ee

ewwe

Author: wyy4github

.idea/workspace.xml

@@ -0,0 +1,386 @@
+# 使用字符级RNN生成名字
+在上一个[教程](https://pytorch.org/tutorials/intermediate/char_rnn_classification_tutorial.html)中，
+中我们使用RNN网络对名字所属的语言进行分类。这一次我们会反过来根据语言生成名字。
+```buildoutcfg
+> 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
+```
+我们仍使用只有几层线性层的小型RNN。最大的区别在于，这里不是在读取一个名字的所有字母后预测类别，而是输入一个类别之后在每一时刻
+输出一个字母。循环预测字符以形成语言通常也被称为“语言模型”。（也可以将字符换成单词或更高级的结构进行这一过程）
+
+* **阅读建议**
+
+开始本教程前，你已经安装好了PyTorch，并熟悉Python语言，理解“张量”的概念：
+
+* https://pytorch.org/ PyTorch 安装指南
+* [Deep Learning with PyTorch：A 60 Minute Blitz ](https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html):PyTorch的基本入门教程
+* [Learning PyTorch with Examples](https://github.com/fendouai/PyTorchDocs/blob/master/ThirdSection/LearningPyTorch.md):得到深层而广泛的概述
+* [PyTorch for Former Torch Users Lua Torch](https://pytorch.org/tutorials/beginner/former_torchies_tutorial.html):如果你曾是一个Lua张量的使用者
+
+事先学习并了解RNN的工作原理对理解这个例子十分有帮助:
+
+* [The Unreasonable Effectiveness of Recurrent Neural Networks](https://karpathy.github.io/2015/05/21/rnn-effectiveness/)展示了很多实际的例子
+* [Understanding LSTM Networks](https://colah.github.io/posts/2015-08-Understanding-LSTMs/)是关于LSTM的，但也提供有关RNN的说明
+
+## 1.准备数据
+点击这里[下载数据](https://download.pytorch.org/tutorial/data.zip)并将其解压到当前文件夹。
+
+有关此过程的更多详细信息，请参阅上一个教程。简而言之，有一些纯文本文件`data/names/[Language].txt`，它们的每行都有一个名字。
+我们按行将文本按行分割得到一个数组，将Unicode编码转化为ASCII编码，最终得到`{language: [names ...]}`格式存储的字典变量。
+
+```buildoutcfg
+from __future__ import unicode_literals, print_function, division
+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)
+
+# 将Unicode字符串转换为纯ASCII, 感谢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
+ )
+
+# 读取文件并分成几行
+def readLines(filename):
+ lines = open(filename, encoding='utf-8').read().strip().split('\n')
+ return [unicodeToAscii(line) for line in lines]
+
+# 构建category_lines字典，列表中的每行是一个类别
+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"))
+```
+
+* 输出结果
+```buildoutcfg
+# categories: 18 ['French', 'Czech', 'Dutch', 'Polish', 'Scottish', 'Chinese', 'English', 'Italian', 'Portuguese', 'Japanese', 'German', 'Russian', 'Korean', 'Arabic', 'Greek', 'Vietnamese', 'Spanish', 'Irish']
+O'Neal
+```
+
+## 2.构造神经网络
+这个神经网络比[上一个RNN教程](https://github.com/apachecn/pytorch-doc-zh/blob/master/docs/1.0/char_rnn_generation_tutorial.md#Creating-the-Network)
+中的网络增加了额外的类别张量参数，该参数与其他输入连接在一起。类别可以像字母一样组成 one-hot 向量构成张量输入。
+
+我们将输出作为下一个字母是什么的可能性。采样过程中，当前输出可能性最高的字母作为下一时刻输入字母。
+
+在组合隐藏状态和输出之后我们增加了第二个linear层`o2o`，使模型的性能更好。当然还有一个dropout层，参考这篇论文[随机将输入部分替换为0](https://arxiv.org/abs/1207.0580)
+给出的参数（dropout=0.1）来模糊处理输入防止过拟合。
+我们将它添加到网络的末端，故意添加一些混乱使采样特征增加。
+```buildoutcfg
+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)
+```
+
+## 3.训练
+#### 3.1 训练准备
+首先，构造一个可以随机获取成对训练数据(category, line)的函数。
+```buildoutcfg
+import random
+
+# 列表中的随机项
+def randomChoice(l):
+ return l[random.randint(0, len(l) - 1)]
+
+# 从该类别中获取随机类别和随机行
+def randomTrainingPair():
+ category = randomChoice(all_categories)
+ line = randomChoice(category_lines[category])
+ return category, line
+```
+
+对于每个时间步长（即，对于要训练单词中的每个字母），网络的输入将是“`（类别，当前字母，隐藏状态）`”，输出将是“`（下一个字母，
+下一个隐藏状态）`”。因此，对于每个训练集，我们将需要类别、一组输入字母和一组输出/目标字母。
+
