深度学习笔记(14.keras实现LSTM文本生成)

缺乏、安全感 2023-06-22 10:23 168阅读 0赞

### 摘要 ###

Ng深度学习课程第五部分序列化模型，keras实现LSTM文本生成。语料是90k大小的Shakespeare文本。  
程序地址：[https://github.com/ConstellationBJUT/Coursera-DL-Study-Notes][https_github.com_ConstellationBJUT_Coursera-DL-Study-Notes]

### 实验网络结构 ###

Tx：序列长度，这里是一个句子包含Tx个字符。  
xt：t=1…Tx，表示输入序列，维度(m, Tx，char\_num)，m表示训练样本数（也就是m个句子），Tx句子字符数（这里每句字符数相同），char\_num表示整个文本中出现的字符数。每个xt是一个长度为char\_num的one\_hot向量，只有一位是1，表示一个字符。  
y\_hat：最后一个cell的输出y\_hat是维度(char\_num, 1)的向量，每个位置表示对应字符出现的概率。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jqam95MjAwOQ_size_16_color_FFFFFF_t_70]

### 程序说明 ###

参考代码git地址：[https://github.com/keras-team/keras/blob/master/examples/lstm\_text\_generation.py][https_github.com_keras-team_keras_blob_master_examples_lstm_text_generation.py]

#### 1.文件结构 ####

需要安装TensorFlow和keras，直接pip install  
下图的python文件中，有很详细的注释，代码很少，keras封装的犀利。  
![在这里插入图片描述][20191215235827316.png]  
（1）keras\_lstm\_train.py，模型训练和保存  
（2）keras\_lstm\_generation.py，模型加载和生成指定字符长度的句子  
（3）shakespeare.txt，训练样本

#### 2.模型训练程序 ####

from keras.callbacks import LambdaCallback
    from keras.models import Sequential
    from keras.layers import Dense
    from keras.layers import LSTM
    from keras.optimizers import RMSprop
    import numpy as np
    
    # 加载数据文件
    with open('../shakespeare.txt', 'r') as f:
        text = f.read()
    
    print('corpus length:', len(text))
    
    # 生成字符_id字典，有标点符号和a~z组成
    chars = sorted(list(set(text)))
    char_num = len(chars)
    print('total chars:', char_num)
    char_indices = dict((c, i) for i, c in enumerate(chars))
    indices_char = dict((i, c) for i, c in enumerate(chars))
    
    # cut the text in semi-redundant sequences of maxlen characters
    maxlen = 40  # 每个句子由40个字符组成，也就是有40个cell
    step = 3  # 每隔3个字符，获取maxlen个字符作为一个句子
    sentences = []  # 存放句子的数组，每个句子是一个输入x
    next_chars = []  # label，每个句子后边紧跟的字符作为输出y
    for i in range(0, len(text) - maxlen, step):
        sentences.append(text[i: i + maxlen])
        next_chars.append(text[i + maxlen])
    print('nb sequences:', len(sentences))
    
    print('Vectorization...')
    # 训练数据转换为模型认识的格式，每个句子对应一个输出字符
    # 训练数据x，维度(句子数，cell数，xi维度)
    x = np.zeros((len(sentences), maxlen, char_num), dtype=np.bool)
    # 训练label y，维度(句子数，yi维度)
    y = np.zeros((len(sentences), char_num), dtype=np.bool)
    # 将x,y转为one_hot，每个输入句子由maxlen个one_hot向量组成
    for i, sentence in enumerate(sentences):
        for t, char in enumerate(sentence):
            x[i, t, char_indices[char]] = 1
        y[i, char_indices[next_chars[i]]] = 1
    
