动手学pytorch-语言模型
Posted 54hys
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了动手学pytorch-语言模型相关的知识,希望对你有一定的参考价值。
1.语言模型
假设序列(w_1, w_2, ldots, w_T)中的每个词是依次生成的,我们有
[ egin{align*} P(w_1, w_2, ldots, w_T) &= prod_{t=1}^T P(w_t mid w_1, ldots, w_{t-1})&= P(w_1)P(w_2 mid w_1) cdots P(w_T mid w_1w_2cdots w_{T-1}) end{align*} ]
例如,一段含有4个词的文本序列的概率
[ P(w_1, w_2, w_3, w_4) = P(w_1) P(w_2 mid w_1) P(w_3 mid w_1, w_2) P(w_4 mid w_1, w_2, w_3). ]
语言模型的参数就是词的概率以及给定前几个词情况下的条件概率。设训练数据集为一个大型文本语料库,如维基百科的所有条目,词的概率可以通过该词在训练数据集中的相对词频来计算,例如,(w_1)的概率可以计算为:
[ hat P(w_1) = frac{n(w_1)}{n} ]
其中(n(w_1))为语料库中以(w_1)作为第一个词的文本的数量,(n)为语料库中文本的总数量。
类似的,给定(w_1)情况下,(w_2)的条件概率可以计算为:
[ hat P(w_2 mid w_1) = frac{n(w_1, w_2)}{n(w_1)} ]
其中(n(w_1, w_2))为语料库中以(w_1)作为第一个词,(w_2)作为第二个词的文本的数量。
2.n-gram
序列长度增加,计算和存储多个词共同出现的概率的复杂度会呈指数级增加。(n)元语法通过马尔可夫假设简化模型,马尔科夫假设是指一个词的出现只与前面(n)个词相关,即(n)阶马尔可夫链(Markov chain of order (n)),如果(n=1),那么有(P(w_3 mid w_1, w_2) = P(w_3 mid w_2))。基于(n-1)阶马尔可夫链,我们可以将语言模型改写为
[ P(w_1, w_2, ldots, w_T) = prod_{t=1}^T P(w_t mid w_{t-(n-1)}, ldots, w_{t-1}) . ]
以上也叫(n)元语法((n)-grams),它是基于(n - 1)阶马尔可夫链的概率语言模型。例如,当(n=2)时,含有4个词的文本序列的概率就可以改写为:
[ egin{align*} P(w_1, w_2, w_3, w_4) &= P(w_1) P(w_2 mid w_1) P(w_3 mid w_1, w_2) P(w_4 mid w_1, w_2, w_3)&= P(w_1) P(w_2 mid w_1) P(w_3 mid w_2) P(w_4 mid w_3) end{align*} ]
当(n)分别为1、2和3时,我们将其分别称作一元语法(unigram)、二元语法(bigram)和三元语法(trigram)。例如,长度为4的序列(w_1, w_2, w_3, w_4)在一元语法、二元语法和三元语法中的概率分别为
[ egin{aligned} P(w_1, w_2, w_3, w_4) &= P(w_1) P(w_2) P(w_3) P(w_4) ,P(w_1, w_2, w_3, w_4) &= P(w_1) P(w_2 mid w_1) P(w_3 mid w_2) P(w_4 mid w_3) ,P(w_1, w_2, w_3, w_4) &= P(w_1) P(w_2 mid w_1) P(w_3 mid w_1, w_2) P(w_4 mid w_2, w_3) . end{aligned} ]
当(n)较小时,(n)元语法往往并不准确。例如,在一元语法中,由三个词组成的句子“你走先”和“你先走”的概率是一样的。然而,当(n)较大时,(n)元语法需要计算并存储大量的词频和多词相邻频率。
3.数据集
def load_data_jay_lyrics():
with open('/home/kesci/input/jaychou_lyrics4703/jaychou_lyrics.txt') as f:
corpus_chars = f.read()
corpus_chars = corpus_chars.replace('
', ' ').replace('
', ' ')
corpus_chars = corpus_chars[0:10000]
idx_to_char = list(set(corpus_chars))
char_to_idx = dict([(char, i) for i, char in enumerate(idx_to_char)])
vocab_size = len(char_to_idx)
corpus_indices = [char_to_idx[char] for char in corpus_chars]
return corpus_indices, char_to_idx, idx_to_char, vocab_size
corpus_indices, char_to_idx, idx_to_char, vocab_size = load_data_jay_lyrics()
4.时序数据采样
4.1 随机采样
相邻的两个随机小批量在原始序列上的位置不一定相毗邻。
import torch
import random
def data_iter_random(corpus_indices, batch_size, num_steps, device=None):
# 减1是因为对于长度为n的序列,X最多只有包含其中的前n - 1个字符
num_examples = (len(corpus_indices) - 1) // num_steps # 下取整,得到不重叠情况下的样本个数
example_indices = [i * num_steps for i in range(num_examples)] # 每个样本的第一个字符在corpus_indices中的下标
random.shuffle(example_indices)
def _data(i):
# 返回从i开始的长为num_steps的序列
return corpus_indices[i: i + num_steps]
if device is None:
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
for i in range(0, num_examples, batch_size):
# 每次选出batch_size个随机样本
batch_indices = example_indices[i: i + batch_size] # 当前batch的各个样本的首字符的下标
X = [_data(j) for j in batch_indices]
Y = [_data(j + 1) for j in batch_indices]
yield torch.tensor(X, device=device), torch.tensor(Y, device=device)
for X, Y in data_iter_random([i for i in range(30)], 2, 6):
print(f'X: {X},
Y: {Y}')
X: tensor([[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]]),
Y: tensor([[13, 14, 15, 16, 17, 18],
[19, 20, 21, 22, 23, 24]])
X: tensor([[ 6, 7, 8, 9, 10, 11],
[ 0, 1, 2, 3, 4, 5]]),
Y: tensor([[ 7, 8, 9, 10, 11, 12],
[ 1, 2, 3, 4, 5, 6]])
4.2相邻采样
在相邻采样中,相邻的两个随机小批量在原始序列上的位置相毗邻。
def data_iter_consecutive(corpus_indices, batch_size, num_steps, device=None):
if device is None:
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
corpus_len = len(corpus_indices) // batch_size * batch_size # 保留下来的序列的长度
corpus_indices = corpus_indices[: corpus_len] # 仅保留前corpus_len个字符
indices = torch.tensor(corpus_indices, device=device)
indices = indices.view(batch_size, -1) # resize成(batch_size, )
batch_num = (indices.shape[1] - 1) // num_steps
for i in range(batch_num):
i = i * num_steps
X = indices[:, i: i + num_steps]
Y = indices[:, i + 1: i + num_steps + 1]
yield X, Y
for X, Y in data_iter_consecutive([i for i in range(30)], 2, 6):
print(f'X: {X},
Y: {Y}')
X: tensor([[ 0, 1, 2, 3, 4, 5],
[15, 16, 17, 18, 19, 20]]),
Y: tensor([[ 1, 2, 3, 4, 5, 6],
[16, 17, 18, 19, 20, 21]])
X: tensor([[ 6, 7, 8, 9, 10, 11],
[21, 22, 23, 24, 25, 26]]),
Y: tensor([[ 7, 8, 9, 10, 11, 12],
[22, 23, 24, 25, 26, 27]])
以上是关于动手学pytorch-语言模型的主要内容,如果未能解决你的问题,请参考以下文章
DataWhale 动手学深度学习PyTorch版-task3+4+5:文本预处理;语言模型;循环神经网络基础
《动手学深度学习》线性回归的简洁实现(linear-regression-pytorch)