+在每一个时间序列，我们使用当前字母预测下一个字母，所以训练用的字母对来自于一个单词。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`<1 x n_categories>`尺寸的[one-hot张量](https://en.wikipedia.org/wiki/One-hot)。训练时，我们在每一个时间序
+列都将其提供给神经网络。这是一种选择策略，也可选择将其作为初始隐藏状态的一部分，或者其他什么结构。
+```buildoutcfg
+# 类别的One-hot张量
+def categoryTensor(category):
+ li = all_categories.index(category)
+ tensor = torch.zeros(1, n_categories)
+ tensor[0][li] = 1
+ return tensor
+
+# 用于输入的从头到尾字母（不包括EOS）的one-hot矩阵
+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
+
+# 用于目标的第二个结束字母（EOS）的LongTensor
+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，该函数随机获取（类别，行）的对并将它们转换为所需要的（类别，输入，
+目标）格式张量。
+```buildoutcfg
+# 从随机(类别，行)对中创建类别，输入和目标张量
+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
+```
+
+#### 3.2 训练神经网络
+和只使用最后一个时刻输出的分类任务相比，这次我们每一个时间序列都会进行一次预测，所以每一个时间序列我们都会计算损失。
+
+autograd 的神奇之处在于您可以在每一步中简单地累加这些损失，并在最后反向传播。
+```buildoutcfg
+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 = 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_(-learning_rate, p.grad.data)
+
+ return output, loss.item() / input_line_tensor.size(0)
+```
+
+为了跟踪训练耗费的时间，我添加一个`timeSince（timestamp）`函数，它返回一个人类可读的字符串：
+
+```buildoutcfg
+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)
+```
+
+训练过程和平时一样。多次运行训练，等待几分钟，每`print_every`次打印当前时间和损失。在`all_losses`中保留每`plot_every`次的平
+均损失，以便稍后进行绘图。
+
+```buildoutcfg
+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
+```
+
+* 输出结果：
+
+```buildoutcfg
+0m 23s (5000 5%) 3.1569
+0m 43s (10000 10%) 2.3132
+1m 3s (15000 15%) 2.5069
+1m 24s (20000 20%) 1.3100
+1m 44s (25000 25%) 3.6083
+2m 4s (30000 30%) 3.5398
+2m 24s (35000 35%) 2.4387
+2m 44s (40000 40%) 2.2262
+3m 4s (45000 45%) 2.6500
+3m 24s (50000 50%) 2.4559
+3m 44s (55000 55%) 2.5030
+4m 4s (60000 60%) 2.9417
+4m 24s (65000 65%) 2.1571
+4m 44s (70000 70%) 1.7415
+5m 4s (75000 75%) 2.3649
+5m 24s (80000 80%) 3.0096
+5m 44s (85000 85%) 1.9196
+6m 4s (90000 90%) 1.9468
+6m 25s (95000 95%) 2.1522
+6m 45s (100000 100%) 2.0344
+```
+
+#### 3.3 损失数据作图
+从`all_losses`得到历史损失记录，反映了神经网络的学习情况：
+
+```buildoutcfg
+import matplotlib.pyplot as plt
+import matplotlib.ticker as ticker
+
+plt.figure()
+plt.plot(all_losses)
+```
+
+![](https://pytorch.org/tutorials/_images/sphx_glr_char_rnn_generation_tutorial_001.png)
+
+## 4.网络采样
+我们每次给网络提供一个字母并预测下一个字母是什么，将预测到的字母继续输入，直到得到EOS字符结束循环。
+
+* 用输入类别、起始字母和空隐藏状态创建输入张量。
+
+* 用起始字母构建一个字符串变量 output_name
+
+* 得到最大输出长度，<br/>
+&emsp; * 将当前字母传入神经网络<br/>
+&emsp; * 从前一层得到下一个字母和下一个隐藏状态<br/>
+&emsp; * 如果字母是EOS，在这里停止<br/>
+&emsp; * 如果是一个普通的字母，添加到output_name变量并继续循环<br/>
+* 返回最终得到的名字单词<br/>
+
+另一种策略是，不必给网络一个起始字母，而是在训练中提供一个“字符串开始”的标记，并让网络自己选择起始的字母。
+
+```buildoutcfg
+max_length = 20
+
+# 来自类别和首字母的样本
+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
+
+# 从一个类别和多个起始字母中获取多个样本
+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')
+```
+
+* 输出结果：
+
+```buildoutcfg
+Rovanik
+Uakilovev
+Shaveri
+Garter
+Eren
+Romer
+Santa
+Parera
+Artera
+Chan
+Ha
+Iua
+```
+
+## 练习
+* 尝试其它 （类别->行） 格式的数据集，比如:<br/>
+&emsp; * 系列小说 -> 角色名称<br/>
+&emsp; * 词性 -> 单词<br/>
+&emsp; * 国家 -> 城市<br/>
+* 尝试“start of sentence” 标记，使采样的开始过程不需要指定起始字母<br/>
+* 通过更大和更复杂的网络获得更好的结果<br/>
+&emsp; * 尝试 nn.LSTM 和 nn.GRU 层<br/>
+&emsp; * 组合这些 RNN构造更复杂的神经网络<br/>