TF之LSTM:基于Tensorflow框架采用PTB数据集建立LSTM网络的自然语言建模

本文涉及的产品
NLP自然语言处理_基础版,每接口每天50万次
NLP 自学习平台,3个模型定制额度 1个月
NLP自然语言处理_高级版,每接口累计50万次
简介: TF之LSTM:基于Tensorflow框架采用PTB数据集建立LSTM网络的自然语言建模

关于PTB数据集


PTB (Penn Treebank Dataset)文本数据集是语言模型学习中目前最被广泛使用数据集。

ptb.test.txt    #测试集数据文件

ptb.train.txt   #训练集数据文件

ptb.valid.txt   #验证集数据文件

这三个数据文件中的数据已经经过了预处理,包含了10000 个不同的词语和语句结束标记符(在文本中就是换行符)以及标记稀有词语的特殊符号。

为了让使用PTB数据集更加方便,TensorFlow提供了两个函数来帮助实现数据的预处理。首先,TensorFlow提供了ptb_raw_data函数来读取PTB的原始数据,并将原始数据中的单词转化为单词ID。

训练数据中总共包含了929589 个单词,而这些单词被组成了一个非常长的序列。这个序列通过特殊的标识符给出了每句话结束的位置。在这个数据集中,句子结束的标识符ID为2。

数据集的下载地址:TF的PTB数据集     (别的数据集不匹配的话会出现错误)


代码实现


  本代码使用2层 LSTM 网络,且每层有 200 个隐藏单元。在训练中截断的输入序列长度为 32,且使用 Dropout 和梯度截断等方法控制模型的过拟合与梯度爆炸等问题。当简单地训练 3 个 Epoch 后,测试复杂度(Perplexity)降低到了 210,如果多轮训练会更低。



# -*- coding: utf-8 -*-

from __future__ import absolute_import

from __future__ import division

from __future__ import print_function

import collections

import os

import sys

import tensorflow as tf

Py3 = sys.version_info[0] == 3

def _read_words(filename):

 with tf.gfile.GFile(filename, "r") as f:

   if Py3:

     return f.read().replace("\n", "<eos>").split()

   else:

     return f.read().decode("utf-8").replace("\n", "<eos>").split()

def _build_vocab(filename):

 data = _read_words(filename)

 counter = collections.Counter(data)

 count_pairs = sorted(counter.items(), key=lambda x: (-x[1], x[0]))

 words, _ = list(zip(*count_pairs))

 word_to_id = dict(zip(words, range(len(words))))

 return word_to_id

def _file_to_word_ids(filename, word_to_id):

 data = _read_words(filename)

 return [word_to_id[word] for word in data if word in word_to_id]

def ptb_raw_data(data_path=None):

 """Load PTB raw data from data directory "data_path".

 Reads PTB text files, converts strings to integer ids,

 and performs mini-batching of the inputs.

 The PTB dataset comes from Tomas Mikolov's webpage:

 http://www.fit.vutbr.cz/~imikolov/rnnlm/simple-examples.tgz

 Args:

   data_path: string path to the directory where simple-examples.tgz has

     been extracted.

 Returns:

   tuple (train_data, valid_data, test_data, vocabulary)

   where each of the data objects can be passed to PTBIterator.

 """

 train_path = os.path.join(data_path, "ptb.train.txt")

 valid_path = os.path.join(data_path, "ptb.valid.txt")

 test_path = os.path.join(data_path, "ptb.test.txt")

 word_to_id = _build_vocab(train_path)

 train_data = _file_to_word_ids(train_path, word_to_id)

 valid_data = _file_to_word_ids(valid_path, word_to_id)

 test_data = _file_to_word_ids(test_path, word_to_id)

 vocabulary = len(word_to_id)

 return train_data, valid_data, test_data, vocabulary

def ptb_producer(raw_data, batch_size, num_steps, name=None):

 """Iterate on the raw PTB data.

 This chunks up raw_data into batches of examples and returns Tensors that

 are drawn from these batches.

 Args:

   raw_data: one of the raw data outputs from ptb_raw_data.

   batch_size: int, the batch size.

   num_steps: int, the number of unrolls.

   name: the name of this operation (optional).

 Returns:

   A pair of Tensors, each shaped [batch_size, num_steps]. The second element

   of the tuple is the same data time-shifted to the right by one.

