Introduktion till Teacher Forcing

Maskinöversättning med Keras

Thushan Ganegedara

Data Scientist and Author

Den tidigare maskinöversättningsmodellen

Den tidigare modellen

Encoder Decoder full model

Encoder-GRU
- Tar emot engelska ord
- Matar ut en kontextvektor
Decoder-GRU
- Tar emot kontextvektorn
- Matar ut en sekvens av GRU-utdata
Decoder-prediktionslager
- Tar emot sekvensen av GRU-utdata
- Matar ut prediktionssannolikheter för franska ord

Analogi: Träning utan Teacher Forcing

No teacher forcing 1

Analogi: Träning utan Teacher Forcing

No teacher forcing 2

Analogi: Träning utan Teacher Forcing

No teacher forcing 3

Analogi: Träning med Teacher Forcing

Teacher forcing 1

Analogi: Träning med Teacher Forcing

Teacher forcing 2

Analogi: Träning med Teacher Forcing

Teacher forcing 3

Analogi: Träning med Teacher Forcing

Teacher forcing 4

Den tidigare maskinöversättningsmodellen

Den tidigare modellen

Encoder decoder full model

Modell med Teacher Forcing

Encoder decoder model with teacher forcing

Implementera modellen med Teacher Forcing

Encoder

en_inputs = layers.Input(shape=(en_len, en_vocab))
en_gru = layers.GRU(hsize, return_state=True)
en_out, en_state = en_gru(en_inputs)

Decoder-GRU

de_inputs = layers.Input(shape=(fr_len-1, fr_vocab))
de_gru = layers.GRU(hsize, return_sequences=True)
de_out = de_gru(de_inputs, initial_state=en_state)

Indata och utdata

Encoder-indata – t.ex. I, like, dogs
Decoder-indata – t.ex. J'aime, les
Decoder-utdata – t.ex. les, chiens

Teacher forcing inputs and outputs

Implementera modellen med Teacher Forcing

Encoder

en_inputs = layers.Input(shape=(en_len, en_vocab))
en_gru = layers.GRU(hsize, return_state=True)
en_out, en_state = en_gru(en_inputs)

Decoder-GRU

de_inputs = layers.Input(shape=(fr_len-1, fr_vocab))
de_gru = layers.GRU(hsize, return_sequences=True)
de_out = de_gru(de_inputs, initial_state=en_state)

Decoder-prediktion

de_dense = layers.TimeDistributed(layers.Dense(fr_vocab, activation='softmax'))
de_pred = de_dense(de_out)

Kompilera modellen

nmt_tf = Model(inputs=[en_inputs, de_inputs], outputs=de_pred)
nmt_tf.compile(optimizer='adam', loss="categorical_crossentropy", metrics=["acc"])

Förbehandla data

Encoder
- Indata – alla engelska ord (one-hot-kodade)
  - en_x = sents2seqs('source', en_text, onehot=True, reverse=True)
Decoder
```
de_xy = sents2seqs('target', fr_text, onehot=True)
```
- Indata – alla franska ord utom det sista (one-hot-kodade)
  - de_x = de_xy[:,:-1,:]
- Utdata/Mål – alla franska ord utom det första (one-hot-kodade)
  - de_y = de_xy[:,1:,:]

Nu kör vi en övning!

Maskinöversättning med Keras