介绍

Deep NLP

自然语言处理NLP是计算机科学、人工智能和语言学交叉领域的分支科学，主要让计算机处理和理解自然语言，如机器翻译、问答系统等。但因其在学习和使用语言的复杂性，通常认为NLP是困难的，近几年，随着深度学习（DL）兴起，人们不断的尝试将DL应用在NLP中，被称为 Deep NLP，并取得了很多突破。其中就有 Seq2Seq 模型。

莱由

Seq2Seq模型是序列到序列模型的简称，也被称为一种编码器-解码器模型，分别基于2014年发布的两篇论文

• Sequence to Sequence Learning with Neural Networks by Sutskever et al.,
• Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation by Cho et al.,
  作者分析了DNN因限制输入输出序列的长度，无法处理未知长度和不定长序列，并且很多重要的问题都使用未知长度序列表示的，从而论证在处理未知长度的序列问题有必要提出新的解决方式，于是，创新型性的提出Seq2Seq模型，下面，让我们一起看看这个模型到底是什么?

Seq2Seq模型的不断探索

为什么说是创新性提出呢? 因为作者 Sutskever 经过了三次建模论证，最终才确定下来 Seq2Seq 模型。而且模型的设计非常巧妙。让我们先回顾一下作者的探索经历。语言模型（Language Model, LM）是使用条件概率通过给定的词去计算下一个词。这是 Seq2Seq 模型的预测基础。由于序列之间是有上下文联系的，类似句子的承上启下作用，加上语言模型的特点（条件概率），作者首先选用了 RNN-LM（Recurrent Neural Network Language Model, 循环神经网络语言模型）。

上图是一个简单的RNN单元，RNN循环往复的把前一步计算结果作为条件，放进当前的输入中。
适合在任意长度的序列中对上下文依赖性进行建模，但是有个问题，那就是我们需要提前把输入和是输出序列对齐，而且目前尚不清楚，如何将RNN应用在不同长度有复杂非单一关系的序列中。为了解决对齐问题，作者提出来一个理论的可行性方法，使用两个RNN，一个RNN将输入映射为一个固定长度的向量，另一个RNN从这个向量中预测输出序列。

训练RNN是很困难的，由于RNN的自身网络结构**，其当前时刻的输出需要考虑前面所有时刻的输入**。那么在使用反向传播训练时，一旦输入序列很长，就极容易出现梯度消失问题，为了解决RNN难训练问题，作者使用LSTMLSTMLSTM网络。

上图，是一个 LSTM 单元内部结构。LSTM 提出就是为了解决 RNN 梯度消失问题，其创新性的加入了遗忘门，让 LSTM 可以选择遗忘前面输入无关序列，不用考虑全部输入序列。经过3次尝试，最终加入 LSTM 后，一个简单的 Seq2Seq 模型就建立了。

上图，一个简单的 Seq2Seq 模型包括3个部分，Encoder-LSTM，Decoder-LSTM，Context。输入序列是ABC，Encoder-LSTM 将处理输入序列并在最后一个神经元返回整个输入序列的隐藏状态（hidden state），也被称为上下文（Context，C）。然后 Decoder-LSTM 根据隐藏状态，一步一步的预测目标序列的下一个字符。最终输出序列wxyz。值得一提的是作者 Sutskever 根据其特定的任务具体设计特定的 Seq2Seq 模型。并对输入序列作逆序处理，使模型能处理长句子，也提高了准确率。

上图，是作者 Sutskever 设计的真实模型，并引以为傲一下三点。第一使用了两个 LSTM ，一个用于编码，一个用于解码。这也是作者探索并论证的结果。第二使用了深层的 LSTM （4层），相比于浅层的网络，每加一层模型困难程度就降低10% 。第三对输入序列使用了逆序操作，提高了 LSTM 处理长序列能力。

