快速上手大模型:深度学习13(文本预处理、语言模型、RNN、GRU、LSTM、seq2seq)

目录

[1 文本预处理](#1 文本预处理)

[1.1 库](#1.1 库)

[1.2 读取数据集](#1.2 读取数据集)

[1.3 词元化](#1.3 词元化)

[1.4 词表](#1.4 词表)

[2 语言模型](#2 语言模型)

[2.1 定义](#2.1 定义)

[2.2 代码](#2.2 代码)

[2.3 衡量语言模型好坏](#2.3 衡量语言模型好坏)

[2.4 梯度裁剪](#2.4 梯度裁剪)

[3 循环神经网络RNN](#3 循环神经网络RNN)

[4 门控循环单元GRU](#4 门控循环单元GRU)

[5 长短期记忆网络LSTM](#5 长短期记忆网络LSTM)


文本预处理、语言模型为大模型必学内容。RNN、GRU、LSTM、seq2seq了解即可。

1 文本预处理

1.1 库
python 复制代码
import collections
import re
from d2l import torch as d2l
1.2 读取数据集
python 复制代码
#@save
d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')

def read_time_machine():  #@save
    """将时间机器数据集加载到文本行的列表中"""
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]

lines = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
print(lines[0])
print(lines[10])
1.3 词元化
python 复制代码
def tokenize(lines, token='word'):  #@save
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误:未知词元类型:' + token)

tokens = tokenize(lines)
for i in range(11):
    print(tokens[i])
1.4 词表
python 复制代码
class Vocab:  #@save
    """文本词表"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        # 按出现频率排序
        counter = count_corpus(tokens)
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                   reverse=True)
        # 未知词元的索引为0
        self.idx_to_token = ['<unk>'] + reserved_tokens
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

    @property
    def unk(self):  # 未知词元的索引为0
        return 0

    @property
    def token_freqs(self):
        return self._token_freqs

def count_corpus(tokens):  #@save
    """统计词元的频率"""
    # 这里的tokens是1D列表或2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        # 将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)

vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])

for i in [0, 10]:
    print('文本:', tokens[i])
    print('索引:', vocab[tokens[i]])

2 语言模型

2.1 定义

建模:

假设序列长度为2,预测,其中n是总次数、n(x)和是单个单词和连续单词对的出现次数。序列长为3同理。

如果序列很长,文本量会出现数量不足的情况,很可能,此时可以使用马尔科夫假设,即

一元语法:

二元语法:

2.2 代码
python 复制代码
import random
import torch
from d2l import torch as d2l

tokens = d2l.tokenize(d2l.read_time_machine())
# 因为每个文本行不一定是一个句子或一个段落,因此我们把所有文本行拼接到一起
corpus = [token for line in tokens for token in line]
vocab = d2l.Vocab(corpus)
vocab.token_freqs[:10]

freqs = [freq for token, freq in vocab.token_freqs]
d2l.plot(freqs, xlabel='token: x', ylabel='frequency: n(x)',
         xscale='log', yscale='log')

bigram_tokens = [pair for pair in zip(corpus[:-1], corpus[1:])]
bigram_vocab = d2l.Vocab(bigram_tokens)
bigram_vocab.token_freqs[:10]

trigram_tokens = [triple for triple in zip(
    corpus[:-2], corpus[1:-1], corpus[2:])]
trigram_vocab = d2l.Vocab(trigram_tokens)
trigram_vocab.token_freqs[:10]

bigram_freqs = [freq for token, freq in bigram_vocab.token_freqs]
trigram_freqs = [freq for token, freq in trigram_vocab.token_freqs]
d2l.plot([freqs, bigram_freqs, trigram_freqs], xlabel='token: x',
         ylabel='frequency: n(x)', xscale='log', yscale='log',
         legend=['unigram', 'bigram', 'trigram'])
2.3 衡量语言模型好坏

