Het NMT‑model trainen

Machine Translation met Keras

Thushan Ganegedara

Data Scientist and Author

Het model herbekijken

Encoder-GRU
- Neemt Engelse woorden op
- Geeft een contextvector terug
Decoder-GRU
- Gebruikt de contextvector
- Geeft een reeks GRU-uitgangen
Decoder-voorspellingslaag
- Gebruikt de GRU-uitgangen
- Geeft voorspellingskansen voor Franse woorden

Parameters optimaliseren

GRU- en Dense-lagen hebben parameters
Vaak genoteerd als W (gewichten) en b (bias) (geïnitieerd met willekeurige waarden)
Ze zetten invoer om naar een bruikbare uitvoer
Ze worden aangepast om een verlies te minimaliseren met een optimizer
- Verlies: verschil tussen:
  - De voorspellingen (Franse woorden die het model genereert)
  - De echte outputs (de werkelijke Franse woorden)
Dit geef je op bij het compileren van het model

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

Het model trainen

Trainingsiteraties

for ei in range(n_epochs): # Eén keer door de dataset
  for i in range(0,data_size,bsize): # Eén batch verwerken

Een trainingsbatch ophalen

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

Trainen op één batch
```
  nmt.train_on_batch(en_x, de_y)
```

Het model evalueren

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

Het model trainen

Trainingsverlies en nauwkeurigheid ophalen

  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

Overfitting vermijden

Splits de dataset in twee delen
- Trainingsset – hierop train je het model
- Validatieset – hiermee volg je de nauwkeurigheid
Stop met trainen zodra de validatienauwkeurigheid niet meer stijgt.

Punt van overfitting

De dataset splitsen

Definieer de grootte van train- en validatieset
```
train_size, valid_size = 800, 200
```

Shuffle de data-indices willekeurig

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

Pak de train- en validatie-indices

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

De dataset splitsen

Splits de dataset door te scheiden:
- Data met train-indices naar de trainingsset
- Data met validatie-indices naar de validatieset

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]

Trainen met validatie

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

Laten we oefenen!

Machine Translation met Keras