Reti generative avversarie per la generazione di testo

Deep Learning per il testo con PyTorch

Shubham Jain

Instructor

GAN e il loro ruolo nella generazione di testo

Le GAN possono generare nuovi contenuti che sembrano originali
- Mantengono somiglianze statistiche
Replicano schemi complessi irraggiungibili per le RNN
Possono emulare schemi del mondo reale

Dati originali a dati sintetici

Struttura di una GAN

Una GAN ha due componenti:
- Generatore: crea campioni falsi aggiungendo rumore
- Discriminatore: distingue tra testo reale e generato

Struttura delle GAN

¹ https://www.sciencefocus.com/future-technology/how-do-machine-learning-gans-work/

Costruire un modello GAN in PyTorch: Generatore

# Embedding delle recensioni
# Converti le recensioni in tensori

class Generator(nn.Module):
    def __init__(self):
        super().__init__()

        self.model = nn.Sequential(
            nn.Linear(seq_length, seq_length),
            nn.Sigmoid()
        )

    def forward(self, x):
        return self.model(x)

Costruire la rete del discriminatore

class Discriminator(nn.Module):
    def __init__(self):
        super().__init__()

        self.model = nn.Sequential(
            nn.Linear(seq_length, 1),
            nn.Sigmoid()
        )

    def forward(self, x):
        return self.model(x)

Inizializzare reti e funzione di loss

generator = Generator()

discriminator = Discriminator()


criterion = nn.BCELoss()


optimizer_gen = torch.optim.Adam(generator.parameters(), lr=0.001)
optimizer_disc = torch.optim.Adam(discriminator.parameters(), lr=0.001)

Addestrare il discriminatore

num_epochs = 50
for epoch in range(num_epochs):

    for real_data in data:
        real_data = real_data.unsqueeze(0)

        noise = torch.rand((1, seq_length))

        disc_real = discriminator(real_data)

        fake_data = generator(noise)
        disc_fake = discriminator(fake_data.detach())

        loss_disc = criterion(disc_real, torch.ones_like(disc_real)) + 
                    criterion(disc_fake, torch.zeros_like(disc_fake))

        optimizer_disc.zero_grad()

        loss_disc.backward()

        optimizer_disc.step()

Addestrare il generatore

       # ... (continua dalla slide precedente)
        disc_fake = discriminator(fake_data)

        loss_gen = criterion(disc_fake, torch.ones_like(disc_fake))

        optimizer_gen.zero_grad()

        loss_gen.backward()

        optimizer_gen.step()


    if (epoch+1) % 10 == 0:

        print(f"Epoch {epoch+1}/{num_epochs}:\t 
                Loss generatore: {loss_gen.item()}\t 
                Loss discriminatore: {loss_disc.item()}")

Stampare dati reali e generati

print("\nDati reali: ")
print(data[:5])


print("\nDati generati: ")
for _ in range(5):
    noise = torch.rand((1, seq_length))
    generated_data = generator(noise)
    print(torch.round(generated_data).detach())

GAN: dati sintetici generati

Epoch 10/50: Loss generatore: 0.8992824673652 Loss discriminatore: 1.37682652473
Epoch 20/50: Loss generatore: 0.7347183227539 Loss discriminatore: 1.390102505683
...
Epoch 50/50: Loss generatore: 0.7019854784011 Loss discriminatore: 1.3501529693603

Dati generati

Dati reali: 
tensor([[1., 0., 0., 1., 1.], 
        [0., 0., 1., 0., 0.], 
        [1., 0., 1., 1., 1.], 
        [1., 0., 1., 0., 0.], 
        [1., 1., 1., 1., 1.]])

Metrica di valutazione: matrice di correlazione

Dati generati: 
tensor([[0., 1., 1., 0., 0.]]), 
tensor([[0., 1., 1., 1., 1.]])
tensor([[1, 1., 1., 0., 0.]]), 
tensor([[1., 1., 1., 0., 0.]]) 
tensor([[0., 1., 1., 1., 1.]])

Esercitiamoci!

Deep Learning per il testo con PyTorch