99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話:13121318867

登錄
首頁精彩閱讀十分鐘告訴你——何為Keras中的序列到序列學(xué)習(xí)
十分鐘告訴你——何為Keras中的序列到序列學(xué)習(xí)
2019-12-20
收藏
十分鐘告訴你——何為<a href='/map/Keras/' style='color:#000;font-size:inherit;'>Keras</a>中的序列到序列學(xué)習(xí)

作者 | Francois Chollet

編譯 | CDA數(shù)據(jù)分析師

A ten-minute introduction to sequence-to-sequence learning in Keras

什么是順序?qū)W習(xí)?

序列到序列學(xué)習(xí)(Seq2Seq)是關(guān)于將模型從一個(gè)域(例如英語中的句子)轉(zhuǎn)換為另一域(例如將相同句子翻譯為法語的序列)的訓(xùn)練模型。

“貓坐在墊子上” -> [ Seq2Seq 模型] -> “在小吃中聊天

這可用于機(jī)器翻譯或免費(fèi)問答(在給定自然語言問題的情況下生成自然語言答案)-通常,它可在需要生成文本的任何時(shí)間使用。

有多種處理此任務(wù)的方法,可以使用RNN或使用一維卷積網(wǎng)絡(luò)。在這里,我們將重點(diǎn)介紹RNN

普通情況:輸入和輸出序列的長度相同

當(dāng)輸入序列和輸出序列的長度相同時(shí),您可以簡單地使用Keras LSTM或GRU層(或其堆棧)來實(shí)現(xiàn)此類模型。在此示例腳本 中就是這種情況, 該腳本顯示了如何教RNN學(xué)習(xí)加編碼為字符串的數(shù)字:

十分鐘告訴你——何為<a href='/map/Keras/' style='color:#000;font-size:inherit;'>Keras</a>中的序列到序列學(xué)習(xí)

該方法的一個(gè)警告是,它假定可以生成target[...t]給定input[...t]。在某些情況下(例如添加數(shù)字字符串),該方法有效,但在大多數(shù)用例中,則無效。在一般情況下,有關(guān)整個(gè)輸入序列的信息是必需的,以便開始生成目標(biāo)序列。

一般情況:規(guī)范序列間

在一般情況下,輸入序列和輸出序列具有不同的長度(例如,機(jī)器翻譯),并且需要整個(gè)輸入序列才能開始預(yù)測(cè)目標(biāo)。這需要更高級(jí)的設(shè)置,這是人們?cè)跊]有其他上下文的情況下提到“序列模型的序列”時(shí)通常所指的東西。運(yùn)作方式如下:

RNN層(或其堆棧)充當(dāng)“編碼器”:它處理輸入序列并返回其自己的內(nèi)部狀態(tài)。請(qǐng)注意,我們放棄了編碼器RNN的輸出,僅恢復(fù) 了狀態(tài)。在下一步中,此狀態(tài)將用作解碼器的“上下文”或“條件”。

另一個(gè)RNN層(或其堆棧)充當(dāng)“解碼器”:在給定目標(biāo)序列的先前字符的情況下,對(duì)其進(jìn)行訓(xùn)練以預(yù)測(cè)目標(biāo)序列的下一個(gè)字符。具體而言,它經(jīng)過訓(xùn)練以將目標(biāo)序列變成相同序列,但在將來會(huì)偏移一個(gè)時(shí)間步,在這種情況下,該訓(xùn)練過程稱為“教師強(qiáng)迫”。重要的是,編碼器使用來自編碼器的狀態(tài)向量作為初始狀態(tài),這就是解碼器如何獲取有關(guān)應(yīng)該生成的信息的方式。有效地,解碼器學(xué)會(huì)產(chǎn)生targets[t+1...] 給定的targets[...t],調(diào)節(jié)所述輸入序列。

十分鐘告訴你——何為<a href='/map/Keras/' style='color:#000;font-size:inherit;'>Keras</a>中的序列到序列學(xué)習(xí)

在推斷模式下,即當(dāng)我們想解碼未知的輸入序列時(shí),我們會(huì)經(jīng)歷一個(gè)略有不同的過程:

  • 將輸入序列編碼為狀態(tài)向量。
  • 從大小為1的目標(biāo)序列開始(僅是序列開始字符)。
  • 將狀態(tài)向量和1個(gè)字符的目標(biāo)序列饋送到解碼器,以生成下一個(gè)字符的預(yù)測(cè)。
  • 使用這些預(yù)測(cè)來采樣下一個(gè)字符(我們僅使用argmax)。
  • 將采樣的字符追加到目標(biāo)序列
  • 重復(fù)直到生成序列結(jié)束字符或達(dá)到字符數(shù)限制。
十分鐘告訴你——何為<a href='/map/Keras/' style='color:#000;font-size:inherit;'>Keras</a>中的序列到序列學(xué)習(xí)

同樣的過程也可以用于訓(xùn)練Seq2Seq網(wǎng)絡(luò),而無需 “教師強(qiáng)制”,即通過將解碼器的預(yù)測(cè)重新注入到解碼器中。

一個(gè)Keras例子

  • 將句子翻譯成3個(gè)numpy的陣列,encoderinputdata,decoderinputdata,decodertargetdata:
  • encoderinputdata是一個(gè)3D形狀的數(shù)組,(numpairs, maxenglishsentencelength, numenglishcharacters) 其中包含英語句子的一鍵向量化。
  • decoderinputdata是一個(gè)3D形狀的數(shù)組,(numpairs, maxfrenchsentencelength, numfrenchcharacters) 其中包含法語句子的一鍵矢量化。
  • decodertargetdata與相同,decoderinputdata但相差一個(gè)時(shí)間步長。 decodertargetdata[:, t, :]將與相同decoderinputdata[:, t + 1, :]。
  • 訓(xùn)練基于LSTM的基本Seq2Seq模型,以預(yù)測(cè)decodertargetdata 給定encoderinputdata和decoderinputdata。我們的模型使用教師強(qiáng)迫。
  • 解碼一些句子以檢查模型是否正常運(yùn)行(即,將的樣本從encoderinputdata 轉(zhuǎn)換為的對(duì)應(yīng)樣本decodertargetdata)。

因?yàn)橛?xùn)練過程和推理過程(解碼句子)有很大的不同,所以我們對(duì)兩者使用不同的模型,盡管它們都利用相同的內(nèi)部層。

這是我們的訓(xùn)練模型。它利用Keras RNN的三個(gè)關(guān)鍵功能:

return_state構(gòu)造器參數(shù),配置RNN層返回一個(gè)列表,其中,第一項(xiàng)是輸出與下一個(gè)條目是內(nèi)部RNN狀態(tài)。這用于恢復(fù)編碼器的狀態(tài)。

inital_state呼叫參數(shù),指定一個(gè)RNN的初始狀態(tài)(S)。這用于將編碼器狀態(tài)作為初始狀態(tài)傳遞給解碼器。

return_sequences構(gòu)造函數(shù)的參數(shù),配置RNN返回其輸出全序列(而不只是最后的輸出,其默認(rèn)行為)。在解碼器中使用。

十分鐘告訴你——何為<a href='/map/Keras/' style='color:#000;font-size:inherit;'>Keras</a>中的序列到序列學(xué)習(xí)

from keras.models import Model from keras.layers import Input, LSTM, Dense # Define an input sequence and process it. encoder_inputs = Input(shape=(None, num_encoder_tokens)) encoder = LSTM(latent_dim, return_state=True) encoder_outputs, state_h, state_c = encoder(encoder_inputs) # We discard `encoder_outputs` and only keep the states. encoder_states = [state_h, state_c] # Set up the decoder, using `encoder_states` as initial state. decoder_inputs = Input(shape=(None, num_decoder_tokens)) # We set up our decoder to return full output sequences, # and to return internal states as well. We don't use the # return states in the training model, but we will use them in inference. decoder_lstm = LSTM(latent_dim, return_sequences=True, return_state=True) decoder_outputs, _, _ = decoder_lstm(decoder_inputs, initial_state=encoder_states) decoder_dense = Dense(num_decoder_tokens, activation='softmax') decoder_outputs = decoder_dense(decoder_outputs) # Define the model that will turn # `encoder_input_data` & `decoder_input_data` into `decoder_target_data` model = Model([encoder_inputs, decoder_inputs], decoder_outputs)

