十分钟搞定Keras序列到序列学习（附代码实现）

如何在 Keras 中实现 RNN 序列到序列学习?本文中，作者将尝试对这一问题做出简短解答;本文预设你已有一些循环网络和 Keras 的使用经验。

公司主营业务：成都做网站、网站制作、成都外贸网站建设、移动网站开发等业务。帮助企业客户真正实现互联网宣传，提高企业的竞争能力。成都创新互联公司是一支青春激扬、勤奋敬业、活力青春激扬、勤奋敬业、活力澎湃、和谐高效的团队。公司秉承以“开放、自由、严谨、自律”为核心的企业文化，感谢他们对我们的高要求，感谢他们从不同领域给我们带来的挑战，让我们激情的团队有机会用头脑与智慧不断的给客户带来惊喜。成都创新互联公司推出始兴免费做网站回馈大家。

GitHub：https://github.com/fchollet/keras/blob/master/examples/lstm_seq2seq.py

什么是序列到序列学习?

序列到序列学习(Seq2Seq)是指训练模型从而把一个域的序列(比如英语语句)转化为另一个域的序列(比如法语中的对应语句)。

 
 
 
   
  
  
  "the cat sat on the mat"->[Seq2Seqmodel]->"le chat etait assis sur le tapis"

Seq2Seq 可用于机器翻译或者省去问题回答——通常来讲，它可以随时生成文本。完成这一任务有很多方式，比如 RNN 或一维卷积。本文只介绍 RNN。

次要案例：当输入序列和输出序列长度相同

当输入序列和输出序列长度相同时，你可以通过 Keras LSTM 或者 GRU 层(或者其中的堆栈)简单地实现模型。这一实例脚本中的案例展示了如何教会 RNN 学习添加被编码为字符串的数字：

一般案例：标准的 Seq2Seq

一般情况下，输入序列和输出序列有不同的长度(比如机器翻译)。这就需要一个更高级的设置，尤其在没有进一步语境的「序列到序列模型」时。下面是其工作原理：

一个 RNN 层(或其中的堆栈)作为「编码器」：它处理输入序列并反馈其内部状态。注意我们抛弃了编码器 RNN 的输出，只恢复其状态。该状态在下一步中充当解码器的「语境」。
另一个 RNN 层作为「解码器」：在给定目标序列先前字母的情况下，它被训练以预测目标序列的下一个字符。具体讲，它被训练把目标序列转化为相同序列，但接下来被一个时间步抵消，这一训练过程在语境中被称为「teacher forcing」。更重要的是，编码器把其状态向量用作初始状态，如此编码器获得了其将要生成的信息。实际上，在给定 targets[...t] 的情况下，解码器学习生成 targets[t+1...]，前提是在输入序列上。

在推理模式中，即当要解码未知的输入序列，我们完成了一个稍微不同的处理：

把输入序列编码进状态向量
从大小为 1 的目标序列开始
馈送状态向量和 1 个字符的目标序列到解码器从而为下一字符生成预测
通过这些预测采样下一个字符(我们使用 argmax)
把采样的字符附加到目标序列
不断重复直至我们生成序列最后的字符或者达到字符的极限

相同的处理也可被用于训练没有「teacher forcing」的 Seq2Seq 网络，即把解码器的预测再注入到解码器之中。

Keras 实例

让我们用实际的代码演示一下这些想法。

对于实例实现，我们将使用一对英语语句及其法语翻译的数据集，你可以从

http://www.manythings.org/anki/下载它，文件的名称是 fra-eng.zip。我们将会实现一个字符级别的序列到序列模型，逐个字符地处理这些输入并生成输出。另一个选择是单词级别的模型，它对机器学习更常用。在本文最后，你会发现通过嵌入层把我们的模型转化为单词级别模型的一些注释。

这是实例的全部脚本：

https://github.com/fchollet/keras/blob/master/examples/lstm_seq2seq.py。

下面是这一过程的总结：

1. 把语句转化为 3 个 Numpy 数组 encoder_input_data、decoder_input_data、decoder_target_data：

encoder_input_data 是一个形态的 3D 数组(num_pairs, max_english_sentence_length, num_english_characters)，包含一个英语语句的独热向量化。
decoder_input_data 是一个形态的 3D 数组(num_pairs, max_french_sentence_length, num_french_characters)，包含一个法语语句的独热向量化。
decoder_target_data 与 decoder_input_data 相同，但是被一个时间步抵消。decoder_target_data[:, t, :] 与 decoder_input_data[:, t + 1, :] 相同。

2. 在给定 encoder_input_data 和 decoder_input_data 的情况下，训练一个基本的基于 LSTM 的 Seq2Seq 模型以预测 decoder_target_data。我们的模型使用 teacher forcing。