 Raises:

   tf.errors.InvalidArgumentError: if batch_size or num_steps are too high.

 """

 with tf.name_scope(name, "PTBProducer", [raw_data, batch_size, num_steps]):

   raw_data = tf.convert_to_tensor(raw_data, name="raw_data", dtype=tf.int32)

   data_len = tf.size(raw_data)

   batch_len = data_len // batch_size

   data = tf.reshape(raw_data[0 : batch_size * batch_len],

                     [batch_size, batch_len])

   epoch_size = (batch_len - 1) // num_steps

   assertion = tf.assert_positive(

       epoch_size,

       message="epoch_size == 0, decrease batch_size or num_steps")

   with tf.control_dependencies([assertion]):

     epoch_size = tf.identity(epoch_size, name="epoch_size")

   i = tf.train.range_input_producer(epoch_size, shuffle=False).dequeue()

   x = tf.strided_slice(data, [0, i * num_steps],

                        [batch_size, (i + 1) * num_steps])

   x.set_shape([batch_size, num_steps])

   y = tf.strided_slice(data, [0, i * num_steps + 1],

                        [batch_size, (i + 1) * num_steps + 1])

   y.set_shape([batch_size, num_steps])

   return x, y

from reader import *

import tensorflow as tf

import numpy as np

data_path = 'F:/File_Python/Python_daydayup/data/simple-examples/data'  #F:/File_Python/Python_daydayup/data/simple-examples/data

# 隐藏层单元数与LSTM层级数

hidden_size = 200

num_layers = 2

#词典规模

vocab_size = 10000

learning_rate = 1.0

train_batch_size = 16

# 训练数据截断长度

train_num_step = 32

# 在测试时不需要使用截断,测试数据为一个超长序列

eval_batch_size = 1

eval_num_step = 1

num_epoch = 3

#结点不被Dropout的概率

keep_prob = 0.5

# 用于控制梯度爆炸的参数

max_grad_norm = 5

# 通过ptbmodel 的类描述模型

class PTBModel(object):

   def __init__(self, is_training, batch_size, num_steps):

       # 记录使用的Batch大小和截断长度

       self.batch_size = batch_size

       self.num_steps = num_steps

       # 定义输入层,维度为批量大小×截断长度

       self.input_data = tf.placeholder(tf.int32, [batch_size, num_steps])

       # 定义预期输出

       self.targets = tf.placeholder(tf.int32, [batch_size, num_steps])

       # 定义使用LSTM结构为循环体,带Dropout的深度RNN

       lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(hidden_size)

       if is_training:

           lstm_cell = tf.nn.rnn_cell.DropoutWrapper(lstm_cell, output_keep_prob=keep_prob)

       cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * num_layers)

       # 初始化状态为0

       self.initial_state = cell.zero_state(batch_size, tf.float32)

       # 将单词ID转换为单词向量,embedding的维度为vocab_size*hidden_size

       embedding = tf.get_variable('embedding', [vocab_size, hidden_size])

       # 将一个批量内的单词ID转化为词向量,转化后的输入维度为批量大小×截断长度×隐藏单元数

       inputs = tf.nn.embedding_lookup(embedding, self.input_data)

       # 只在训练时使用Dropout

       if is_training: inputs = tf.nn.dropout(inputs, keep_prob)

       # 定义输出列表,这里先将不同时刻LSTM的输出收集起来,再通过全连接层得到最终输出

       outputs = []

       # state 储存不同批量中LSTM的状态,初始为0

       state = self.initial_state

       with tf.variable_scope('RNN'):

           for time_step in range(num_steps):

               if time_step > 0: tf.get_variable_scope().reuse_variables()

               # 从输入数据获取当前时间步的输入与前一时间步的状态,并传入LSTM结构

               cell_output, state = cell(inputs[:, time_step, :], state)

               # 将当前输出加入输出队列

               outputs.append(cell_output)

       # 将输出队列展开成[batch,hidden*num_step]的形状,再reshape为[batch*num_step, hidden]

       output = tf.reshape(tf.concat(outputs, 1), [-1, hidden_size])