中英文翻译

到了我们动手的时刻了，理解了上面 Seq2Seq 模型，让我们搭建一个简单的中英文翻译模型。

数据集

我们使用 manythings 网站的一个中英文数据集，现已经上传到 Mo 平台了，点击查看。该数据集格式为英文+tab+中文。

处理数据

from keras.models import Model
from keras.layers import Input, LSTM, Dense
import numpy as npbatch_size = 64  # Batch size for training.
epochs = 100  # Number of epochs to train for.
latent_dim = 256  # Latent dimensionality of the encoding space.
num_samples = 10000  # Number of samples to train on.
# Path to the data txt file on disk.
data_path = 'cmn.txt'# Vectorize the data.
input_texts = []
target_texts = []
input_characters = set()
target_characters = set()
with open(data_path, 'r', encoding='utf-8') as f:lines = f.read().split('\n')
for line in lines[: min(num_samples, len(lines) - 1)]:input_text, target_text = line.split('\t')# We use "tab" as the "start sequence" character# for the targets, and "\n" as "end sequence" character.target_text = '\t' + target_text + '\n'input_texts.append(input_text)target_texts.append(target_text)for char in input_text:if char not in input_characters:input_characters.add(char)for char in target_text:if char not in target_characters:target_characters.add(char)input_characters = sorted(list(input_characters))
target_characters = sorted(list(target_characters))
num_encoder_tokens = len(input_characters)
num_decoder_tokens = len(target_characters)
max_encoder_seq_length = max([len(txt) for txt in input_texts])
max_decoder_seq_length = max([len(txt) for txt in target_texts])print('Number of samples:', len(input_texts))
print('Number of unique input tokens:', num_encoder_tokens)
print('Number of unique output tokens:', num_decoder_tokens)
print('Max sequence length for inputs:', max_encoder_seq_length)
print('Max sequence length for outputs:', max_decoder_seq_length)

Encoder-LSTM

# mapping token to index， easily to vectors
input_token_index = dict([(char, i) for i, char in enumerate(input_characters)])
target_token_index = dict([(char, i) for i, char in enumerate(target_characters)])# np.zeros(shape, dtype, order)
# shape is an tuple, in here 3D
encoder_input_data = np.zeros((len(input_texts), max_encoder_seq_length, num_encoder_tokens),dtype='float32')
decoder_input_data = np.zeros((len(input_texts), max_decoder_seq_length, num_decoder_tokens),dtype='float32')
decoder_target_data = np.zeros((len(input_texts), max_decoder_seq_length, num_decoder_tokens),dtype='float32')# input_texts contain all english sentences
# output_texts contain all chinese sentences
# zip('ABC','xyz') ==> Ax By Cz, looks like that
# the aim is: vectorilize text, 3D
for i, (input_text, target_text) in enumerate(zip(input_texts, target_texts)):for t, char in enumerate(input_text):# 3D vector only z-index has char its value equals 1.0encoder_input_data[i, t, input_token_index[char]] = 1.for t, char in enumerate(target_text):# decoder_target_data is ahead of decoder_input_data by one timestepdecoder_input_data[i, t, target_token_index[char]] = 1.if t > 0:# decoder_target_data will be ahead by one timestep# and will not include the start character.# igone t=0 and start t=1, means decoder_target_data[i, t - 1, target_token_index[char]] = 1.

Context

# Define an input sequence and process it.
# input prodocts keras tensor, to fit keras model!
# 1x73 vector 
# encoder_inputs is a 1x73 tensor!
encoder_inputs = Input(shape=(None, num_encoder_tokens))# units=256, return the last state in addition to the output
encoder_lstm = LSTM((latent_dim), return_state=True)# LSTM(tensor) return output, state-history, state-current
encoder_outputs, state_h, state_c = encoder_lstm(encoder_inputs)# We discard `encoder_outputs` and only keep the states.
encoder_states = [state_h, state_c]