我們分兩行訓(xùn)練我們的模型,同時(shí)監(jiān)視20%的保留樣本中的損失。

# Run training model.compile(optimizer='rmsprop', loss='categorical_crossentropy') model.fit([encoder_input_data, decoder_input_data], decoder_target_data, batch_size=batch_size, epochs=epochs, validation_split=0.2)

在MacBook CPU上運(yùn)行大約一個(gè)小時(shí)后,我們就可以進(jìn)行推斷了。為了解碼測(cè)試語句,我們將反復(fù):

  • 對(duì)輸入語句進(jìn)行編碼并檢索初始解碼器狀態(tài)
  • 以該初始狀態(tài)和“序列開始”令牌為目標(biāo),運(yùn)行解碼器的一步。輸出將是下一個(gè)目標(biāo)字符。
  • 添加預(yù)測(cè)的目標(biāo)字符并重復(fù)。

這是我們的推理設(shè)置:

encoder_model = Model(encoder_inputs, encoder_states) decoder_state_input_h = Input(shape=(latent_dim,)) decoder_state_input_c = Input(shape=(latent_dim,)) decoder_states_inputs = [decoder_state_input_h, decoder_state_input_c] decoder_outputs, state_h, state_c = decoder_lstm( decoder_inputs, initial_state=decoder_states_inputs) decoder_states = [state_h, state_c] decoder_outputs = decoder_dense(decoder_outputs) decoder_model = Model( [decoder_inputs] + decoder_states_inputs, [decoder_outputs] + decoder_states)

十分鐘告訴你——何為<a href='/map/Keras/' style='color:#000;font-size:inherit;'>Keras</a>中的序列到序列學(xué)習(xí)

我們使用它來實(shí)現(xiàn)上述推理循環(huán):

def decode_sequence(input_seq): # Encode the input as state vectors. states_value = encoder_model.predict(input_seq) # Generate empty target sequence of length 1. target_seq = np.zeros((1, 1, num_decoder_tokens)) # Populate the first character of target sequence with the start character. target_seq[0, 0, target_token_index['\t']] = 1. # Sampling loop for a batch of sequences # (to simplify, here we assume a batch of size 1). stop_condition = False decoded_sentence = '' while not stop_condition: output_tokens, h, c = decoder_model.predict( [target_seq] + states_value) # Sample a token sampled_token_index = np.argmax(output_tokens[0, -1, :]) sampled_char = reverse_target_char_index[sampled_token_index] decoded_sentence += sampled_char # Exit condition: either hit max length # or find stop character. if (sampled_char == '\n' or len(decoded_sentence) > max_decoder_seq_length): stop_condition = True # Update the target sequence (of length 1). target_seq = np.zeros((1, 1, num_decoder_tokens)) target_seq[0, 0, sampled_token_index] = 1. # Update states states_value = [h, c] return decoded_sentence

我們得到了一些不錯(cuò)的結(jié)果-毫不奇怪,因?yàn)槲覀冋诮獯a從訓(xùn)練測(cè)試中提取的樣本

Input sentence: Be nice. Decoded sentence: Soyez gentil ! - Input sentence: Drop it! Decoded sentence: Laissez tomber ! - Input sentence: Get out! Decoded sentence: Sortez?!

到此,我們結(jié)束了對(duì)Keras中序列到序列模型的十分鐘介紹。提醒:此腳本的完整代碼可以在GitHub上找到。

數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼

若不方便掃碼,搜微信號(hào):CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機(jī)數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進(jìn)行初始化 // 參數(shù)1:配置參數(shù) // 參數(shù)2:回調(diào),回調(diào)的第一個(gè)參數(shù)驗(yàn)證碼對(duì)象,之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個(gè)配置參數(shù)為必須,不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺(tái)檢測(cè)極驗(yàn)服務(wù)器是否宕機(jī) new_captcha: data.new_captcha, // 用于宕機(jī)時(shí)表示是新驗(yàn)證碼的宕機(jī) product: "float", // 產(chǎn)品形式,包括:float,popup width: "280px", https: true // 更多配置參數(shù)說明請(qǐng)參見:http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計(jì)時(shí)完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請(qǐng)輸入'+oInput.attr('placeholder')+'!'; var errTxt = '請(qǐng)輸入正確的'+oInput.attr('placeholder')+'!'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }