Навчання моделі NMT

Machine Translation з Keras

Thushan Ganegedara

Data Scientist and Author

Повернімось до моделі

Encoder GRU
- Отримує англійські слова
- Повертає контекстний вектор
Decoder GRU
- Отримує контекстний вектор
- Повертає послідовність виходів GRU
Шар прогнозування декодера
- Отримує послідовність виходів GRU
- Повертає ймовірності для французьких слів

Оптимізація параметрів

Шари GRU та Dense мають параметри
Зазвичай позначаються як W (ваги) і b (зсув) (ініціалізуються випадково)
Відповідають за перетворення вхідних даних на корисний вихід
Змінюються з часом, щоб мінімізувати втрати за допомогою оптимізатора
- Втрати: різниця між:
  - Прогнозами (тобто французькими словами, згенерованими моделлю)
  - Фактичними виходами (тобто справжніми французькими словами).
Задаються під час компіляції моделі

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

Навчання моделі

Ітерації навчання

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

Отримання пакета тренувальних даних

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

Навчання на одному пакеті даних
```
  nmt.train_on_batch(en_x, de_y)
```

Оцінювання моделі

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

Навчання моделі

Отримання тренувальних втрат і точності

  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

Як уникати перенавчання

Розбийте набір даних на дві частини
- Тренувальна — для навчання моделі
- Валідаційна — для відстеження точності
Коли валідаційна точність перестає зростати, зупиніть навчання.

Точка перенавчання

Розбиття набору даних

Визначте розміри train і validation вибірок
```
train_size, valid_size = 800, 200
```
Перемішайте індекси даних випадково
```
inds = np.arange(len(en_text))
np.random.shuffle(inds)
```

Отримайте індекси train і valid

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

Розбиття набору даних

Розділіть набір даних, відокремивши:
- Дані з train-індексами — до train-набору
- Дані з valid-індексами — до valid-набору

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]

Навчання з валідацією

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 потренуємось!

Machine Translation з Keras