden（我们首先将隐藏层参数初始化为零）
经过网络内部的运算，我们将得到：
- output（每种语言的可能性的大小）
- next_hidden（传递给下一个网络的隐藏状态hidden）
input = letter_to_tensor('A')
hidden = rnn.init_hidden()
output,next_hidden = rnn(input,hidden)
print('output.size =',output.size())
output.size = torch.Size([1,18])
现在我们使用 line_to_tensor 替换 letter_to_tensor 来构件输入的数据。注意在本例子中，给RNN网络一次输入一个姓名数据，但对该网络而言，是将姓名数据拆分成字母数组数据，逐次输入训练网络，直到这个姓名最后一个字母数组输入完成，才输出真正的预测结果（姓名所属的语言类别）。
输入 RNN神经网络 的数据的粒度变细，不再是 姓名数组数据（三维） ，而是 组成姓名的字母的数组或矩阵（二维） 。
input = name_to_tensor('Albert')
hidden = torch.zeros(1,128) #这里的128是hidden_size
#给rnn传入的初始化hidden参数是尺寸为（1， 128）的zeros矩阵
#input[0]是传入姓名的第一个字符数组，注意这个数组是batch_size=1的矩阵。因为在pytorch中所有输入的数据都是batch方式输入的
output,next_hidden = rnn(input[0],hidden)
print(output.shape)
print(output)
显示上述结果
torch.Size([1,18]) tensor([[-0.0785,0.0147,0.0940,-0.0518,-0.0286,0.0175,-0.0641,-0.0449,-0.0013,0.0421,0.0153,0.0269,-0.0556,0.0304,-0.0133,-0.0572,0.0217,0.1066]],grad_fn=)
现在我们看看output这个tensor中的含有数据，想办法从中提取出预测的 语言类别信息 。
具体思路：
该索引值就是 所属语言类别的索引值,具体我们可以看下面的例子更好的理解tensor的操作方法。
output.data output.data.topk(1)
tensor([[-0.0785,0.1066]]) (tensor([[0.1066]]),tensor([[17]]))
上面的两行代码，
其中第一行代码得到tensor中的data
第二行代码得到某姓姓名（这里我们实际上只输入了一个字母，姑且当成只有一个字母的姓名）的 所属语言的似然值 及 所属语言类别的索引值
top_n,top_i = output.data.topk(1) top_n #所属语言的似然值，我们可以将其想象成概率 top_i #所属语言类别信息
显示上面tpo_n和 top_i
tensor([[0.1066]]) tensor([[17]])
接下来我们继续看
top_n,top_i = output.data.topk(1) top_i[0][0] #所属语言类别的索引值
显示top_i[0][0]
tensor(17)
准备训练RNN
在训练前，我们把上面刚刚测试的求 所属语言类别的索引值 方法封装成函数 category_from_output 。
该函数输入:
- output : RNN网络输出的output
- 语言类别
- 语言类别索引值
def category_from_output(output): _,top_i = output.data.topk(1) category_i = top_i[0][0] return all_categories[category_i],category_i category_from_output(output)
显示category_from_output(output)运行结果
('Polish',tensor(17))
类比机器学习中需要将数据打乱，这里我们也要增入随机性（打乱）。
但不是将训练数据打乱，而是每次训练时随机的从数据集中抽取一种语言中的一个姓名。
这里我们定义了 random_training_pair 函数， 函数返回的是一个元组 (category,name,category_tensor,name_tensor) :
- category: 语言名
- name: 姓名
- category_tensor
- name_tensor
在定义函数前先看下面几个例子，更好的理解函数内部的运算过程。
category = random.choice(all_categories) category
显示category
'Polish'
上面的随机抽取了 一种语言 ， 接下来我们在 该语言 中抽取一个 姓名
name = random.choice(category_names[category]) name
显示name
'Krol'
训练过程中我们要有标签数据，在本文中 所属语言的索引值 作为 标签 。
由于pytorch中训练过程中使用的都是tensor结构数据，其中的元素都是浮点型数值，所以这里我们使用LongTensor， 可以保证标签是整数。
另外要注意的是，pytorch中运算的数据都是batch。所以我们要将 所属语言的索引值 放入一个list中，再将该list传入torch.LongTensor()中
category_tensor = torch.LongTensor([all_categories.index(category)]) category_tensor
显示category_tensor
tensor([17])
同理，name也要转化为tensor，这里我们调用name_to_tensor函数即可。
name_tensor = name_to_tensor(name) name_tensor
显示name_tensor
tensor([[[0.,0.]]])