平均交叉熵衡量语言模型好坏:,p是语言模型预测概率,是真实词。

历史原因,NLP使用困惑度(perplexity)exp(pai)来衡量,是平均每次可能选项,1表示完美、无穷大是最差情况。

2.4 梯度裁剪

迭代中计算这T个时间步上的梯度,在反向传播过程中产生长度为O(T)的矩阵乘法链,导致数值不稳定。

梯度裁剪可以有效预防梯度爆炸,如梯度长度超过,那么拖影回长度

3 循环神经网络RNN

更新隐藏状态:

输出:

4 门控循环单元GRU

(1)重置门和隐藏门

(2)候选隐状态

(3)隐状态

5 长短期记忆网络LSTM

忘记门:将值朝0减少;

输入门:决定不是忽略掉输入数据;

输出门:决定是不是使用隐状态。

6 编码器-解码器架构

6.1 定义

编码器:它接受一个长度可变的序列作为输入, 并将其转换为具有固定形状的编码状态;

解码器:它将固定形状的编码状态映射到长度可变的序列。

6.2 代码
6.2.1 编码器
python 复制代码
from torch import nn


#@save
class Encoder(nn.Module):
    """编码器-解码器架构的基本编码器接口"""
    def __init__(self, **kwargs):
        super(Encoder, self).__init__(**kwargs)

    def forward(self, X, *args):
        raise NotImplementedError
6.2.2 解码器
python 复制代码
#@save
class Decoder(nn.Module):
    """编码器-解码器架构的基本解码器接口"""
    def __init__(self, **kwargs):
        super(Decoder, self).__init__(**kwargs)

    def init_state(self, enc_outputs, *args):
        raise NotImplementedError

    def forward(self, X, state):
        raise NotImplementedError
6.2.3 合并
python 复制代码
#@save
class EncoderDecoder(nn.Module):
    """编码器-解码器架构的基类"""
    def __init__(self, encoder, decoder, **kwargs):
        super(EncoderDecoder, self).__init__(**kwargs)
        self.encoder = encoder
        self.decoder = decoder

    def forward(self, enc_X, dec_X, *args):
        enc_outputs = self.encoder(enc_X, *args)
        dec_state = self.decoder.init_state(enc_outputs, *args)
        return self.decoder(dec_X, dec_state)

7 序列到序列学习seq2seq

指从一个句子生成另一个句子,编码器和解码器都是RNN,将编码器最后时间隐状态来初始解码器隐状态来完成信息传递,常用BLEU衡量生成序列好坏。应用:机器翻译。

BLEU:

相关推荐
AKAMAI12 小时前
Akamai Cloud客户案例 | CloudMinister借助Akamai实现多云转型
人工智能·云计算
hh随便起个名14 小时前
力扣二叉树的三种遍历
javascript·数据结构·算法·leetcode
小a杰.14 小时前
Flutter 与 AI 深度集成指南:从基础实现到高级应用
人工智能·flutter
colorknight14 小时前
数据编织-异构数据存储的自动化治理
数据仓库·人工智能·数据治理·数据湖·数据科学·数据编织·自动化治理
Lun3866buzha15 小时前
篮球场景目标检测与定位_YOLO11-RFPN实现详解
人工智能·目标检测·计算机视觉
janefir15 小时前
LangChain框架下DirectoryLoader使用报错zipfile.BadZipFile
人工智能·langchain
齐齐大魔王15 小时前
COCO 数据集
人工智能·机器学习
Dingdangcat8615 小时前
城市交通多目标检测系统:YOLO11-MAN-FasterCGLU算法优化与实战应用_3
算法·目标检测·目标跟踪
tang&16 小时前
滑动窗口:双指针的优雅舞步,征服连续区间问题的利器
数据结构·算法·哈希算法·滑动窗口
拼命鼠鼠16 小时前
【算法】矩阵链乘法的动态规划算法
算法·矩阵·动态规划