    
    # build the model: a single LSTM
    print('Build model...')
    model = Sequential()
    model.add(LSTM(128, input_shape=(maxlen, char_num)))
    model.add(Dense(char_num, activation='softmax'))
    
    optimizer = RMSprop(learning_rate=0.01)
    model.compile(loss='categorical_crossentropy', optimizer=optimizer)
    
    def on_epoch_end(epoch, _):
        None
    
    
    print_callback = LambdaCallback(on_epoch_end=on_epoch_end)
    
    model.fit(x, y,
              batch_size=128,
              epochs=10,
              callbacks=[print_callback])
    
    # 存储模型
    model.save('shakes_model.h5')

#### 3.生成文本程序 ####

from keras.models import load_model
    import numpy as np
    import random
    
    with open('../shakespeare.txt', 'r') as f:
        text = f.read()
    
    print('corpus length:', len(text))
    
    chars = sorted(list(set(text)))
    char_num = len(chars)
    print('total chars:', char_num)
    char_indices = dict((c, i) for i, c in enumerate(chars))
    indices_char = dict((i, c) for i, c in enumerate(chars))
    
    # cut the text in semi-redundant sequences of maxlen characters
    maxlen = 40  # 需要和kears_lstm_train.py里边一样
    
    # build the model: a single LSTM
    print('load model...')
    model = load_model('shakes_model.h5')
    
    
    def sample(preds, temperature=1.0):
        """ helper function to sample an index from a probability array :param preds: 模型正向传播计算得到的向量a，维度(char_num, 1) :param temperature: 多样性控制，值越大，随机性越强 :return: """
        preds = np.asarray(preds).astype('float64')
        preds = np.log(preds) / temperature
        # 下面个两行做了softmax
        exp_preds = np.exp(preds)
        preds = exp_preds / np.sum(exp_preds)
        # 按照概率preds做一次随机抽样试验，返回一个和preds维度相同0，1向量，1表示该位置选中
        probas = np.random.multinomial(1, preds, 1)
        # 返回1所在位置，根据位置可以去找到对应字符
        return np.argmax(probas)
    
    
    def generate_output(text_len=10):
        """ 生成文本 :param text_len: 生成的text文本长度 :return: """
        diversity = 1.0
        generated = ''  # 最终生成的文本
        # 从文本中随机选取位置截取maxlen字符作为初始输入句子
        start_index = random.randint(0, len(text) - maxlen - 1)
    
        sentence = text[start_index: start_index + maxlen]
    
        for i in range(text_len):
            # 输入句子x_pred
            x_pred = np.zeros((1, maxlen, len(chars)))
            # 生成one_hot向量
            for t, char in enumerate(sentence):
                x_pred[0, t, char_indices[char]] = 1.
            # 预测输出
            preds = model.predict(x_pred, verbose=0)[0]
            next_index = sample(preds, diversity)
            next_char = indices_char[next_index]
            # 将句子字符串左移一位，新字符加载句子末尾，作为新的输入
            sentence = sentence[1:] + next_char
            generated += next_char
        return generated
    
    
    text_len = random.randint(4, 200)
    print('text len:', text_len)
    new_text = generate_output(text_len)
    print(new_text)

### 实验结果 ###

doth that less thea part, and I in fils.  
They like

整个文本迭代了10次，生成单词感觉都不是很对，标点符号也有，感觉语料多点，多迭代迭代，应该还是可以的。

### 总结 ###

（1）感觉keras的lstm简洁  
（2）比自己之前实现的lstm用起来灵活的多，可以选择优化和loss函数。  
（3）应该用个word2vec的embedding，扔进去好好训练试试，估计笔记本可能会爆炸。

[https_github.com_ConstellationBJUT_Coursera-DL-Study-Notes]: https://github.com/ConstellationBJUT/Coursera-DL-Study-Notes
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jqam95MjAwOQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191215234808803.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jqam95MjAwOQ==,size_16,color_FFFFFF,t_70
[https_github.com_keras-team_keras_blob_master_examples_lstm_text_generation.py]: https://github.com/keras-team/keras/blob/master/examples/lstm_text_generation.py
[20191215235827316.png]: https://img-blog.csdnimg.cn/20191215235827316.png