       # 将LSTM的输出传入全连接层以生成最后的预测结果。最后结果在每时刻上都是长度为vocab_size的张量

       # 且经过softmax层后表示下一个位置不同词的概率

       weight = tf.get_variable('weight', [hidden_size, vocab_size])

       bias = tf.get_variable('bias', [vocab_size])

       logits = tf.matmul(output, weight) + bias

       # 定义交叉熵损失函数,一个序列的交叉熵之和

       loss = tf.contrib.legacy_seq2seq.sequence_loss_by_example(

           [logits],  # 预测的结果

           [tf.reshape(self.targets, [-1])],  # 期望正确的结果,这里将[batch_size, num_steps]压缩为一维张量

           [tf.ones([batch_size * num_steps], dtype=tf.float32)])  # 损失的权重,所有为1表明不同批量和时刻的重要程度一样

       # 计算每个批量的平均损失

       self.cost = tf.reduce_sum(loss) / batch_size

       self.final_state = state

       # 只在训练模型时定义反向传播操作

       if not is_training: return

       trainable_variable = tf.trainable_variables()

       # 控制梯度爆炸问题

       grads, _ = tf.clip_by_global_norm(tf.gradients(self.cost, trainable_variable), max_grad_norm)

       # 如果需要使用Adam作为优化器,可以改为tf.train.AdamOptimizer(learning_rate),学习率需要降低至0.001左右

       optimizer = tf.train.GradientDescentOptimizer(learning_rate)

       # 定义训练步骤

       self.train_op = optimizer.apply_gradients(zip(grads, trainable_variable))

def run_epoch(session, model, data, train_op, output_log, epoch_size):

   total_costs = 0.0

   iters = 0

   state = session.run(model.initial_state)

   # # 使用当前数据训练或测试模型

   for step in range(epoch_size):

       x, y = session.run(data)

       # 在当前批量上运行train_op并计算损失值,交叉熵计算的是下一个单词为给定单词的概率

       cost, state, _ = session.run([model.cost, model.final_state, train_op],

                                       {model.input_data: x, model.targets: y, model.initial_state: state})

       # 将不同时刻和批量的概率就可得到困惑度的对数形式,将这个和做指数运算就可得到困惑度

       total_costs += cost

       iters += model.num_steps

       # 只在训练时输出日志

       if output_log and step % 100 == 0:

           print("After %d steps, perplexity is %.3f" % (step, np.exp(total_costs / iters)))

   return np.exp(total_costs / iters)

def main():

   train_data, valid_data, test_data, _ = ptb_raw_data(data_path)

   # 计算一个epoch需要训练的次数

   train_data_len = len(train_data)

   train_batch_len = train_data_len // train_batch_size

   train_epoch_size = (train_batch_len - 1) // train_num_step

   valid_data_len = len(valid_data)

   valid_batch_len = valid_data_len // eval_batch_size

   valid_epoch_size = (valid_batch_len - 1) // eval_num_step

   test_data_len = len(test_data)

   test_batch_len = test_data_len // eval_batch_size

   test_epoch_size = (test_batch_len - 1) // eval_num_step

   initializer = tf.random_uniform_initializer(-0.05, 0.05)

   with tf.variable_scope("language_model", reuse=None, initializer=initializer):

       train_model = PTBModel(True, train_batch_size, train_num_step)

   with tf.variable_scope("language_model", reuse=True, initializer=initializer):

       eval_model = PTBModel(False, eval_batch_size, eval_num_step)

   # 训练模型。

   with tf.Session() as session:

       tf.global_variables_initializer().run()

       train_queue = ptb_producer(train_data, train_model.batch_size, train_model.num_steps)

       eval_queue = ptb_producer(valid_data, eval_model.batch_size, eval_model.num_steps)

       test_queue = ptb_producer(test_data, eval_model.batch_size, eval_model.num_steps)

       coord = tf.train.Coordinator()

       threads = tf.train.start_queue_runners(sess=session, coord=coord)

       for i in range(num_epoch):

           print("In iteration: %d" % (i + 1))

           run_epoch(session, train_model, train_queue, train_model.train_op, True, train_epoch_size)

           valid_perplexity = run_epoch(session, eval_model, eval_queue, tf.no_op(), False, valid_epoch_size)

           print("Epoch: %d Validation Perplexity: %.3f" % (i + 1, valid_perplexity))

       test_perplexity = run_epoch(session, eval_model, test_queue, tf.no_op(), False, test_epoch_size)

       print("Test Perplexity: %.3f" % test_perplexity)

       coord.request_stop()

       coord.join(threads)

if __name__ == "__main__":

   main()

