《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

本文作者： AI研習(xí)社

編輯：賈智龍

2017-05-26 16:01

導(dǎo)語：從0開始實(shí)現(xiàn)LSTM。

前言

最近看完了 LSTM 的一些外文資料，主要參考了 Colah 的 blog以及 Andrej Karpathy blog的一些關(guān)于 RNN 和 LSTM 的材料，準(zhǔn)備動手去實(shí)現(xiàn)一個(gè) LSTM 模型。代碼的基礎(chǔ)框架來自于 Udacity 上深度學(xué)習(xí)納米學(xué)位的課程（付費(fèi)課程）的一個(gè) demo，我剛開始看代碼的時(shí)候真的是一頭霧水，很多東西沒有理解，后來反復(fù)查閱資料，并我重新對代碼進(jìn)行了學(xué)習(xí)和修改，對步驟進(jìn)行了進(jìn)一步的剖析，下面將一步步用 TensorFlow 來構(gòu)建 LSTM 模型進(jìn)行文本學(xué)習(xí)并試圖去生成新的文本。本篇文章比較適合新手去操作，LSTM 層采用的是 BasicLSTMCell。

關(guān)于 RNN 與 LSTM 模型本文不做介紹，詳情去查閱資料過著去看上面的 blog 鏈接，講的很清楚啦。這篇文章主要是偏向?qū)崙?zhàn)，來自己動手構(gòu)建 LSTM 模型。

數(shù)據(jù)集來自于外文版《安娜卡列妮娜》書籍的文本文檔（本文后面會提供整個(gè) project 的 git 鏈接）。

工具介紹

語言：Python 3
包：TensorFlow 及其它數(shù)據(jù)處理包（見代碼中）
編輯器：jupyter notebook
線上 GPU：floyd

正文部分

正文部分主要包括以下四個(gè)部分：

- 數(shù)據(jù)預(yù)處理：加載數(shù)據(jù)、轉(zhuǎn)換數(shù)據(jù)、分割數(shù)據(jù) mini-batch

- 模型構(gòu)建：輸入層，LSTM 層，輸出層，訓(xùn)練誤差，loss，optimizer

- 模型訓(xùn)練：設(shè)置模型參數(shù)對模型進(jìn)行訓(xùn)練

- 生成新文本：訓(xùn)練新的文本

主題：整個(gè)文本將基于《安娜卡列妮娜》這本書的英文文本作為 LSTM 模型的訓(xùn)練數(shù)據(jù)，輸入為單個(gè)字符，通過學(xué)習(xí)整個(gè)英文文檔的字符（包括字母和標(biāo)點(diǎn)符號等）來進(jìn)行文本生成。在開始建模之前，我們首先要明確我們的輸入和輸出。即輸入是字符，輸出是預(yù)測出的新字符。

一. 數(shù)據(jù)預(yù)處理

在開始模型之前，我們首先要導(dǎo)入需要的包：

import timeimport numpy as npimport tensorflow as tf

這一部分主要包括了數(shù)據(jù)的轉(zhuǎn)換與 mini-batch 的分割步驟。

首先我們來進(jìn)行數(shù)據(jù)的加載與編碼轉(zhuǎn)換。由于我們是基于字符（字母和標(biāo)點(diǎn)符號等單個(gè)字符串，以下統(tǒng)稱為字符）進(jìn)行模型構(gòu)建，也就是說我們的輸入和輸出都是字符。舉個(gè)栗子，假如我們有一個(gè)單詞 “hello”，我們想要基于這個(gè)單詞構(gòu)建 LSTM，那么希望的到的結(jié)果是，輸入 “h”，預(yù)測下一個(gè)字母為 “e”；輸入 “e” 時(shí)，預(yù)測下一個(gè)字母為 “l(fā)”，等等。

因此我們的輸入便是一個(gè)個(gè)字母，下面我們將文章進(jìn)行轉(zhuǎn)換。

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

上面的代碼主要完成了下面三個(gè)任務(wù)：

- 得到了文章中所有的字符集合 vocab

- 得到一個(gè)字符 - 數(shù)字的映射 vocab_to_int

- 得到一個(gè)數(shù)字 - 字符的映射 int_to_vocab

- 對原文進(jìn)行轉(zhuǎn)碼后的列表 encoded

完成了前面的數(shù)據(jù)預(yù)處理操作，接下來就是要劃分我們的數(shù)據(jù)集，在這里我們使用 mini-batch 來進(jìn)行模型訓(xùn)練，那么我們要如何劃分?jǐn)?shù)據(jù)集呢？在進(jìn)行 mini-batch 劃分之前，我們先來了解幾個(gè)概念。

