Trénování modelu NMT

Machine Translation with Keras

Thushan Ganegedara

Data Scientist and Author

Opakování modelu

Enkodér GRU
- Zpracovává anglická slova
- Výstupem je kontextový vektor
Dekodér GRU
- Zpracovává kontextový vektor
- Výstupem je posloupnost výstupů GRU
Predikční vrstva dekodéru
- Zpracovává posloupnost výstupů GRU
- Výstupem jsou pravděpodobnosti predikce francouzských slov

Optimalizace parametrů

Vrstva GRU a vrstva Dense mají parametry
Zpravidla reprezentovány jako W (váhy) a b (bias) (inicializovány náhodně)
Transformují vstup na užitečný výstup
Jsou upravovány tak, aby minimalizovaly ztrátu pomocí optimalizátoru
- Ztráta: rozdíl mezi:
  - Predikcemi (tj. francouzskými slovy generovanými modelem)
  - Skutečnými výstupy (tj. skutečnými francouzskými slovy)
Nastavuje se při kompilaci modelu

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

Trénování modelu

Iterace trénování

for ei in range(n_epochs): # Jeden průchod datovou sadou
  for i in range(0,data_size,bsize): # Zpracování jedné dávky

Načtení dávky trénovacích dat

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

Trénování na jedné dávce dat
```
  nmt.train_on_batch(en_x, de_y)
```

Vyhodnocení modelu

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

Trénování modelu

Získání trénovací ztráty a přesnosti

  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

Předcházení přetrénování

Rozdělte datovou sadu na dvě části
- Trénovací sada – model se na ní trénuje
- Validační sada – sleduje se přesnost modelu
Jakmile přesnost na validační sadě přestane růst, trénování zastavte.

Bod přetrénování

Rozdělení datové sady

Definujte velikost trénovací a validační sady
```
train_size, valid_size = 800, 200
```

Náhodně zamíchejte indexy dat

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

Získejte trénovací a validační indexy

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

Rozdělení datové sady

Rozdělte datovou sadu:
- Data s trénovacími indexy do trénovací sady
- Data s validačními indexy do validační sady

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]

Trénování modelu s validací

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

Pojďme si procvičit!

Machine Translation with Keras