 


相关文章
|
7月前
|
机器学习/深度学习 数据处理
用人工神经网络对混凝土的强度进行建模
用人工神经网络对混凝土的强度进行建模
|
7月前
|
机器学习/深度学习 自然语言处理 数据可视化
数据代码分享|PYTHON用NLP自然语言处理LSTM神经网络TWITTER推特灾难文本数据、词云可视化
数据代码分享|PYTHON用NLP自然语言处理LSTM神经网络TWITTER推特灾难文本数据、词云可视化
|
3天前
|
人工智能 自然语言处理 PyTorch
BrushEdit:腾讯和北京大学联合推出的图像编辑框架,通过自然语言指令实现对图像的编辑和修复
BrushEdit是由腾讯、北京大学等机构联合推出的先进图像编辑框架,结合多模态大型语言模型和双分支图像修复模型,支持基于指令引导的图像编辑和修复。
30 12
BrushEdit:腾讯和北京大学联合推出的图像编辑框架,通过自然语言指令实现对图像的编辑和修复
|
9天前
|
人工智能 自然语言处理 前端开发
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
Director 是一个构建视频智能体的 AI 框架,用户可以通过自然语言命令执行复杂的视频任务,如搜索、编辑、合成和生成视频内容。该框架基于 VideoDB 的“视频即数据”基础设施,集成了多个预构建的视频代理和 AI API,支持高度定制化,适用于开发者和创作者。
67 9
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
|
22天前
|
人工智能 自然语言处理 PyTorch
AutoVFX:自然语言驱动的视频特效编辑框架
AutoVFX是一个先进的自然语言驱动的视频特效编辑框架,由伊利诺伊大学香槟分校的研究团队开发。该框架能够根据自然语言指令自动创建真实感和动态的视觉特效(VFX)视频,集成了神经场景建模、基于大型语言模型(LLM)的代码生成和物理模拟技术。本文详细介绍了AutoVFX的主要功能、技术原理以及如何运行该框架。
41 1
AutoVFX:自然语言驱动的视频特效编辑框架
|
2月前
|
机器学习/深度学习 存储 自然语言处理
从理论到实践:如何使用长短期记忆网络(LSTM)改善自然语言处理任务
【10月更文挑战第7天】随着深度学习技术的发展,循环神经网络(RNNs)及其变体,特别是长短期记忆网络(LSTMs),已经成为处理序列数据的强大工具。在自然语言处理(NLP)领域,LSTM因其能够捕捉文本中的长期依赖关系而变得尤为重要。本文将介绍LSTM的基本原理,并通过具体的代码示例来展示如何在实际的NLP任务中应用LSTM。
165 4
|
3月前
|
机器学习/深度学习 自然语言处理 计算机视觉
用于图像和用于自然语言的神经网络区别
主要区别总结 数据结构:图像数据是二维像素矩阵,具有空间结构;文本数据是一维序列,具有时间结构。 网络架构:图像处理常用CNN,注重局部特征提取;自然语言处理常用RNN/LSTM/Transformer,注重序列和全局依赖。 操作单元:图像处理中的卷积核在空间上操作;自然语言处理中的注意力机制在序列上操作。
28 2
|
4月前
|
数据采集 量子技术 双11
【2023 年第十三届 MathorCup 高校数学建模挑战赛】C 题 电商物流网络包裹应急调运与结构优化问题 建模方案及代码实现
本文提供了2023年第十三届MathorCup高校数学建模挑战赛C题的详细建模方案及代码实现,针对电商物流网络中的包裹应急调运与结构优化问题,提出了包括时间序列分析在内的多种数学模型,并探讨了物流网络的鲁棒性。
73 2
【2023 年第十三届 MathorCup 高校数学建模挑战赛】C 题 电商物流网络包裹应急调运与结构优化问题 建模方案及代码实现
|
5月前
|
存储 分布式计算 MaxCompute
构建NLP 开发问题之如何支持其他存储介质(如 HDFS、ODPS Volumn)在 transformers 框架中
构建NLP 开发问题之如何支持其他存储介质(如 HDFS、ODPS Volumn)在 transformers 框架中
|
5月前
|
机器学习/深度学习 分布式计算 MaxCompute
ODPS问题之什么是Join/Inner Join
ODPS问题之什么是Join/Inner Join

热门文章

最新文章