3. 解码一些语句以检查模型正在工作。

由于训练过程和推理过程(解码语句)相当不同，我们使用了不同的模型，虽然两者具有相同的内在层。这是我们的模型，它利用了 Keras RNN 的 3 个关键功能：

return_state 构造函数参数配置一个 RNN 层以反馈列表，其中第一个是其输出，下一个是内部的 RNN 状态。这被用于恢复编码器的状态。
inital_state 调用参数指定一个 RNN 的初始状态，这被用于把编码器状态作为初始状态传递至解码器。
return_sequences 构造函数参数配置一个 RNN 反馈输出的全部序列。这被用在解码器中。

 
 
 
   
  
  
  fromkeras.models importModel   
  
  
  fromkeras.layers importInput,LSTM,Dense   
  
  
  # Define an input sequence and process it.   
  
  
  encoder_inputs =Input(shape=(None,num_encoder_tokens))   
  
  
  encoder =LSTM(latent_dim,return_state=True)   
  
  
  encoder_outputs,state_h,state_c =encoder(encoder_inputs)   
  
  
  # We discard `encoder_outputs` and only keep the states.   
  
  
  encoder_states =[state_h,state_c]   
  
  
  # 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)   
  
  
  decoder_outputs,_,_ =decoder_lstm(decoder_inputs,   
  
  
  initial_state=encoder_states)   
  
  
  decoder_dense =Dense(num_decoder_tokens,activation='softmax')   
  
  
  decoder_outputs =decoder_dense(decoder_outputs)   
  
  
  # Define the model that will turn   
  
  
  # `encoder_input_data` & `decoder_input_data` into `decoder_target_data`   
  
  
  model =Model([encoder_inputs,decoder_inputs],decoder_outputs)

我们用这两行代码训练模型，同时在 20% 样本的留存集中监测损失。

 
 
 
   
  
  
  # Run training   
  
  
  model.compile(optimizer='rmsprop',loss='categorical_crossentropy')   
  
  
  model.fit([encoder_input_data,decoder_input_data],decoder_target_data,   
  
  
  batch_sizebatch_size=batch_size,   
  
  
  epochsepochs=epochs,   
  
  
  validation_split=0.2)

大约 1 小时后在 MacBook CPU 上，我们已准备好做推断。为了解码测试语句，我们将重复：

编码输入语句，检索初始解码器状态。

用初始状态运行一步解码器，以「序列开始」为目标。输出即是下一个目标字符。

附加预测到的目标字符并重复。

这是我们的推断设置：

 
 
 
   
  
  
  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)

我们使用它实现上述推断循环(inference loop)：

 
 
 
   
  
  
  defdecode_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.   
  
  
  # Sampling loop for a batch of sequences   
  
  
  # (to simplify, here we assume a batch of size 1).   
  
  
  stop_condition =False   
  
  
  decoded_sentence =''   
  
  
  whilenotstop_condition:   
  
  
  output_tokens,h,c =decoder_model.predict(   
  
  
  [target_seq]+states_value)   
  
  
  # Sample a token   
  
  
  sampled_token_index =np.argmax(output_tokens[0,-1,:])   
  
  
  sampled_char =reverse_target_char_index[sampled_token_index]   
  
  
  decoded_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).   
  
  
  target_seq =np.zeros((1,1,num_decoder_tokens))   
  
  
  target_seq[0,0,sampled_token_index]=1.   
  
  
  # Update states   
  
  
  states_value =[h,c]   
  
  
  returndecoded_sentence

我们得到了一些不错的结果——这在意料之中，因为我们解码的样本来自训练测试。

 
 
 
   
  
  
  Inputsentence:Benice.   
  
  
  Decodedsentence:Soyezgentil !   
  
  
  -   
  
  
  Inputsentence:Dropit!   
  
  
  Decodedsentence:Laisseztomber !   
  
  
  -   
  
  
  Inputsentence:Getout!   
  
  
  Decodedsentence:Sortez !

这就是我们的十分钟入门 Keras 序列到序列模型教程。完整代码详见 GitHub：

https://github.com/fchollet/keras/blob/master/examples/lstm_seq2seq.py。

常见问题

1. 我想使用 GRU 层代替 LSTM，应该怎么做?

这实际上变简单了，因为 GRU 只有一个状态，而 LSTM 有两个状态。这是使用 GRU 层适应训练模型的方法：

 
 
 
   
  
  
  encoder_inputs =Input(shape=(None,num_encoder_tokens))   
  
  
  encoder =GRU(latent_dim,return_state=True)   
  
  
  encoder_outputs,state_h =encoder(encoder_inputs)   
  
  
  decoder_inputs =Input(shape=(None,num_decoder_tokens))   
  
  
  decoder_gru =GRU(latent_dim,return_sequences=True)   
  
  
  decoder_outputs =decoder_gru(decoder_inputs,initial_state=state_h)   
  
  
  decoder_dense =Dense(num_decoder_tokens,activation='softmax')   
  
  
  decoder_outputs =decoder_dense(decoder_outputs)   
  
  
  model =Model([encoder_inputs,decoder_inputs],decoder_outputs)

2. 我想使用整数序列的单词级别模型，应该怎么做?

