Sıralı modelleri anlama

Keras ile Machine Translation

Thushan Ganegedara

Data Scientist and Author

Zaman serisi girdileri ve sıralı modeller

Bir cümle zamana bağlı bir girdidir
- Mevcut kelime önceki kelimelerden etkilenir
- Örn. He went to the pool for a ....
Kodlayıcı/çözücü bir makine öğrenmesi modeli kullanır
- Zaman serisinden öğrenebilen modeller
- Bu modellere sıralı modeller denir

Sıralı modeller

Sıralı modeller
- Her zaman adımında çıktı üretirken girdi üzerinde ilerler

Sıralı model mimarisi

Sıralı model olarak kodlayıcı

GRU - Gated Recurrent Unit

Kapılı yinelemeli birimler

GRU katmanına giriş

Zaman adımı 1’de, GRU katmanı:

"We" girdisini tüketir
Başlangıç durumunu (0,0) kullanır
Yeni durumu (0.8, 0.3) üretir

GRU 1

GRU katmanına giriş

Zaman adımı 2’de, GRU katmanı:

"like" girdisini tüketir
Başlangıç durumunu (0.8,0.3) kullanır
Yeni durumu (0.5, 0.9) üretir

Gizli durum, modelin gördüklerinin “hafızasını” temsil eder

GRU 2

Keras (Functional API) özeti

Keras’ta iki temel nesne vardır: Layer ve Model.
Girdi katmanı
- inp = keras.layers.Input(shape=(...))
Gizli katman
- layer = keras.layers.GRU(...)
Çıktı
- out = layer(inp)
Model
- model = Model(inputs=inp, outputs=out)

Veri şeklini anlama

Sıralı veriler 3 boyutludur
- Yığın boyutu (ör. yığın = cümle grupları)
- Zaman boyutu - dizi uzunluğu
- Girdi boyutu (ör. one-hot vektör uzunluğu)

GRU model girdi şekli
- (Batch, Time, Input)
- (yığın boyutu, dizi uzunluğu, one-hot uzunluğu)

Girdi verisi

Keras ile GRU uygulama

Keras katmanlarını tanımlama

inp = keras.layers.Input(batch_shape=(2,3,4))
gru_out = keras.layers.GRU(10)(inp)

Keras modeli tanımlama

model = keras.models.Model(inputs=inp, outputs=gru_out)

Keras ile GRU uygulama

Keras modeliyle tahmin

x = np.random.normal(size=(2,3,4))
y = model.predict(x)
print("shape (y) =", y.shape, "\ny = \n", y)

shape (y) = (2, 10) 
y = 
[[ 0.2576233   0.01215531  ... -0.32517594  0.4483121 ],
 [ 0.54189587 -0.63834655  ... -0.4339783   0.4043917 ]]

Keras ile GRU uygulama

Yığında rastgele örnek sayısı alan bir GRU

inp = keras.layers.Input(shape=(3,4))
gru_out = keras.layers.GRU(10)(inp)
model = keras.models.Model(inputs=inp, outputs=gru_out)

x = np.random.normal(size=(5,3,4))
y = model.predict(x)
print("y = \n", y)

y = 
 [[-1.3941444e-02 -3.3123985e-02 ... 6.5081201e-02  1.1245312e-01]
 [ 1.1409521e-03  3.6983326e-01 ... -3.4610277e-01 -3.4792548e-01]
 [ 2.5911796e-01 -3.9517123e-01 ... 5.8505309e-01  3.6908010e-01]
 [-2.8727052e-01 -5.1150680e-02 ... -1.9637148e-01 -1.5587148e-01]
 [ 3.1303680e-01  2.3338445e-01 ... 9.1499090e-04 -2.0590121e-01]]

GRU katmanının return_state argümanı

inp = keras.layers.Input(batch_shape=(2,3,4))
gru_out2, gru_state = keras.layers.GRU(10, return_state=True)(inp)
print("gru_out2.shape = ", gru_out2.shape)
print("gru_state.shape = ", gru_state.shape)

gru_out2.shape =  (2, 10)
gru_state.shape =  (2, 10)

GRU return_state

GRU katmanının return_sequences argümanı

inp = keras.layers.Input(batch_shape=(2,3,4))
gru_out3 = keras.layers.GRU(10, return_sequences=True)(inp)
print("gru_out3.shape = ", gru_out2.shape)

gru_out3.shape =  (2, 3, 10)

GRU return_sequences

Haydi pratik yapalım!

Keras ile Machine Translation