Обучение модели NMT

Машинный перевод с Keras

Thushan Ganegedara

Data Scientist and Author

Обзор модели

GRU-энкодер
- Принимает слова на английском
- Выводит контекстный вектор
GRU-декодер
- Принимает контекстный вектор
- Выводит последовательность выходов GRU
Слой предсказаний декодера
- Принимает последовательность выходов GRU
- Выводит вероятности предсказания французских слов

Оптимизация параметров

Слои GRU и Dense имеют параметры
Обычно обозначаются W (веса) и b (смещение) (инициализируются случайными значениями)
Преобразуют входные данные в полезный результат
Обновляются для минимизации функции потерь с помощью оптимизатора
- Потери: разность между:
  - Предсказаниями (т.е. французскими словами, сгенерированными моделью)
  - Реальными выходными данными (т.е. настоящими французскими словами).
Задаются при компиляции модели

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

Обучение модели

Итерации обучения

for ei in range(n_epochs): # Single traverse through the dataset
  for i in range(0,data_size,bsize): # Processing a single batch

Получение пакета обучающих данных

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

Обучение на одном пакете данных
```
  nmt.train_on_batch(en_x, de_y)
```

Оценка модели

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

Обучение модели

Получение потерь и точности на обучении

  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

Борьба с переобучением

Разбейте набор данных на две части
- Обучающая выборка – на ней обучается модель
- Валидационная выборка – на ней отслеживается точность модели
Когда точность на валидации перестаёт расти, обучение останавливают.

Точка переобучения

Разбиение набора данных

Задайте размеры обучающей и валидационной выборок
```
train_size, valid_size = 800, 200
```
Перемешайте индексы данных случайным образом
```
inds = np.arange(len(en_text))
np.random.shuffle(inds)
```
Получите индексы для обучающей и валидационной выборок
```
train_inds = inds[:train_size]
valid_inds = inds[train_size:train_size+valid_size]
```

Разбиение набора данных

Разделите набор данных:
- Данные с обучающими индексами – в обучающую выборку
- Данные с валидационными индексами – в валидационную выборку

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]

Обучение модели с валидацией

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

Давайте потренируемся!

Машинный перевод с Keras