NMT modelini eğitme

Keras ile Machine Translation

Thushan Ganegedara

Data Scientist and Author

Modeli yeniden gözden geçirme

Encoder GRU
- İngilizce kelimeleri alır
- Bir bağlam vektörü üretir
Decoder GRU
- Bağlam vektörünü alır
- Bir GRU çıktı dizisi üretir
Decoder Tahmin katmanı
- GRU çıktı dizisini alır
- Fransızca kelimeler için olasılıklar üretir

Parametreleri optimize etme

GRU ve Dense katmanlarının parametreleri vardır
Genellikle W (ağırlıklar) ve b (bias) ile gösterilir (rastgele başlatılır)
Bir girdiyi faydalı çıktıya dönüştürmekten sorumludur
Bir optimizer ile kaybı en aza indirmek için zamanla değiştirilir
- Kayıp: Şunların farkı olarak hesaplanır:
  - Tahminler (örn. modelin ürettiği Fransızca kelimeler)
  - Gerçek çıktılar (örn. gerçek Fransızca kelimeler).
Model derlenirken belirtilir

nmt.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['acc'])

Modeli eğitme

Eğitim yinelemeleri

for ei in range(n_epochs): # Veri kümesinde tek geçiş
  for i in range(0,data_size,bsize): # Tek bir batch işleme

Bir eğitim batch'i alma

  en_x = sents2seqs('source', en_text[i:i+bsize], onehot=True, reverse=True)
  de_y = sents2seqs('target', en_text[i:i+bsize], onehot=True)

Tek bir batch üzerinde eğitim
```
  nmt.train_on_batch(en_x, de_y)
```

Modeli değerlendirme

  res = nmt.evaluate(en_x, de_y, batch_size=bsize, verbose=0)

Modeli eğitme

Eğitim kaybı ve doğruluğu alma

  res = nmt.evaluate(en_x, de_y, batch_size=bsize, verbose=0)
  print("Epoch {} => Train Loss:{}, Train Acc: {}".format(
    ei+1,res[0], res[1]*100.0))

Epoch 1 => Train Loss:4.8036723136901855, Train Acc: 5.215999856591225
...
Epoch 1 => Train Loss:4.718592643737793, Train Acc: 47.0880001783371
...
Epoch 5 => Train Loss:2.8161656856536865, Train Acc: 56.40000104904175
Epoch 5 => Train Loss:2.527724266052246, Train Acc: 54.368001222610474
Epoch 5 => Train Loss:2.2689621448516846, Train Acc: 54.57599759101868
Epoch 5 => Train Loss:1.9934935569763184, Train Acc: 56.51199817657471
Epoch 5 => Train Loss:1.7581449747085571, Train Acc: 55.184000730514526
Epoch 5 => Train Loss:1.5613118410110474, Train Acc: 55.11999726295471

Aşırı öğrenmeden kaçınma

Veri kümesini ikiye ayırın
- Eğitim seti - Model bununla eğitilecek
- Doğrulama seti - Modelin doğruluğu bununla izlenecek
Doğrulama doğruluğu artmayı durdurduğunda, eğitimi durdurun.

Aşırı öğrenme noktası

Veri kümesini bölme

Eğitim ve doğrulama veri kümesi boyutlarını tanımlayın
```
train_size, valid_size = 800, 200
```

Veri indislerini rastgele karıştırın

inds = np.arange(len(en_text))
np.random.shuffle(inds)

Eğitim ve doğrulama indislerini alın

train_inds = inds[:train_size]
valid_inds = inds[train_size:train_size+valid_size]

Veri kümesini bölme

Veri kümesini şu şekilde ayırın:
- Eğitim indislerine sahip verileri eğitim setine koyun
- Doğrulama indislerine sahip verileri doğrulama setine koyun

tr_en = [en_text[ti] for ti in train_inds]
tr_fr = [fr_text[ti] for ti in train_inds]

v_en = [en_text[ti] for ti in valid_inds]
v_fr = [fr_text[ti] for ti in valid_inds]

Doğrulama ile modeli eğitme

n_epochs, bsize = 5, 250
for ei in range(n_epochs):

  for i in range(0,train_size,bsize):
    en_x = sents2seqs('source', tr_en[i:i+bsize], onehot=True, pad_type='pre')
    de_y = sents2seqs('target', tr_fr[i:i+bsize], onehot=True)
    nmt.train_on_batch(en_x, de_y)

  v_en_x = sents2seqs('source', v_en, onehot=True, pad_type='pre')
  v_de_y = sents2seqs('target', v_fr, onehot=True)

  res = nmt.evaluate(v_en_x, v_de_y, batch_size=valid_size, verbose=0)
  print("Epoch: {} => Loss:{}, Val Acc: {}".format(ei+1,res[0], res[1]*100.0))

Epoch 1 => Train Loss:4.8036723136901855, Train Acc: 5.215999856591225

Ayo berlatih!

Keras ile Machine Translation