如果你的输入是整数序列(如按词典索引编码的单词序列)，你可以通过 Embedding 层嵌入这些整数标记。方法如下：

 
 
 
   
  
  
  # Define an input sequence and process it.   
  
  
  encoder_inputs =Input(shape=(None,))   
  
  
  x =Embedding(num_encoder_tokens,latent_dim)(encoder_inputs)   
  
  
  x,state_h,state_c =LSTM(latent_dim,   
  
  
  return_state=True)(x)   
  
  
  encoder_states =[state_h,state_c]   
  
  
  # Set up the decoder, using `encoder_states` as initial state.   
  
  
  decoder_inputs =Input(shape=(None,))   
  
  
  x =Embedding(num_decoder_tokens,latent_dim)(decoder_inputs)   
  
  
  x =LSTM(latent_dim,return_sequences=True)(x,initial_state=encoder_states)   
  
  
  decoder_outputs =Dense(num_decoder_tokens,activation='softmax')(x)   
  
  
  # Define the model that will turn   
  
  
  # `encoder_input_data` & `decoder_input_data` into `decoder_target_data`   
  
  
  model =Model([encoder_inputs,decoder_inputs],decoder_outputs)   
  
  
  # Compile & run training   
  
  
  model.compile(optimizer='rmsprop',loss='categorical_crossentropy')   
  
  
  # Note that `decoder_target_data` needs to be one-hot encoded,   
  
  
  # rather than sequences of integers like `decoder_input_data`!   
  
  
  model.fit([encoder_input_data,decoder_input_data],decoder_target_data,   
  
  
  batch_sizebatch_size=batch_size,   
  
  
  epochsepochs=epochs,   
  
  
  validation_split=0.2)

3. 如果我不想使用「teacher forcing」，应该怎么做?

一些案例中可能不能使用 teacher forcing，因为你无法获取完整的目标序列，比如，在线训练非常长的语句，则缓冲完成输入-目标语言对是不可能的。在这种情况下，你要通过将解码器的预测重新注入解码器输入进行训练，就像我们进行推断时所做的那样。

你可以通过构建硬编码输出再注入循环(output reinjection loop)的模型达到该目标：

 
 
 
   
  
  
  fromkeras.layers importLambda   
  
  
  fromkeras importbackend asK   
  
  
  # The first part is unchanged   
  
  
  encoder_inputs =Input(shape=(None,num_encoder_tokens))   
  
  
  encoder =LSTM(latent_dim,return_state=True)   
  
  
  encoder_outputs,state_h,state_c =encoder(encoder_inputs)   
  
  
  states =[state_h,state_c]   
  
  
  # Set up the decoder, which will only process one timestep at a time.   
  
  
  decoder_inputs =Input(shape=(1,num_decoder_tokens))   
  
  
  decoder_lstm =LSTM(latent_dim,return_sequences=True,return_state=True)   
  
  
  decoder_dense =Dense(num_decoder_tokens,activation='softmax')   
  
  
  all_outputs =[]   
  
  
  inputs =decoder_inputs   
  
  
  for_ inrange(max_decoder_seq_length):   
  
  
  # Run the decoder on one timestep   
  
  
  outputs,state_h,state_c =decoder_lstm(inputs,   
  
  
  initial_state=states)   
  
  
  outputs =decoder_dense(outputs)   
  
  
  # Store the current prediction (we will concatenate all predictions later)   
  
  
  all_outputs.append(outputs)   
  
  
  # Reinject the outputs as inputs for the next loop iteration   
  
  
  # as well as update the states   
  
  
  inputs =outputs   
  
  
  states =[state_h,state_c]   
  
  
  # Concatenate all predictions   
  
  
  decoder_outputs =Lambda(lambdax:K.concatenate(x,axis=1))(all_outputs)   
  
  
  # Define and compile model as previously   
  
  
  model =Model([encoder_inputs,decoder_inputs],decoder_outputs)   
  
  
  model.compile(optimizer='rmsprop',loss='categorical_crossentropy')   
  
  
  # Prepare decoder input data that just contains the start character   
  
  
  # Note that we could have made it a constant hard-coded in the model   
  
  
  decoder_input_data =np.zeros((num_samples,1,num_decoder_tokens))   
  
  
  decoder_input_data[:,0,target_token_index['t']]=1.   
  
  
  # Train model as previously   
  
  
  model.fit([encoder_input_data,decoder_input_data],decoder_target_data,   
  
  
  batch_sizebatch_size=batch_size,   
  
  
  epochsepochs=epochs,   
  
  
  validation_split=0.2)

原文：

https://blog.keras.io/a-ten-minute-introduction-to-sequence-to-sequence-learning-in-keras.html

【本文是专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源：创新互联

猜你还喜欢下面的内容