Понимание последовательных моделей

Машинный перевод с Keras

Thushan Ganegedara

Data Scientist and Author

Временные ряды и последовательные модели

Предложение — это временной ряд
- Текущее слово зависит от предыдущих
- Например: He went to the pool for a ....
Энкодер/декодер использует модель машинного обучения
- Модели, способные обучаться на временных рядах
- Такие модели называют последовательными

Последовательные модели

Последовательные модели
- Обрабатывают входные данные пошагово, формируя выход на каждом шаге

Архитектура последовательной модели

Энкодер как последовательная модель

GRU — Gated Recurrent Unit

Gated recurrent units

Знакомство со слоем GRU

На шаге 1 слой GRU:

Принимает вход «We»
Принимает начальное состояние (0,0)
Выдаёт новое состояние (0.8, 0.3)

GRU 1

Знакомство со слоем GRU

На шаге 2 слой GRU:

Принимает вход «like»
Принимает состояние (0.8,0.3)
Выдаёт новое состояние (0.5, 0.9)

Скрытое состояние — это «память» о том, что модель уже обработала

GRU 2

Повторение: Keras (Functional API)

В Keras два ключевых объекта: Layer и Model.
Входной слой
- inp = keras.layers.Input(shape=(...))
Скрытый слой
- layer = keras.layers.GRU(...)
Выход
- out = layer(inp)
Модель
- model = Model(inputs=inp, outputs=out)

Форма входных данных

Последовательные данные трёхмерны
- Размерность батча (например, группы предложений)
- Временная размерность — длина последовательности
- Входная размерность (например, длина one-hot вектора)

Форма входных данных модели GRU
- (Batch, Time, Input)
- (размер батча, длина последовательности, длина one-hot)

Входные данные

Реализация GRU с помощью Keras

Определение слоёв Keras

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

Определение модели Keras

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

Реализация GRU с помощью Keras

Предсказание с помощью модели Keras

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 ]]

Реализация GRU с помощью Keras

GRU с произвольным числом образцов в батче

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]]

Аргумент return_state слоя GRU

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

Аргумент return_sequences слоя GRU

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

Давайте потренируемся!

Машинный перевод с Keras