[人工智能]神经网络语言模型 NNML 代码实现

NNML

输入：K 元语句（Word2Id 形式）
输出：下一个词的概率分布 P

0. 导包

import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
from tqdm import trange, tqdm

1. 语料库

sentences = ['i like dog', 'i love coffee', 'i hate milk', 'i do nlp']

2. 根据语料库创建词表

word_list = ' '.join(sentences).split()
# 去重
word_list = list(set(word_list))
word_list

3. Word2Id

构建词与 id 的映射：

word_dict = {word: i for i, word in enumerate(word_list)}
word_dict

4. Id2Word

构建 id 与词的映射：

id_dict = {i: word for i, word in enumerate(word_list)}
id_dict

5. 记录词表大小

输出为预测下一个词的概率分布，所以需要记录词表大小：

n_class = len(word_dict)
n_class

6. 定义词向量维度

Word2Vector 需要 Embedding 为几维：

vec_size = 2

7. 定义 n-gram，用前几个词预测下一个词

n_step = 2

8. 定义神经网络隐藏层大小

n_hidden = 2

9. 定义模型

class NNLM(nn.Module):
    def __init__(self):
        # 第一句话，调用父类的构造函数
        super(NNLM, self).__init__()  
        self.embedding = nn.Embedding(n_class, vec_size)
        self.hidden1 = nn.Linear(vec_size * n_step, n_hidden)
        self.tanh = nn.Tanh()
        self.hidden2 = nn.Linear(n_hidden, n_class)
        
    def forward(self, x):
        x = self.embedding(x) # batch_size x n_step x vec_size
        # 将 batch 中的每个句子的的词向量拼接起来
        x = x.view(-1, vec_size * n_step) # batch_size x (n_step x vec_size)
        x = self.hidden1(x) # batch_size x n_hidden
        x = self.tanh(x)    
        x = self.hidden2(x) # batch_size x n_class
        return x

model = NNLM()

10. 定义损失函数

criterion = nn.CrossEntropyLoss()

11. 定义优化器

optimizer = optim.Adam(model.parameters(), lr=1e-3)

12. 定义输入 batch

def make_batch(sentences):
    input_batch = []
    target_batch = []
    
    for sen in sentences:
        word = sen.split()
        # 输入为前面的词
        input = [word_dict[n] for n in word[:-1]]
        # 输出为最后的词
        target = word_dict[word[-1]]
        
        input_batch.append(input) # batch_size x n_step
        target_batch.append(target) # batch_size x 1
        
    return input_batch, target_batch

input_batch, target_batch = make_batch(sentences)
# 因为要 Embedding，数据类型必须要定义为 LongTensor，否则报错
input_batch, target_batch = torch.Tensor(input_batch).type(torch.LongTensor), torch.Tensor(target_batch).type(torch.LongTensor)

13. 训练

model.train()
for epoch in range(5000):
    # 清零梯度，否则梯度会叠加
    optimizer.zero_grad()
    # 前向传播
    output = model(input_batch)
    # 计算损失, 这里 batch_size x n_class 可以和 batch_size x 1 计算损失 （要求标量为整数类型），不需要额外将真实标签 one-hot
    loss = criterion(output, target_batch)
    
    
    if (epoch + 1) % 1000 == 0:
        print('epoch: %04d' % (epoch + 1), 'loss: {:.6f}'.format(loss.item()))
    
    # 反向传播
    loss.backward()
    # 优化器更新梯度
    optimizer.step()

14. 预测

model.eval()
predict = model(input_batch).data.max(axis=1, keepdim=True)[1]
# squeeze() 将某个维度上长度为 1 的维度消除
print([sen.split()[:2] for sen in sentences], '->', [id_dict[n.item()] for n in predict.squeeze()])

补充

以下两句代码均能实现取出输出结果最大值索引：

# 1. 
model(input_batch).data.max(axis=1, keepdim=True)[1]
# 2. 
model(input_batch).data.argmax(axis=1, keepdim=True)