Seq2Seq in Keras 示例

示例代码源自keras/examples/lstm_seq2seq.py

算法介绍

• 算法目的是将来自某个域中的输入序列X（英语语句） 映射到 另一个域中对应的目标序列 Y（法语语句）。
• LSTM编码器：将输入序列映射 X 为一个2维的状态向量v（仅保留LSTM最后的状态向量，而不要LSTM的输出）；
• LSTM解码器：训练该解码器，将目标序列 Y 映射到向后偏移一个时间步的 Y 。这个训练过程称为“教师强迫Teacher Forcing”,训练使用 编码器 输出的状态向量 v 作为初始状态。实际上，解码器学习 在给定 Y(…,t) 和输入序列 X 的条件下预测 Y(t+1,…)
• 进行推断时，我们需要解码未知输入序列：
  
  • 将输入序列编码为状态向量
  • 从一个长度为1的目标序列开始（即序列开始标志字符）
  • 将状态向量和长度为1的目标序列送入解码器，预测下一个字符，并将它加入目标序列
  • 重复，直到出现 序列终止标识字符 或 达到预设的最大字符串长度

数据集下载

English to French sentence pairs.
http://www.manythings.org/anki/fra-eng.zip

参考文献

• Sequence to Sequence Learning with Neural Networks
  https://arxiv.org/abs/1409.3215
• Learning Phrase Representations using
  RNN Encoder-Decoder for Statistical Machine Translation
  https://arxiv.org/abs/1406.1078

