Рекуррентные нейронные сети
Введение в рекуррентные нейронные сети
Как рекуррентная нейронная сеть прогнозирует символы
Делаем прогноз слов рекуррентной сетью Embedding слой
Как работают RNN. Глубокие рекуррентные нейросети
LSTM - долгая краткосрочная память
Как делать сентимент-анализ рекуррентной LSTM сетью
Рекуррентные блоки GRU. Пример их реализации в задаче сентимент-анализа
Двунаправленные (bidirectional) рекуррентные нейронные сети
Обучающие курсы
Python Python ООП Django C/C++ ООП C++ Машинное обучение Структуры данных
Телеграм-каналы
Канал selfedu_rus Python Django Машинное обучение Java и С++
Наши каналы

Как рекуррентная нейронная сеть прогнозирует символы

Смотреть материал на YouTube | RuTube

На предыдущем занятии мы в целом познакомились с рекуррентными НС. Давайте теперь сделаем следующий шажок и построим с помощью пакета Keras простую рекуррентную НС, на вход которой будем подавать отдельные символы, а на выходе она будет строить прогноз следующего символа.

В качестве обучающей выборки возьмем вот такой заготовленный файл с короткими высказываниями (train_data_true). Затем, нужно определиться: как представлять входные данные при работе с текстовой информацией? Предположим, что изначально у нас есть набор неких высказываний:

Вы — лучший ответ на проблемы, которые возникли в понедельник.
Думайте позитивно и верьте в свою способность достигать отличных результатов.
Если вы смогли в понедельник подняться с постели, значит вы супер герой.

И так далее. Мы можем просматривать этот текст (последовательно брать из него inp_chars символов) и прогнозировать следующий:

И, чтобы было проще решать эту задачу, оставим в тексте только символы русских букв и символы пробела:

with open('train_data_true', 'r', encoding='utf-8') as f:
    text = f.read()
    text = text.replace('\ufeff', '') # убираем первый невидимый символ
    text = re.sub(r'[^А-я ]', '', text) # убираем все недопустимые символы

То есть, всего у нас будет 34 разных символа:

num_characters = 34 #33 буквы + пробел

Отлично, это сделали. Далее, нам нужно решить: в каком формате подавать эти символы на вход рекуррентной НС? Общий вид нашей сети (развернутой во времени) будет следующий:

Здесь как пример показано, что последовательно подаются три символа (inp_chars = 3), а затем, на выходе формируется прогноз следующего (четвертого) символа. Имеем рекуррентную сеть вида:

Many to One

И здесь вопрос: что из себя представляют входные векторы и выходной вектор? Первое, что приходит в голову – это каждому символу поставить в соответствие некое число и эти числа подавать на вход сети:

Это значило бы, что у нас есть один вход, который весовыми коэффициентами связан с нейронами скрытого слоя. Такая модель будет плохо различать символы, так как НС сложно интерпретировать числа как отдельные буквы. Гораздо лучшим решением будет связать строго определенный вход со строго определенным символом:

Здесь мы на вход подаем вектор длиной 34 элемента с единицей на месте нужного символа. В этом случае, НС сможет сформировать весовые коэффициенты независимо для каждой буквы, что гораздо лучше для их различения. Такое кодирование данных получило название:

One-hot encoding (OHE)

Именно его мы и будем использовать для представления входных символов. Выходной вектор также будет иметь этот формат, то есть, 34 выходных нейрона с функцией активации softmax. В результате, набор данных обучающей выборки будет иметь вид трехмерного тензора:

Из этого представления хорошо видно, что для формирования одного выходного вектора , на вход нужно подать inp_chars векторов в формате OHE. А train_size – это общий размер обучающей выборки.

Настало время создать такую обучающую выборку. Мы ее будем формировать с помощью инструмента:

tf.keras.preprocessing.text.Tokenizer

который делает «умный» парсинг (разложение на составляющие элементы) указанного текста. Официальную документацию по нему можно посмотреть на странице:

https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/text/Tokenizer

Чтобы им воспользоваться, сначала нужно создать экземпляр класса Tokenizer, который имеет следующие важные параметры:

num_words – максимальное количество слов (символов), которое вернет Tokenizer (если элементов будет больше, то останутся наиболее повторяющиеся в тексте);
filters – исключаемые из текста символы (по умолчанию, следующие: !–»—#$%&()*+,-./:;<=>?@[\]^_`{|}~\t\n\r);
lower = True – автоматический перевод в нижний регистр для единообразия больших и малых символов;
split = ' ' – разделение слов по символу пробела;
char_level=False – если False, то текст делится на слова, иначе – на символы.