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

假如我們目前手里有一個(gè)序列 1-12，我們接下來以這個(gè)序列為例來說明劃分 mini-batch 中的幾個(gè)概念。首先我們回顧一下，在 DNN 和 CNN 中，我們都會將數(shù)據(jù)分 batch 輸入給神經(jīng)網(wǎng)絡(luò)，加入我們有 100 個(gè)樣本，如果設(shè)置我們的 batch_size=10，那么意味著每次我們都會向神經(jīng)網(wǎng)絡(luò)輸入 10 個(gè)樣本進(jìn)行訓(xùn)練調(diào)整參數(shù)。同樣的，在 LSTM 中，batch_size 意味著每次向網(wǎng)絡(luò)輸入多少個(gè)樣本，在上圖中，當(dāng)我們設(shè)置 batch_size=2 時(shí)，我們會將整個(gè)序列劃分為 6 個(gè) batch，每個(gè) batch 中有兩個(gè)數(shù)字。

然而由于 RNN 中存在著 “記憶”，也就是循環(huán)。事實(shí)上一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)能夠被看做是多個(gè)相同神經(jīng)網(wǎng)絡(luò)的疊加，在這個(gè)系統(tǒng)中，每一個(gè)網(wǎng)絡(luò)都會傳遞信息給下一個(gè)。上面的圖中，我們可以看到整個(gè) RNN 網(wǎng)絡(luò)由三個(gè)相同的神經(jīng)網(wǎng)絡(luò)單元疊加起來的序列。那么在這里就有了第二個(gè)概念 sequence_length（也叫 steps），中文叫序列長度。上圖中序列長度是 3，可以看到將三個(gè)字符作為了一個(gè)序列。

有了上面兩個(gè)概念，我們來規(guī)范一下后面的定義。我們定義一個(gè) batch 中的序列個(gè)數(shù)為 N（即 batch_size），定義單個(gè)序列長度為 M（也就是我們的 num_steps）。那么實(shí)際上我們每個(gè) batch 是一個(gè)N×M的數(shù)組，相當(dāng)于我們的每個(gè) batch 中有N×M個(gè)字符。在上圖中，當(dāng)我們設(shè)置 N=2， M=3 時(shí)，我們可以得到每個(gè) batch 的大小為 2 x 3 = 6 個(gè)字符，整個(gè)序列可以被分割成 12 / 6 = 2 個(gè) batch。

基于上面的分析，我們下面來進(jìn)行 mini-batch 的分割：

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

上面的代碼定義了一個(gè) generator，調(diào)用函數(shù)會返回一個(gè) generator 對象，我們可以獲取一個(gè) batch。

經(jīng)過上面的步驟，我們已經(jīng)完成了對數(shù)據(jù)集的預(yù)處理。下一步我們開始構(gòu)建模型。

二. 模型構(gòu)建

模型構(gòu)建部分主要包括了輸入層，LSTM 層，輸出層，loss，optimizer 等部分的構(gòu)建，我們將一塊一塊來進(jìn)行實(shí)現(xiàn)。

1. 輸入層

在數(shù)據(jù)預(yù)處理階段，我們定義了 mini-batch 的分割函數(shù)，輸入層的 size 取決于我們設(shè)置 batch 的 size（n_seqs × n_steps），下面我們首先構(gòu)建輸入層。

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

同樣的，輸出層的（因?yàn)檩斎胍粋€(gè)字符，同樣會輸出一個(gè)字符）。除了輸入輸出外，我們還定義了 keep_prob 參數(shù)用來在后面控制 dropout 的保留結(jié)點(diǎn)數(shù)。關(guān)于 dropout 正則化請參考鏈接。

2.LSTM 層

LSTM 層是整個(gè)神經(jīng)網(wǎng)絡(luò)的關(guān)鍵部分。TensorFlow 中，tf.contrib.rnn 模塊中有 BasicLSTMCell 和 LSTMCell 兩個(gè)包，它們的區(qū)別在于：

BasicLSTMCell does not allow cell clipping, a projection layer, and does not use peep-hole connections: it is the basic baseline.（來自 TensorFlow 官網(wǎng)）

在這里我們僅使用基本模塊 BasicLSTMCell。

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

上面的代碼中，我并沒有使用 tf.contrib.rnn 模塊，是因?yàn)槲以谑褂眠h(yuǎn)程 floyd 的 GPU 運(yùn)行代碼時(shí)候告訴我找不到這個(gè)模塊，可以用 tf.nn.run_cell.BasicLSTMCell 替代。構(gòu)建好 LSTM cell 后，為了防止過擬合，在它的隱層添加了 dropout 正則。

后面的 MultiRNNCell實(shí)現(xiàn)了對基本 LSTM cell 的順序堆疊，它接收的是 cell 對象組成的 list。最后 initial_state 定義了初始 cell state。