from keras.models import Modelfrom keras.layers import Input, LSTM, Denseimport numpy as npbatch_size = 64  epochs = 100  latent_dim = 256  #编码空间维数num_samples = 10000  # 用于训练的样本数data_path = 'W:/DataSets/Anki/fra.txt'# 数据向量化input_texts = []  # 输入文本列表target_texts = []  # 目标文本列表input_characters = set()  # 输入文本的字符集合target_characters = set()  # 目标文本的字符集合lines = open(data_path, encoding='UTF-8').read().split('\n')for line in lines[: min(num_samples, len(lines) - 1)]:    input_text, target_text = line.split('\t')  # 将输入文本与目标文本分开    target_text = '\t' + target_text + '\n'  # 为目标文本加入头尾标识    input_texts.append(input_text)  # 添加到输入文本序列    target_texts.append(target_text)  # 添加到目标文本序列    for char in input_text:        if char not in input_characters:            input_characters.add(char)  # 构建输入文本字符集    for char in target_text:        if char not in target_characters:            target_characters.add(char)  # 构建目标文本字符集input_characters = sorted(list(input_characters))  # 将输入文本字符集转换成有序列表target_characters = sorted(list(target_characters))  # 将目标文本字符集转换成有序列表num_encoder_tokens = len(input_characters)  # 输入文本字符数量num_decoder_tokens = len(target_characters)  # 目标文本字符数量max_encoder_seq_length = max([len(txt) for txt in input_texts])  # 最大编码序列长度 = 单个输入文本的最大长度max_decoder_seq_length = max([len(txt) for txt in target_texts])  # 最大解码序列长度 = 单个目标文本的最大长度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)input_token_index = dict(    [(char, i) for i, char in enumerate(input_characters)])  # 构建输入文本字符与数字的字典映射target_token_index = dict(    [(char, i) for i, char in enumerate(target_characters)])  # 构建目标文本字符与数字的字典映射encoder_input_data = np.zeros(    (len(input_texts), max_encoder_seq_length, num_encoder_tokens),    dtype='float32')  # 创建编码器输入数据存储空间，（输入文本样本总数 ×最大编码序列长度×输入文本字符数量）decoder_input_data = np.zeros(    (len(input_texts), max_decoder_seq_length, num_decoder_tokens),    dtype='float32')  # 创建解码其输入数据存储空间， （输入文本样本总数 ×最大解码序列长度×目标文本字符数量）decoder_target_data = np.zeros(    (len(input_texts), max_decoder_seq_length, num_decoder_tokens),    dtype='float32')  # 创建解码器目标数据存储空间，（输入文本样本总数 ×最大解码序列长度×输入文本字符数量）for i, (input_text, target_text) in enumerate(zip(input_texts, target_texts)):    for t, char in enumerate(input_text):        encoder_input_data[i, t, input_token_index[char]] = 1.    for t, char in enumerate(target_text):        decoder_input_data[i, t, target_token_index[char]] = 1.        if t > 0:            decoder_target_data[i, t - 1, target_token_index[char]] = 1.  # 解码器目标数据在解码器输入数据的前一个时间步# 定义编码器encoder_inputs = Input(shape=(None, num_encoder_tokens))  # 编码器输入 （None × 输入文本one-hot编码维度）encoder = LSTM(latent_dim, return_state=True)  # LSTM单元个数为隐变量维数encoder_outputs, state_h, state_c = encoder(encoder_inputs)encoder_states = [state_h, state_c]  # 只保留编码器状态# 定义解码器, 使用`encoder_states` 作为初始状态decoder_inputs = Input(shape=(None, num_decoder_tokens))  # 编码器输入 （None × 目标文本one-hot编码维度）#设置解码器返回全部输出序列和状态。训练时不使用返回的状态，但做推断时要使用。 decoder_lstm = LSTM(latent_dim, return_sequences=True, return_state=True)  # LSTM单元个数为隐变量维数decoder_outputs, _, _ = decoder_lstm(decoder_inputs,                                     initial_state=encoder_states)decoder_dense = Dense(num_decoder_tokens, activation='softmax')decoder_outputs = decoder_dense(decoder_outputs)# 定义模型并训练model = Model([encoder_inputs, decoder_inputs], decoder_outputs)model.compile(optimizer='rmsprop', loss='categorical_crossentropy')model.fit([encoder_input_data, decoder_input_data], decoder_target_data,          batch_size=batch_size,          epochs=epochs,          validation_split=0.2)# 保存模型model.save('s2s.h5')# 下一步: 推断模型 # Here's the drill:# 1) 编码输入，取回初始解码器状态# 2) 使用这个初始状态和一个“序列开始”记号运行一步解码器，输出将是下一个记号# 3) 使用当前目标记号和当前状态进行重复# 定义采样模型encoder_model = Model(encoder_inputs, encoder_states)decoder_state_input_h = Input(shape=(latent_dim,)) # 解码器状态输入hdecoder_state_input_c = Input(shape=(latent_dim,)) # 解码器状态输入cdecoder_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)# 计算解码器输出，及状态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_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):    states_value = encoder_model.predict(input_seq)# 将输入编码为一个状态向量    target_seq = np.zeros((1, 1, num_decoder_tokens))# 创建长度为1的空的目标序列    target_seq[0, 0, target_token_index['\t']] = 1.# 使用 开始记号 填入目标序列的第一个字符    stop_condition = False    decoded_sentence = ''    while not stop_condition:        output_tokens, h, c = decoder_model.predict(            [target_seq] + states_value)        sampled_token_index = np.argmax(output_tokens[0, -1, :])        sampled_char = reverse_target_char_index[sampled_token_index]        decoded_sentence += sampled_char         #达到最大长度或遇到 停止记号时 触发终止条件        if (sampled_char == '\n' or                len(decoded_sentence) > max_decoder_seq_length):            stop_condition = True        target_seq = np.zeros((1, 1, num_decoder_tokens))        target_seq[0, 0, sampled_token_index] = 1.        states_value = [h, c] #更新状态    return decoded_sentence# 试验for seq_index in range(100):    input_seq = encoder_input_data[seq_index: seq_index + 1]    decoded_sentence = decode_sequence(input_seq)    print('-')    print('Input sentence:', input_texts[seq_index])    print('Decoded sentence:', decoded_sentence)