В нашем случае мы его определим так:

num_characters = 34 #33 буквы + пробел
tokenizer = Tokenizer(num_words=num_characters, char_level=True)

И пропустим через него загруженный текст:

tokenizer.fit_on_texts(text)

В итоге, формируется словарь:

print(tokenizer.word_index)

где каждому символу поставлен в соответствие свой уникальный индекс:

{' ': 1, 'о': 2, 'е': 3, 'т': 4, 'и': 5, 'а': 6, 'н': 7, …}

В дальнейшем нам это пригодится, когда мы прогнозируемое значение будем переводить в символ. Конечно, мы легко могли бы этот словарь создать и самостоятельно, но здесь я хочу продемонстрировать универсальный инструмент, который также будем использовать и при парсинге слов, а там уже вручную это делать проблематично.

Далее, преобразуем текст в набор OHE-векторов:

inp_chars = 3
data = tokenizer.texts_to_matrix(text)

На выходе получим следующую матрицу размерностью 6307 х 34:

Обратите внимание, здесь символы упорядочены не по алфавиту, а в соответствии со словарем tokenizer.word_index. Затем, из этой матрицы мы сформируем тензор обучающей выборки и соответствующий набор выходных значений. Для начала вычислим размер обучающего множества:

n = data.shape[0]-inp_chars

И, далее, сформируем входной тензор и прогнозные значения:

X = np.array([data[i:i+inp_chars, :] for i in range(n)])
Y = data[inp_chars:] #предсказание следующего символа

Отлично, данные для обучения готовы. Теперь создадим рекуррентную НС с помощью Keras в соответствии с архитектурой рисунка выше:

model = Sequential()
model.add(Input((inp_chars, num_characters))) 
model.add(SimpleRNN(500, activation='tanh')) 
model.add(Dense(num_characters, activation='softmax'))
model.summary()

Вначале мы должны отдельно создать входной слой Input, который для рекуррентных сетей имеет формат:

(batch_size, inp_chars, num_characters)

У нас тензор X как раз имеет такую размерность. Далее создаем рекуррентный слой с помощью класса SimpleRNN пакета Keras:

keras.layers.SimpleRNN

Документацию по нему можно посмотреть по ссылке:

https://ru-keras.com/recurrent-layers/

Основные параметры, следующие (в порядке следования):

units – число нейронов рекуррентного слоя;
activation – функция активации нейронов (по умолчанию – tanh (гиперболический тангенс), считается, что рекуррентный слой, как правило, дает лучшие результаты именно с такой активационной функцией, хотя, в ряде приложений другие функции могут приводить к более лучшим результатам, всегда нужно экспериментировать).

Остальные более специфичные и отдельно по ним смотрите документацию по ссылке. Итак, мы создаем рекуррентный слой с 500 нейронами и функцией активации гиперболический тангенс. Далее идет полносвязный выходной слой с 34 нейронами и функцией активации softmax. Все, вот так, довольно просто, мы описали модель нашей простой рекуррентной НС.

Осталось скомпилировать ее и обучить по нашей выборке:

model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')
history = model.fit(X, Y, batch_size=32, epochs=100)

Здесь вам все должно быть уже знакомо. С одним нюансом: внутреннее состояние рекуррентного слоя сбрасывается каждый раз после каждого примера. В нашем случае пример – это последние inp_chars символов, по которым идет прогнозирование. То есть, сброс внутреннего состояния происходит на каждом временном срезе входного тензора.

Далее, объявим вспомогательную функцию, в которой будет выполняться прогноз очередного символа и добавления его в конец начальной строки:

def buildPhrase(inp_str, str_len = 50):
  for i in range(str_len):
    x = []
    for j in range(i, i+inp_chars):
      x.append(tokenizer.texts_to_matrix(inp_str[j])) # преобразуем символы в One-Hot-encoding
 
    x = np.array(x)
    inp = x.reshape(1, inp_chars, num_characters)
 
    pred = model.predict( inp ) # предсказываем OHE четвертого символа
    d = tokenizer.index_word[pred.argmax(axis=1)[0]] # получаем ответ в символьном представлении
 
    inp_str += d # дописываем строку
 
  return inp_str

Ей на вход подается начальная строка длиной inp_chars символов и, затем, она подается на НС и прогнозируется следующий символ. Далее, мы используем это прогнозное значение и получаем следующее и так далее делаем str_len раз. Давайте посмотрим, что в итоге у нас получится:

res = buildPhrase("утренн")
print(res)

Как видите, имеем некоторую попытку осмысленного формирования текста по символам:

утрене позитивное вы собности вы собности вы собности

В принципе, что то такое понятное вышло, причем этот текст сгенерирован посимвольно. Сеть даже пробелы расставила, а потом вышла в установившийся режим с повторяемыми фразами.

Я привел этот пример больше для ознакомления, чтобы показать, как кодируется текстовая информация, как формируется обучающая выборка и как строится рекуррентная сеть в Keras. Если все эти моменты вам понятны, то цель этого занятия достигнута. На следующем мы сделаем еще один шаг и будем работать уже не с отдельными символами, а с целыми словами.

Как рекуррентная нейронная сеть прогнозирует символы

Видео по теме