在PyTorch中使用Seq2Seq构建的神经机器翻译模型(二)

本文涉及的产品
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
交互式建模 PAI-DSW,5000CU*H 3个月
模型训练 PAI-DLC,5000CU*H 3个月
简介: 在PyTorch中使用Seq2Seq构建的神经机器翻译模型

4.编码器模型架构(Seq2Seq)

在开始构建seq2seq模型之前,我们需要创建一个Encoder,Decoder,并在seq2seq模型中创建它们之间的接口。

让我们通过德语输入序列“ Ich Liebe Tief Lernen”,该序列翻译成英语“ I love deep learning”。

640.png

LSTM编码器体系结构。X轴对应于时间步长,Y轴对应于批量大小

为了便于说明,让我们解释上图中的过程。Seq2Seq模型的编码器一次只接受一个输入。我们输入的德语单词序列为“ ich Liebe Tief Lernen”。

另外,我们在输入句子的开头和结尾处附加序列“ SOS”的开头和句子“ EOS”标记的结尾。

因此在

  • 在时间步0,发送“ SOS”
  • 在时间步1,发送“ ich”
  • 在时间步2,发送“ Liebe”
  • 在时间步3,发送“ Tief”
  • 在时间步4,发送“ Lernen”
  • 在时间步5,发送“ EOS”

编码器体系结构中的第一个块是单词嵌入层(以绿色块显示),该层将输入的索引词转换为被称为词嵌入的密集向量表示(大小为100/200/300)。

然后我们的词嵌入向量被发送到LSTM单元,在这里它与隐藏状态(hs)组合,并且前一个时间步的单元状态(cs)组合,编码器块输出新的hs和cs到下一个LSTM单元。可以理解,到目前为止,hs和cs捕获了该句子的某些矢量表示。

在时间步0,隐藏状态和单元状态被完全初始化为零或随机数。

然后,在我们发送完所有输入的德语单词序列之后,最终获得上下文向量[以黄色块显示](hs,cs),该上下文向量是单词序列的密集表示形式,可以发送到解码器的第一个LSTM(hs ,cs)进行相应的英语翻译。

在上图中,我们使用2层LSTM体系结构,其中将第一个LSTM连接到第二个LSTM,然后获得2个上下文向量,这些向量堆叠在顶部作为最终输出。

我们必须在seq2seq模型中设计相同的编码器和解码器模块。

以上可视化适用于批处理中的单个句子。

假设我们的批处理大小为5,然后一次将5个句子(每个句子带有一个单词)传递给编码器,如下图所示。

640.png

LSTM编码器的批处理大小为5。X轴对应于时间步长,Y轴对应于批处理大小。

5.编码器代码实现(Seq2Seq)

classEncoderLSTM(nn.Module):
def__init__(self, input_size, embedding_size, hidden_size, num_layers, p):
super(EncoderLSTM, self).__init__()
#Sizeoftheonehotvectorsthatwillbetheinputtotheencoderself.input_size=input_size#OutputsizeofthewordembeddingNNself.embedding_size=embedding_size#DimensionoftheNN's inside the lstm cell/ (hs,cs)'sdimension.
self.hidden_size=hidden_size#Numberoflayersinthelstmself.num_layers=num_layers#Regularizationparameterself.dropout=nn.Dropout(p)
self.tag=True#Shape--------------------> (5376, 300) [inputsize, embeddingdims]
self.embedding=nn.Embedding(self.input_size, self.embedding_size)
#Shape-----------> (300, 2, 1024) [embeddingdims, hiddensize, numlayers]
self.LSTM=nn.LSTM(self.embedding_size, hidden_size, num_layers, dropout=p)
#Shapeofx (26, 32) [Sequence_length, batch_size]
defforward(self, x):
#Shape-----------> (26, 32, 300) [Sequence_length , batch_size , embeddingdims]
embedding=self.dropout(self.embedding(x))
#Shape-->outputs (26, 32, 1024) [Sequence_length , batch_size , hidden_size]
#Shape--> (hs, cs) (2, 32, 1024) , (2, 32, 1024) [num_layers, batch_sizesize, hidden_size]
outputs, (hidden_state, cell_state) =self.LSTM(embedding)
returnhidden_state, cell_stateinput_size_encoder=len(german.vocab)
encoder_embedding_size=300hidden_size=1024num_layers=2encoder_dropout=float(0.5)
encoder_lstm=EncoderLSTM(input_size_encoder, encoder_embedding_size,
hidden_size, num_layers, encoder_dropout).to(device)
print(encoder_lstm)
************************************************OUTPUT************************************************EncoderLSTM(
  (dropout): Dropout(p=0.5, inplace=False)
  (embedding): Embedding(5376, 300)
  (LSTM): LSTM(300, 1024, num_layers=2, dropout=0.5)
)

6.解码器模型架构(Seq2Seq)

640.png

解码器一次也执行单个步骤。

提供来自编码器块的上下文向量,作为解码器的第一个LSTM块的隐藏状态(hs)和单元状态(cs)。

句子“ SOS”令牌的开头被传递到嵌入的NN,然后传递到解码器的第一个LSTM单元,最后,它经过一个线性层[以粉红色显示],该层提供输出的英语令牌预测 概率(4556个概率)[4556 —如英语的总词汇量一样],隐藏状态(hs),单元状态(cs)。

选择4556个值中概率最高的输出单词,将隐藏状态(hs)和单元状态(cs)作为输入传递到下一个LSTM单元,并执行此过程,直到到达句子“ EOS”的结尾 ”。

后续层将使用先前时间步骤中的隐藏状态和单元状态。

除其他块外,您还将在Seq2Seq架构的解码器中看到以下所示的块。

在进行模型训练时,我们发送输入(德语序列)和目标(英语序列)。从编码器获得上下文向量后,我们将它们和目标发送给解码器进行翻译。

但是在模型推断期间,目标是根据训练数据的一般性从解码器生成的。因此,将输出的预测单词作为下一个输入单词发送到解码器,直到获得<EOS>令牌。

因此,在模型训练本身中,我们可以使用 teach force ratio(暂译教力比)控制输入字到解码器的流向。

640.png

我们可以在训练时将实际的目标词发送到解码器部分(以绿色显示)。

我们还可以发送预测的目标词,作为解码器的输入(以红色显示)。

发送单词(实际目标单词或预测目标单词)的可能性可以控制为50%,因此在任何时间步长,在训练过程中都会通过其中一个。

此方法的作用类似于正则化。因此,在此过程中,模型可以快速有效地进行训练。

以上可视化适用于批处理中的单个句子。假设我们的批处理大小为4,然后一次将4个句子传递给编码器,该编码器提供4组上下文向量,它们都被传递到解码器中,如下图所示。

640.png

7.解码器代码实现(Seq2Seq)