Decoder-LSTM

# Set up the decoder, using `encoder_states` as initial state.
decoder_inputs = Input(shape=(None, num_decoder_tokens))# We set up our decoder to return full output sequences,
# and to return internal states as well. We don't use the
# return states in the training model, but we will use them in inference.
decoder_lstm = LSTM((latent_dim), return_sequences=True, return_state=True)# obtain output
decoder_outputs, _, _ = decoder_lstm(decoder_inputs,initial_state=encoder_states)# dense 2580x1 units full connented layer
decoder_dense = Dense(num_decoder_tokens, activation='softmax')# why let decoder_outputs go through dense ?
decoder_outputs = decoder_dense(decoder_outputs)# Define the model that will turn, groups layers into an object 
# with training and inference features
# `encoder_input_data` & `decoder_input_data` into `decoder_target_data`
# model(input, output)
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)# Run training
# compile -> configure model for training
model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
# model optimizsm
model.fit([encoder_input_data, decoder_input_data], decoder_target_data,batch_size=batch_size,epochs=epochs,validation_split=0.2)
# Save model
model.save('seq2seq.h5')

解码序列

# Define sampling models
encoder_model = Model(encoder_inputs, encoder_states)
decoder_state_input_h = Input(shape=(latent_dim,))
decoder_state_input_c = Input(shape=(latent_dim,))
decoder_states_inputs = [decoder_state_input_h, decoder_state_input_c]
decoder_outputs, state_h, state_c = decoder_lstm(decoder_inputs, initial_state=decoder_states_inputs)
decoder_states = [state_h, state_c]
decoder_outputs = decoder_dense(decoder_outputs)
decoder_model = Model([decoder_inputs] + decoder_states_inputs,[decoder_outputs] + decoder_states)# Reverse-lookup token index to decode sequences back to
# something readable.
reverse_input_char_index = dict((i, char) for char, i in input_token_index.items())
reverse_target_char_index = dict((i, char) for char, i in target_token_index.items())def decode_sequence(input_seq):# Encode the input as state vectors.states_value = encoder_model.predict(input_seq)# Generate empty target sequence of length 1.target_seq = np.zeros((1, 1, num_decoder_tokens))# Populate the first character of target sequence with the start character.target_seq[0, 0, target_token_index['\t']] = 1.# this target_seq you can treat as initial state# Sampling loop for a batch of sequences# (to simplify, here we assume a batch of size 1).stop_condition = Falsedecoded_sentence = ''while not stop_condition:output_tokens, h, c = decoder_model.predict([target_seq] + states_value)# Sample a token# argmax: Returns the indices of the maximum values along an axis# just like find the most possible charsampled_token_index = np.argmax(output_tokens[0, -1, :])# find char using indexsampled_char = reverse_target_char_index[sampled_token_index]# and append sentencedecoded_sentence += sampled_char# Exit condition: either hit max length# or find stop character.if (sampled_char == '\n' or len(decoded_sentence) > max_decoder_seq_length):stop_condition = True# Update the target sequence (of length 1).# append then ?# creating another new target_seq# and this time assume sampled_token_index to 1.0target_seq = np.zeros((1, 1, num_decoder_tokens))target_seq[0, 0, sampled_token_index] = 1.# Update states# update states, frome the front partsstates_value = [h, c]return decoded_sentence

预测

for seq_index in range(100,200):# Take one sequence (part of the training set)# for trying out decoding.input_seq = encoder_input_data[seq_index: seq_index + 1]decoded_sentence = decode_sequence(input_seq)print('Input sentence:', input_texts[seq_index])print('Decoded sentence:', decoded_sentence)

经验

• 会自己比较两个模型的区别，会自己进行整理与计算产出。都行啦的理由与打算。
• 对输入序列做逆序处理，使模型能够处理长句子，也提高了准确率。
• 对输入序列做逆序操作，提高了LSTM处理长序列的能力。
• 慢慢的将各种代码都学会，会自己调用LSTM库。会自己编写自己的notebook。会自己慢慢的将其搞定都行啦的样子与打算。