前言
原文:https://blog.csdn.net/wangyangzhizhou/article/details/78119339
实际工程中很少有直接用深度学习实现端对端的聊天机器人,但这里我们来看看怎么用深度学习的seq2seq模型来实现一个简易的聊天机器人。这篇文章将尝试使用TensorFlow来训练一个基于seq2seq的聊天机器人,实现根据语料库的训练让机器人回答问题。
关于seq2seq的机制原理可看之前的文章《深度学习的seq2seq模型》。
在seq2seq模型中会使用到循环神经网络,目前流行的几种循环神经网络包括RNN、LSTM和GRU。这三种循环神经网络的机制原理可看之前的文章《循环神经网络》 《LSTM神经网络》 《GRU神经网络》。
主要是一些QA对,开放数据也很多可以下载,这里只是随便选用一小部分问题和回答,存放的格式是第一行为问题,第二行为回答,第三行又是问题,第四行为回答,以此类推。
要训练就肯定要将数据转成数字,可以用0到n的值来表示整个词汇,每个值表示一个单词,这里用VOCAB_SIZE来定义。还有问题的最大最小长度,回答的最大最小长度。除此之外还要定义UNK、GO、EOS和PAD符号,分别表示未知单词,比如你超过 VOCAB_SIZE范围的则认为未知单词,GO表示decoder开始的符号,EOS表示回答结束的符号,而PAD用于填充,因为所有QA对放到同个seq2seq模型中输入和输出都必须是相同的,于是就需要将较短长度的问题或回答用PAD进行填充。
limit = {'maxq':10,'minq':0,'maxa':8,'mina':3}UNK ='unk'GO =''EOS =''PAD =''VOCAB_SIZE =1000
1
2
3
4
5
6
7
8
9
10
11
12
按照QA长度的限制进行筛选。
deffilter_data(sequences):filtered_q, filtered_a = [], [] raw_data_len = len(sequences) //2foriinrange(0, len(sequences),2): qlen, alen = len(sequences[i].split(' ')), len(sequences[i +1].split(' '))ifqlen >= limit['minq']andqlen <= limit['maxq']:ifalen >= limit['mina']andalen <= limit['maxa']: filtered_q.append(sequences[i]) filtered_a.append(sequences[i +1]) filt_data_len = len(filtered_q) filtered = int((raw_data_len - filt_data_len) *100/ raw_data_len) print(str(filtered) +'% filtered from original data')returnfiltered_q, filtered_a
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
我们还要得到整个语料库所有单词的频率统计,还要根据频率大小统计出排名前n个频率的单词作为整个词汇,也就是前面对应的VOCAB_SIZE。另外我们还需要根据索引值得到单词的索引,还有根据单词得到对应索引值的索引。
defindex_(tokenized_sentences, vocab_size):freq_dist = nltk.FreqDist(itertools.chain(*tokenized_sentences)) vocab = freq_dist.most_common(vocab_size) index2word = [GO] + [EOS] + [UNK] + [PAD] + [x[0]forxinvocab] word2index = dict([(w, i)fori, winenumerate(index2word)])returnindex2word, word2index, freq_dist
1
2
3
4
5
6
前面也说到在我们的seq2seq模型中,对于encoder来说,问题的长短是不同的,那么不够长的要用PAD进行填充,比如问题为”how are you”,假如长度定为10,则需要将其填充为”how are you pad pad pad pad pad pad pad”。对于decoder来说,要以GO开始,以EOS结尾,不够长还得填充,比如”fine thank you”,则要处理成”go fine thank you eos pad pad pad pad pad “。第三个要处理的则是我们的target,target其实和decoder的输入是相同的,只不过它刚好有一个位置的偏移,比如上面要去掉go,变成”fine thank you eos pad pad pad pad pad pad”。
defzero_pad(qtokenized, atokenized, w2idx):data_len = len(qtokenized)# +2 dues to '' and ''idx_q = np.zeros([data_len, limit['maxq']], dtype=np.int32) idx_a = np.zeros([data_len, limit['maxa'] +2], dtype=np.int32) idx_o = np.zeros([data_len, limit['maxa'] +2], dtype=np.int32)foriinrange(data_len): q_indices = pad_seq(qtokenized[i], w2idx, limit['maxq'],1) a_indices = pad_seq(atokenized[i], w2idx, limit['maxa'],2) o_indices = pad_seq(atokenized[i], w2idx, limit['maxa'],3) idx_q[i] = np.array(q_indices) idx_a[i] = np.array(a_indices) idx_o[i] = np.array(o_indices)returnidx_q, idx_a, idx_odefpad_seq(seq, lookup, maxlen, flag):ifflag ==1: indices = []elifflag ==2: indices = [lookup[GO]]elifflag ==3: indices = []forwordinseq:ifwordinlookup: indices.append(lookup[word])else: indices.append(lookup[UNK])ifflag ==1:returnindices + [lookup[PAD]] * (maxlen - len(seq))elifflag ==2:returnindices + [lookup[EOS]] + [lookup[PAD]] * (maxlen - len(seq))elifflag ==3:returnindices + [lookup[EOS]] + [lookup[PAD]] * (maxlen - len(seq) +1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
然后将上面处理后的结构都持久化起来,供训练时使用。
encoder_inputs = tf.placeholder(dtype=tf.int32, shape=[batch_size, sequence_length])decoder_inputs = tf.placeholder(dtype=tf.int32, shape=[batch_size, sequence_length])targets = tf.placeholder(dtype=tf.int32, shape=[batch_size, sequence_length])weights = tf.placeholder(dtype=tf.float32, shape=[batch_size, sequence_length])
1
2
3
4
创建四个占位符,分别为encoder的输入占位符、decoder的输入占位符和decoder的target占位符,还有权重占位符。其中batch_size是输入样本一批的数量,sequence_length为我们定义的序列的长度。
cell = tf.nn.rnn_cell.BasicLSTMCell(hidden_size)cell = tf.nn.rnn_cell.MultiRNNCell([cell] * num_layers)
1
2
创建循环神经网络结构,这里使用LSTM结构,hidden_size是隐含层数量,用MultiRNNCell是因为我们希望创建一个更复杂的网络,num_layers为LSTM的层数。
results, states = tf.contrib.legacy_seq2seq.embedding_rnn_seq2seq(
tf.unstack(encoder_inputs, axis=1), tf.unstack(decoder_inputs, axis=1), cell, num_encoder_symbols, num_decoder_symbols, embedding_size, feed_previous=False)
1
2
3
4
5
6
7
8
9
使用TensorFlow为我们准备好了的embedding_rnn_seq2seq函数搭建seq2seq结构,当然我们也可以自己从LSTM搭起,分别创建encoder和decoder,但为了方便直接使用embedding_rnn_seq2seq即可。使用tf.unstack函数是为了将encoder_inputs和decoder_inputs展开成一个列表,num_encoder_symbols和num_decoder_symbols对应到我们的词汇数量。embedding_size则是我们的嵌入层的数量,feed_previous这个变量很重要,设为False表示这是训练阶段,训练阶段会使用decoder_inputs作为decoder的其中一个输入,但feed_previous为True时则表示预测阶段,而预测阶段没有decoder_inputs,所以只能依靠decoder上一时刻输出作为当前时刻的输入。
logits = tf.stack(results, axis=1)loss = tf.contrib.seq2seq.sequence_loss(logits, targets=targets, weights=weights)pred = tf.argmax(logits, axis=2)train_op = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)
1
2
3
4
接着使用sequence_loss来创建损失,这里根据embedding_rnn_seq2seq的输出来计算损失,同时该输出也可以用来做预测,最大的值对应的索引即为词汇的单词,优化器使用的事AdamOptimizer。
withtf.Session() as sess: ckpt = tf.train.get_checkpoint_state(model_dir)ifckptandckpt.model_checkpoint_path: saver.restore(sess, ckpt.model_checkpoint_path)else: sess.run(tf.global_variables_initializer()) epoch =0whileepoch <5000000: epoch = epoch +1print("epoch:", epoch)forstepinrange(0,1): print("step:",step) train_x, train_y, train_target = loadQA() train_encoder_inputs = train_x[step* batch_size:step* batch_size + batch_size, :] train_decoder_inputs = train_y[step* batch_size:step* batch_size + batch_size, :] train_targets = train_target[step* batch_size:step* batch_size + batch_size, :] op = sess.run(train_op, feed_dict={encoder_inputs: train_encoder_inputs, targets: train_targets, weights: train_weights, decoder_inputs: train_decoder_inputs}) cost = sess.run(loss, feed_dict={encoder_inputs: train_encoder_inputs, targets: train_targets, weights: train_weights, decoder_inputs: train_decoder_inputs}) print(cost)step=step+1ifepoch %100==0: saver.save(sess, model_dir +'/model.ckpt', global_step=epoch + 1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
创建会话开始执行,这里会用到tf.train.Saver对象来保存和读取模型,保险起见可以每隔一定间隔保存一次模型,下次重启会接着训练而不用从头重新来过,这里因为是一个例子,QA对数量不多,所以直接一次性当成一批送进去训练,而并没有分成多批。
with tf.device('/cpu:0'): batch_size = 1sequence_length = 10num_encoder_symbols = 1004num_decoder_symbols = 1004embedding_size = 256hidden_size = 256num_layers = 2encoder_inputs = tf.placeholder(dtype=tf.int32, shape=[batch_size, sequence_length]) decoder_inputs = tf.placeholder(dtype=tf.int32, shape=[batch_size, sequence_length]) targets = tf.placeholder(dtype=tf.int32, shape=[batch_size, sequence_length]) weights = tf.placeholder(dtype=tf.float32, shape=[batch_size, sequence_length]) cell = tf.nn.rnn_cell.BasicLSTMCell(hidden_size) cell = tf.nn.rnn_cell.MultiRNNCell([cell] * num_layers) results, states = tf.contrib.legacy_seq2seq.embedding_rnn_seq2seq( tf.unstack(encoder_inputs, axis=1), tf.unstack(decoder_inputs, axis=1), cell, num_encoder_symbols, num_decoder_symbols, embedding_size, feed_previous=True, ) logits = tf.stack(results, axis=1) pred = tf.argmax(logits, axis=2) saver = tf.train.Saver() with tf.Session() as sess: module_file = tf.train.latest_checkpoint('./model/') saver.restore(sess, module_file)map= Word_Id_Map() encoder_input =map.sentence2ids(['you','want','to','turn','twitter','followers','into','blog','readers']) encoder_input = encoder_input +[3fori inrange(0, 10-len(encoder_input))] encoder_input = np.asarray([np.asarray(encoder_input)]) decoder_input = np.zeros([1, 10])print('encoder_input : ', encoder_input)print('decoder_input : ', decoder_input) pred_value = sess.run(pred, feed_dict={encoder_inputs: encoder_input, decoder_inputs: decoder_input})print(pred_value) sentence =map.ids2sentence(pred_value[0])print(sentence)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
预测阶段也同样要创建相同的模型,然后将训练时保存的模型加载进来,然后实现对问题的回答的预测。预测阶段我们用cpu来执行就行了,避免使用GPU。创建图的步骤和训练时基本一致,参数也要保持一致,不同的地方在于我们要将embedding_rnn_seq2seq函数的feed_previous参数设为True,因为我们已经没有decoder输入了。另外我们也不需要损失函数和优化器,仅仅提供预测函数即可。
创建会话后开始执行,先加载model目录下的模型,然后再将待测试的问题转成向量形式,接着进行预测,得到输出如下:
[‘how’, ‘do’, ‘you’, ‘do’, ‘this’, ‘’, ‘’, ‘’, ‘’, ‘’]。
https://github.com/sea-boat/seq2seq_chatbot.git
以下是广告和相关阅读
========广告时间========
公众号的菜单已分为“分布式”、“机器学习”、“深度学习”、“NLP”、“Java深度”、“Java并发核心”、“JDK源码”、“Tomcat内核”等,可能有一款适合你的胃口。
鄙人的新书《Tomcat内核设计剖析》已经在京东销售了,有需要的朋友可以购买。感谢各位朋友。
=========================
相关阅读:
网友评论