3. 輸出層

到目前為止，我們的輸入和 LSTM 層都已經(jīng)構(gòu)建完畢。接下來就要構(gòu)造我們的輸出層，輸出層采用 softmax，它與 LSTM 進(jìn)行全連接。對于每一個(gè)字符來說，它經(jīng)過 LSTM 后的輸出大小是1×L（L 為 LSTM cell 隱層的結(jié)點(diǎn)數(shù)量），我們上面也分析過輸入一個(gè) N x M 的 batch，我們從 LSTM 層得到的輸出為N×M×L，要將這個(gè)輸出與 softmax 全連接層建立連接，就需要對 LSTM 的輸出進(jìn)行重塑，變成( N * M ) × L 的一個(gè) 2D 的 tensor。softmax 層的結(jié)點(diǎn)數(shù)應(yīng)該是 vocab 的大小（我們要計(jì)算概率分布）。因此整個(gè) LSTM 層到 softmax 層的大小為L×vocab_size。

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

將數(shù)據(jù)重塑后，我們對 LSTM 層和 softmax 層進(jìn)行連接。并計(jì)算 logits 和 softmax 后的概率分布。

4. 訓(xùn)練誤差計(jì)算

至此我們已經(jīng)完成了整個(gè)網(wǎng)絡(luò)的構(gòu)建，接下來要定義 train loss 和 optimizer。我們知道從 sotfmax 層輸出的是概率分布，因此我們要對 targets 進(jìn)行 one-hot 編碼。我們采用 softmax_cross_entropy_with_logits交叉熵來計(jì)算 loss。

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

5.Optimizer

我們知道 RNN 會遇到梯度爆炸（gradients exploding）和梯度彌散（gradients disappearing) 的問題。LSTM 解決了梯度彌散的問題，但是 gradients 仍然可能會爆炸，因此我們采用 gradient clippling 的方式來防止梯度爆炸。即通過設(shè)置一個(gè)閾值，當(dāng) gradients 超過這個(gè)閾值時(shí)，就將它重置為閾值大小，這就保證了梯度不會變得很大。

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

tf.clip_by_global_norm會返回 clip 以后的 gradients 以及 global_norm。整個(gè)學(xué)習(xí)過程采用 AdamOptimizer

6. 模型組合

經(jīng)過上面五個(gè)步驟，我們完成了所有的模塊設(shè)置。下面我們來將這些部分組合起來，構(gòu)建一個(gè)類。

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

我們使用 tf.nn.dynamic_run 來運(yùn)行 RNN 序列。

三. 模型訓(xùn)練

在模型訓(xùn)練之前，我們首先初始化一些參數(shù)，我們的參數(shù)主要有：

batch_size: 單個(gè) batch 中序列的個(gè)數(shù)
num_steps: 單個(gè)序列中字符數(shù)目
lstm_size: 隱層結(jié)點(diǎn)個(gè)數(shù)
num_layers: LSTM 層個(gè)數(shù)
learning_rate: 學(xué)習(xí)率
keep_prob: 訓(xùn)練時(shí) dropout 層中保留結(jié)點(diǎn)比例

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

這是我自己設(shè)置的一些參數(shù)，具體一些調(diào)參經(jīng)驗(yàn)可以參考 Andrej Karpathy 的 git 上的建議。

參數(shù)設(shè)置完畢后，離運(yùn)行整個(gè) LSTM 就差一步啦，下面我們來運(yùn)行整個(gè)模型。

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型

我這里設(shè)置的迭代次數(shù)為 20 次，并且在代碼運(yùn)行中我們設(shè)置了結(jié)點(diǎn)的保存，設(shè)置了每運(yùn)行 200 次進(jìn)行一次變量保存，這樣的好處是有利于我們后面去直觀地觀察在整個(gè)訓(xùn)練過程中文本生成的結(jié)果是如何一步步 “進(jìn)化” 的。

四. 文本生成

經(jīng)過漫長的模型訓(xùn)練，我們得到了一系列訓(xùn)練過程中保存下來的參數(shù)，可以利用這些參數(shù)來進(jìn)行文本生成啦。當(dāng)我們輸入一個(gè)字符時(shí)，它會預(yù)測下一個(gè)，我們再將這個(gè)新的字符輸入模型，就可以一直不斷地生成字符，從而形成文本。

為了減少噪音，每次的預(yù)測值我會選擇最可能的前 5 個(gè)進(jìn)行隨機(jī)選擇，比如輸入 h，預(yù)測結(jié)果概率最大的前五個(gè)為[o,i,e,u,b]，我們將隨機(jī)從這五個(gè)中挑選一個(gè)作為新的字符，讓過程加入隨機(jī)因素會減少一些噪音的生成。

代碼封裝了兩個(gè)函數(shù)來做文本生成，具體請參看文章尾部的 git 鏈接中的源碼。

訓(xùn)練步數(shù)：200

當(dāng)訓(xùn)練步數(shù)為 200 的時(shí)候，LSTM 生成的文本大概長下面這個(gè)樣子：

《安娜卡列尼娜》文本生成——利用 TensorFlow 構(gòu)建 LSTM 模型