神经机器翻译技术为谷歌翻译提供帮助

简单的制作神经机器翻译技术为谷歌翻译提供帮助

机器翻译:

两种思想流派:

  1. 使用统计方法的经验试验和误差方法
  2. 理论方法涉及基础语言研究

Babel's Fish: 1997年由AltaVista搜索引擎推出的世界上第一个网络翻译工具。

Seq2Seq建模简介:用于NLP任务,如文本摘要,语音识别,DNA序列建模等。

典型的seq2seq模型有两个主要成分:

a)编码器

b)解码器

使用Keras在Python中实现:

我们将使用来自http://www.manythings.org/anki/的中文 - 英语句子对数据。和文件夹名称是cmn-eng,将包含cmn.txt。

1、导入所需的库:

import string
import re
from numpy import array, argmax, random, take
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense, LSTM, Embedding, RepeatVector
from keras.preprocessing.text import Tokenizer
from keras.callbacks import ModelCheckpoint
from keras.preprocessing.sequence import pad_sequences
from keras.models import load_model
from keras import optimizers
import matplotlib.pyplot as plt
%matplotlib inline
pd.set_option('display.max_colwidth', 200)
神经机器翻译技术为谷歌翻译提供帮助

2、阅读IDE中的数据:

# function to read raw text file
def read_text(filename):
# open the file
file = open(filename, mode='rt', encoding='utf-8')

# read all text
text = file.read()
file.close()
return text
# split a text into sentences
def to_lines(text):
sents = text.strip().split('')
sents = [i.split(' ') for i in sents]
return sents
data = read_text("cmn.txt")
cmn_eng = to_lines(data)
cmn_eng = array(cmn_eng)
神经机器翻译技术为谷歌翻译提供帮助

我们使用50000个句子对来减少模型的训练时间。

cmn_eng = cmn_eng[:50000,:]

文本预处理:

大多数数据都是非结构化的

a)文本清理

# Remove punctuation
cmn_eng[:,0] = [s.translate(str.maketrans('', '', string.punctuation)) for s in cmn_eng[:,0]]
cmn_eng[:,1] = [s.translate(str.maketrans('', '', string.punctuation)) for s in cmn_eng[:,1]]
cmn_eng
神经机器翻译技术为谷歌翻译提供帮助

神经机器翻译技术为谷歌翻译提供帮助

b)文本到序列转换:

我们将分别在两个单独的英语和汉语列表中捕获所有句子的长度。

# empty lists
eng_l = []
cmn_l = []
# populate the lists with sentence lengths
for i in cmn_eng[:,0]:
eng_l.append(len(i.split()))
for i in cmn_eng[:,1]:
cmn_l.append(len(i.split()))
length_df = pd.DataFrame({'eng':eng_l, 'cmn':cmn_l})
length_df.hist(bins = 30)
plt.show()
神经机器翻译技术为谷歌翻译提供帮助

神经机器翻译技术为谷歌翻译提供帮助

接下来,我们使用Keras Tokenizer()类对文本数据进行向量化。

# function to build a tokenizer
def tokenization(lines):
tokenizer = Tokenizer()
tokenizer.fit_on_texts(lines)
return tokenizer
# prepare english tokenizer
eng_tokenizer = tokenization(cmn_eng[:, 0])
eng_vocab_size = len(eng_tokenizer.word_index) + 1
eng_length = 8
print('English Vocabulary Size: %d' % eng_vocab_size)
# prepare Deutch tokenizer
cmn_tokenizer = tokenization(cmn_eng[:, 1])
cmn_vocab_size = len(cmn_tokenizer.word_index) + 1
cmn_length = 8
print('Deutch Vocabulary Size: %d' % cmn_vocab_size)
# encode and pad sequences
def encode_sequences(tokenizer, length, lines):
# integer encode sequences
seq = tokenizer.texts_to_sequences(lines)
# pad sequences with 0 values
seq = pad_sequences(seq, maxlen=length, padding='post')
return seq
神经机器翻译技术为谷歌翻译提供帮助

3. 模型构建:

现在,我们将数据分成训练和测试集,用于模型训练和评估。

from sklearn.model_selection import train_test_split
# split data into train and test set
train, test = train_test_split(cmn_eng, test_size=0.2, random_state = 12)
# prepare training data
trainX = encode_sequences(cmn_tokenizer, cmn_length, train[:, 1])
trainY = encode_sequences(eng_tokenizer, eng_length, train[:, 0])
# prepare validation data
testX = encode_sequences(cmn_tokenizer, cmn_length, test[:, 1])
testY = encode_sequences(eng_tokenizer, eng_length, test[:, 0])
神经机器翻译技术为谷歌翻译提供帮助

现在我们定义我们的Seq2Seq模型架构:

  • 对于编码器,我们将使用嵌入层和LSTM层
  • 对于解码器,我们将使用另一个LSTM层,然后是密集层
# build NMT model
def define_model(in_vocab,out_vocab, in_timesteps,out_timesteps,units):
model = Sequential()
model.add(Embedding(in_vocab, units, input_length=in_timesteps, mask_zero=True))
model.add(LSTM(units))
model.add(RepeatVector(out_timesteps))
model.add(LSTM(units, return_sequences=True))
model.add(Dense(out_vocab, activation='softmax'))
return model
# model compilation
model = define_model(cmn_vocab_size, eng_vocab_size, cmn_length, eng_length, 512)
神经机器翻译技术为谷歌翻译提供帮助

使用RMSprop优化器:

rms = optimizers.RMSprop(lr=0.001)
model.compile(optimizer=rms, loss='sparse_categorical_crossentropy')
神经机器翻译技术为谷歌翻译提供帮助

sparse_categorical_crossentropy用作损失函数。

4. 训练我们的模型

我们将训练30个周期,batch为512,验证分为20%。80%的数据将用于训练模型,其余数据用于评估模型。我们还将使用ModelCheckpoint()函数来保存验证损失最小的模型。

filename = 'model.h1.24_jan_19'
checkpoint = ModelCheckpoint(filename, monitor='val_loss', verbose=1, save_best_only=True, mode='min')
# train model
history = model.fit(trainX, trainY.reshape(trainY.shape[0], trainY.shape[1], 1),
epochs=30, batch_size=512, validation_split = 0.2,callbacks=[checkpoint],
verbose=1)
神经机器翻译技术为谷歌翻译提供帮助

5. 加载保存的模型并对不可见的data-testX进行预测。

model = load_model('model.h1.24_jan_19')
preds = model.predict_classes(testX.reshape((testX.shape[0],testX.shape[1])))
神经机器翻译技术为谷歌翻译提供帮助

阿里云服务器

编辑该文章

编辑该文章,必须放入您本人的支付宝或微信收款码,通过审核后可,如果浏览者觉得您写的不错了直接对您打赏

复制加密链接

This is a modal dialog!

邮箱

This is a modal dialog!