刚刚几个例子，相信大家已经明白了函数内部的实现方法，现在将其封装成 random_training_pair函数
import random
def random_training_pair():
category = random.choice(all_categories)
name = random.choice(category_names[category])
category_tensor = torch.LongTensor([all_categories.index(category)])
name_tensor = name_to_tensor(name)
return category,name_tensor
#我们从数据集中抽取十次
for i in range(10):
category,name_tensor = random_training_pair()
print('category =',category,'/ name =',name)
上述代码块运行结果
category = Vietnamese / name = Truong category = arabic / name = Malouf category = German / name = Messner category = arabic / name = Boulos category = English / name = Batchelor category = Spanish / name = Guerrero category = Italian / name = Monti category = Scottish / name = Thomson category = Irish / name = Connell category = Korean / name = Youn
训练RNN网络
我们使用 nn.CrossEntropyLoss 作为评判标准，来检验 姓名真实所属的语言truth 与 预测该姓名得到预测所属语言类别predict 比对，计算RNN网络训练的误差。
criterion = nn.CrossEntropyLoss()
我们也创建了 优化器optimizer ， 常用的优化器是 SGD算法 。当 每次训练网络，我们比对结果,好则改之,无则加勉， 让该网络改善的学习率learning rate（改进的速度）设置为0.005 。
注意学习率learning rate不能设置的太大或者太小：
- 所谓欲速则不达，太大导致训练效果不佳。容易大条
- 太小了会导致训练速度太慢，遥遥无期。
learning_rate = 0.005 optimizer = torch.optim.SGD(rnn.parameters(),#给优化器传入rnn网络参数 lr=learning_rate) #学习率
每轮训练将:
- 创建input（name_tensor）和 input对应的语言类别标签(category_tensor)
- 当输入姓名第一个字母时，需要初始化隐藏层参数。
- 读取姓名中的 每个字母的数组信息 ，传入rnn,并将网络输出的hidden_state和下一个字母数组信息传入之后的RNN网络中
- 使用criterion比对 最终输出结果 与 姓名真实所属的语言标签 作比较
- 更新网络参数，改进网络。
- 循环往复以上几步
def train(category_tensor,name_tensor): rnn.zero_grad() #将rnn网络梯度清零 hidden = rnn.init_hidden() #只对姓名的第一字母构建起hidden参数 #对姓名的每一个字母逐次学习规律。每次循环的得到的hidden参数传入下次rnn网络中 for i in range(name_tensor.size()[0]): output,hidden = rnn(name_tensor[i],hidden) #比较最终输出结果与 该姓名真实所属语言，计算训练误差 loss = criterion(output,category_tensor) #将比较后的结果反向传播给整个网络 loss.backward() #调整网络参数。有则改之无则加勉 optimizer.step() #返回预测结果 和 训练误差 return output,loss.data[0]
现在我们可以使用一大堆姓名和语言数据来训练RNN网络，因为 train函数 会同时返回 预测结果 和 训练误差 ， 我们可以打印并可视化这些信息。
为了方便，我们每训练5000次（5000个姓名），就打印 一个姓名的预测结果 ，并 查看该姓名是否预测正确 。
我们对每1000次的训练累计误差，最终将误差 可视化出来。
import time import math n_epochs = 100000 # 训练100000次（可重复的从数据集中抽取100000姓名） print_every = 5000 #每训练5000次，打印一次 plot_every = 1000 #每训练1000次，计算一次训练平均误差 current_loss = 0 #初始误差为0 all_losses = [] #记录平均误差 def time_since(since): #计算训练使用的时间 Now = time.time() s = Now - since m = math.floor(s / 60) s -= m * 60 return '%dm %ds' % (m,s) #训练开始时间点 start = time.time() for epoch in range(1,n_epochs + 1): # 随机的获取训练数据name和对应的language category,name_tensor = random_training_pair() output,loss = train(category_tensor,name_tensor) current_loss += loss #每训练5000次，预测一个姓名，并打印预测情况 if epoch % print_every == 0: guess,guess_i = category_from_output(output) correct = '✓' if guess == category else '✗ (%s)' % category print('%d %d%% (%s) %.4f %s / %s %s' % (epoch,epoch / n_epochs * 100,time_since(start),loss,guess,correct)) # 每训练5000次，计算一个训练平均误差，方便后面可视化误差曲线图 if epoch % plot_every == 0: all_losses.append(current_loss / plot_every) current_loss = 0
上面代码块运行结果
5000 5% (0m 8s) 1.6642 San / Chinese ✗ (Korean) 10000 10% (0m 15s) 3.1045 Sobol / arabic ✗ (Polish) 15000 15% (0m 23s) 2.9460 Hill / Vietnamese ✗ (Scottish) 20000 20% (0m 30s) 1.3255 Uemura / Japanese ✓ 25000 25% (0m 37s) 0.0889 Antonopoulos / Greek ✓ 30000 30% (0m 45s) 2.0578 Keighley / Russian ✗ (English) 35000 35% (0m 53s) 3.4646 Gaspar / arabic ✗ (Spanish) 40000 40% (1m 1s) 2.6537 soto / Japanese ✗ (Spanish) 45000 45% (1m 8s) 0.7883 Lykoshin / Russian ✓ 50000 50% (1m 17s) 3.1190 Blau / Vietnamese ✗ (German) 55000 55% (1m 26s) 1.4374 Sacco / Portuguese ✗ (Italian) 60000 60% (1m 33s) 0.0793 O'Boyle / Irish ✓ 65000 65% (1m 41s) 1.0468 Kong / Chinese ✓ 70000 70% (1m 47s) 0.6785 Davidson / Scottish ✓ 75000 75% (1m 55s) 3.3509 Serafin / Irish ✗ (Polish) 80000 80% (2m 2s) 0.1848 Portelli / Italian ✓ 85000 85% (2m 8s) 1.0430 Gabrisova / Czech ✓ 90000 90% (2m 15s) 1.3065 Loyola / Czech ✗ (Spanish) 95000 95% (2m 22s) 0.2379 Coelho / Portuguese ✓ 100000 100% (2m 29s) 0.3560 Teng / Chinese ✓
绘制训练误差
import matplotlib.pyplot as plt %matplotlib inline plt.figure() plt.plot(all_losses)
从误差图中可以看出，随着训练轮数的增加，模型的每1000次训练的平均误差越来越小。
手动检验训练的模型
为了方便，我们定义了 predict(rnn,input_name,n_predictions=3)函数
- rnn: 训练得到的rnn网络
- input_name: 姓名字符串
- n_predictions：该姓名预测结果的前n_predictions个预测结果
def predict(rnn,n_predictions=3):
hidden = rnn.init_hidden()
#name_tensor.size()[0] 名字的长度(字母的数目)
for i in range(name_tensor.size()[0]):
output,hidden)
print('
> %s' % input_name)
# 得到该姓名预测结果中似然值中前n_predictions大的 似然值和所属语言
topv,topi = output.data.topk(n_predictions,True)
predictions = []
for i in range(n_predictions):
value = topv[0][i]
category_index = topi[0][i]
print('(%.2f) %s' % (value,all_categories[category_index]))
predictions.append([value,all_categories[category_index]])
predict(rnn,'Dovesky')
predict(rnn,'Jackson')
predict(rnn,'Satoshi')
上述代码块运行结果
思考Exercises
比照本文，我们还可做很多类似的训练，比如
为了得到更准确的神经网络（更准确）：
- 添加更多层Add more linear layers
- 尝试使用 nn.LSTM 或者 nn.GRU
- 聚合多种（如rnn、lstm、gru）为更高级的网络
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