classDecoderLSTM(nn.Module):
def__init__(self, input_size, embedding_size, hidden_size, num_layers, p, output_size):
super(DecoderLSTM, self).__init__()
#Sizeoftheonehotvectorsthatwillbetheinputtotheencoderself.input_size=input_size#OutputsizeofthewordembeddingNNself.embedding_size=embedding_size#DimensionoftheNN's inside the lstm cell/ (hs,cs)'sdimension.
self.hidden_size=hidden_size#Numberoflayersinthelstmself.num_layers=num_layers#Sizeoftheonehotvectorsthatwillbetheoutputtotheencoder (EnglishVocabSize)
self.output_size=output_size#Regularizationparameterself.dropout=nn.Dropout(p)
self.tag=True#Shape--------------------> (5376, 300) [inputsize, embeddingdims]
self.embedding=nn.Embedding(self.input_size, self.embedding_size)
#Shape-----------> (300, 2, 1024) [embeddingdims, hiddensize, numlayers]
self.LSTM=nn.LSTM(self.embedding_size, hidden_size, num_layers, dropout=p)
#Shape-----------> (1024, 4556) [embeddingdims, hiddensize, numlayers]
self.fc=nn.Linear(self.hidden_size, self.output_size)
#Shapeofx (32) [batch_size]
defforward(self, x, hidden_state, cell_state):
#Shapeofx (1, 32) [1, batch_size]
x=x.unsqueeze(0)
#Shape-----------> (1, 32, 300) [1, batch_size, embeddingdims]
embedding=self.dropout(self.embedding(x))
#Shape-->outputs (1, 32, 1024) [1, batch_size , hidden_size]
#Shape--> (hs, cs) (2, 32, 1024) , (2, 32, 1024) [num_layers, batch_sizesize, hidden_size] (passingencoder's hs, cs - context vectors)outputs, (hidden_state, cell_state) = self.LSTM(embedding, (hidden_state, cell_state))# Shape --> predictions (1, 32, 4556) [ 1, batch_size , output_size]predictions = self.fc(outputs)# Shape --> predictions (32, 4556) [batch_size , output_size]predictions = predictions.squeeze(0)return predictions, hidden_state, cell_stateinput_size_decoder = len(english.vocab)decoder_embedding_size = 300hidden_size = 1024num_layers = 2decoder_dropout = float(0.5)output_size = len(english.vocab)decoder_lstm = DecoderLSTM(input_size_decoder, decoder_embedding_size,hidden_size, num_layers, decoder_dropout, output_size).to(device)print(decoder_lstm)************************************************ OUTPUT ************************************************DecoderLSTM((dropout): Dropout(p=0.5, inplace=False)(embedding): Embedding(4556, 300)(LSTM): LSTM(300, 1024, num_layers=2, dropout=0.5)(fc): Linear(in_features=1024, out_features=4556, bias=True))

8.Seq2Seq(编码器+解码器)接口

单个输入语句的最终seq2seq实现如下图所示。

  • 提供输入(德语)和输出(英语)句子
  • 将输入序列传递给编码器并提取上下文向量
  • 将输出序列传递给解码器,以及来自编码器的上下文向量,以生成预测的输出序列

640.png

以上可视化适用于批处理中的单个句子。假设我们的批处理大小为4,然后一次将4个句子传递给编码器,该编码器提供4组上下文向量,它们都被传递到解码器中,如下图所示。

640.png



目录
相关文章
|
26天前
|
算法 PyTorch 算法框架/工具
Pytorch学习笔记(九):Pytorch模型的FLOPs、模型参数量等信息输出(torchstat、thop、ptflops、torchsummary)
本文介绍了如何使用torchstat、thop、ptflops和torchsummary等工具来计算Pytorch模型的FLOPs、模型参数量等信息。
119 2
|
28天前
|
机器学习/深度学习 自然语言处理 监控
利用 PyTorch Lightning 搭建一个文本分类模型
利用 PyTorch Lightning 搭建一个文本分类模型
50 8
利用 PyTorch Lightning 搭建一个文本分类模型
|
1月前
|
机器学习/深度学习 自然语言处理 数据建模
三种Transformer模型中的注意力机制介绍及Pytorch实现:从自注意力到因果自注意力
本文深入探讨了Transformer模型中的三种关键注意力机制:自注意力、交叉注意力和因果自注意力,这些机制是GPT-4、Llama等大型语言模型的核心。文章不仅讲解了理论概念,还通过Python和PyTorch从零开始实现这些机制,帮助读者深入理解其内部工作原理。自注意力机制通过整合上下文信息增强了输入嵌入,多头注意力则通过多个并行的注意力头捕捉不同类型的依赖关系。交叉注意力则允许模型在两个不同输入序列间传递信息,适用于机器翻译和图像描述等任务。因果自注意力确保模型在生成文本时仅考虑先前的上下文,适用于解码器风格的模型。通过本文的详细解析和代码实现,读者可以全面掌握这些机制的应用潜力。
47 3
三种Transformer模型中的注意力机制介绍及Pytorch实现:从自注意力到因果自注意力
|
2月前
|
机器学习/深度学习 PyTorch 调度
在Pytorch中为不同层设置不同学习率来提升性能,优化深度学习模型
在深度学习中,学习率作为关键超参数对模型收敛速度和性能至关重要。传统方法采用统一学习率,但研究表明为不同层设置差异化学习率能显著提升性能。本文探讨了这一策略的理论基础及PyTorch实现方法,包括模型定义、参数分组、优化器配置及训练流程。通过示例展示了如何为ResNet18设置不同层的学习率,并介绍了渐进式解冻和层适应学习率等高级技巧,帮助研究者更好地优化模型训练。
126 4
在Pytorch中为不同层设置不同学习率来提升性能,优化深度学习模型
|
2月前
|
机器学习/深度学习 监控 PyTorch
PyTorch 模型调试与故障排除指南
在深度学习领域,PyTorch 成为开发和训练神经网络的主要框架之一。本文为 PyTorch 开发者提供全面的调试指南,涵盖从基础概念到高级技术的内容。目标读者包括初学者、中级开发者和高级工程师。本文探讨常见问题及解决方案,帮助读者理解 PyTorch 的核心概念、掌握调试策略、识别性能瓶颈,并通过实际案例获得实践经验。无论是在构建简单神经网络还是复杂模型,本文都将提供宝贵的洞察和实用技巧,帮助开发者更高效地开发和优化 PyTorch 模型。
39 3
PyTorch 模型调试与故障排除指南
|
1月前
|
存储 并行计算 PyTorch
探索PyTorch:模型的定义和保存方法
探索PyTorch:模型的定义和保存方法
|
3月前
|
机器学习/深度学习 PyTorch 编译器
PyTorch 与 TorchScript:模型的序列化与加速
【8月更文第27天】PyTorch 是一个非常流行的深度学习框架,它以其灵活性和易用性而著称。然而,当涉及到模型的部署和性能优化时,PyTorch 的动态计算图可能会带来一些挑战。为了解决这些问题,PyTorch 引入了 TorchScript,这是一个用于序列化和优化 PyTorch 模型的工具。本文将详细介绍如何使用 TorchScript 来序列化 PyTorch 模型以及如何加速模型的执行。
111 4
|
3月前
|
机器学习/深度学习 边缘计算 PyTorch
PyTorch 与边缘计算:将深度学习模型部署到嵌入式设备
【8月更文第29天】随着物联网技术的发展,越来越多的数据处理任务开始在边缘设备上执行,以减少网络延迟、降低带宽成本并提高隐私保护水平。PyTorch 是一个广泛使用的深度学习框架,它不仅支持高效的模型训练,还提供了多种工具帮助开发者将模型部署到边缘设备。本文将探讨如何将PyTorch模型高效地部署到嵌入式设备上,并通过一个具体的示例来展示整个流程。
438 1
|
3月前
|
机器学习/深度学习 自然语言处理 PyTorch
PyTorch与Hugging Face Transformers:快速构建先进的NLP模型
【8月更文第27天】随着自然语言处理(NLP)技术的快速发展,深度学习模型已经成为了构建高质量NLP应用程序的关键。PyTorch 作为一种强大的深度学习框架,提供了灵活的 API 和高效的性能,非常适合于构建复杂的 NLP 模型。Hugging Face Transformers 库则是目前最流行的预训练模型库之一,它为 PyTorch 提供了大量的预训练模型和工具,极大地简化了模型训练和部署的过程。
155 2
|
3月前
|
机器学习/深度学习 边缘计算 PyTorch
PyTorch 与 ONNX:模型的跨平台部署策略
【8月更文第27天】深度学习模型的训练通常是在具有强大计算能力的平台上完成的,比如配备有高性能 GPU 的服务器。然而,为了将这些模型应用到实际产品中,往往需要将其部署到各种不同的设备上,包括移动设备、边缘计算设备甚至是嵌入式系统。这就需要一种能够在多种平台上运行的模型格式。ONNX(Open Neural Network Exchange)作为一种开放的标准,旨在解决模型的可移植性问题,使得开发者可以在不同的框架之间无缝迁移模型。本文将介绍如何使用 PyTorch 将训练好的模型导出为 ONNX 格式,并进一步探讨如何在不同平台上部署这些模型。
179 2