[译] Pytorch 实战：使用 RNN 网络对姓名进行分类

本文我们构建基于 字母层级 （粒度是字母而不是单词或者单个的字） 循环神经网络RNN 来姓名进行分类预测。

在每一次循环过程中， 字母层级的RNN 会以 字母列表 方式输入 姓名（单词），神经网络会输出一个 预测结果outpu 和 隐藏状态hidden_state ，且 隐藏状态hidden_state 会作为参数传入到下一个层网络中。我们将RNN最终的输出的结果作为预测结果（类别标签）。

具体的，我们从 18 种语言的成千上万个姓名数据中开始训练，并根据姓氏 拼写 来预测该姓名所属 语言类别 。

pridict('Hinton')
(-0.47) Scottish
(-1.52) English
(-3.57) Irish

pridict('Schmidhuber')
(-0.19) German
(-2.48) Czech
(-2.68) Dutch

准备数据

在 data文件夹 中有 18 个txt文件，且都是以 某种语言名.txt 命名。 每个txt文件中含有很多姓氏名，每个姓氏名独占一行，有些语言使用的是 Unicode码（含有除了26英文字母以外的其他字符） ，我们需要将其统一成 ASCII码 。

from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = 'all'
import glob

# *是通配符，匹配出data文件夹中的所有txt文件
all_filenames = glob.glob('data/*.txt')
all_filenames

all_filenames结果

    ['data/Czech.txt',
     'data/German.txt',
     'data/Arabic.txt',
     'data/Japanese.txt',
     'data/Chinese.txt',
     'data/Vietnamese.txt',
     'data/Russian.txt',
     'data/French.txt',
     'data/Irish.txt',
     'data/English.txt',
     'data/Spanish.txt',
     'data/Greek.txt',
     'data/Italian.txt',
     'data/Portuguese.txt',
     'data/Scottish.txt',
     'data/Dutch.txt',
     'data/Korean.txt',
     'data/Polish.txt']

将将Unicode码转换成标准的ASCII码，直接谷歌找到的stackoverflow上的解决办法。

http://stackoverflow.com/a/518232/2809427

import unicodedata
import string

#姓氏中所有的字符  
#string.ascii_letters是大小写各26字母
all_letters = string.ascii_letters + " .,;'"
#字符的种类数
n_letters = len(all_letters)

# 将Unicode码转换成标准的ASCII码 
def unicode_to_ascii(s):
    return ''.join(
        c for c in unicodedata.normalize('NFD', s)
        if unicodedata.category(c) != 'Mn'
        and c in all_letters
    )

print(n_letters) #字符数为57个
print(unicode_to_ascii('Ślusàrski'))

打印结果

57
'Slusarski'

构建 语言类别-姓名映射字典 ，形如   {language1: [name1, name2, ...], language2: [name_x1, name_x2, ...]}

category_names = {}
all_categories = []

#读取txt文件，返回ascii码的姓名 列表
def readNames(filename):
    names = open(filename).read().strip().split('\n')
    return [unicode_to_ascii(name) for name in names]

for filename in all_filenames:
    category = filename.split('/')[-1].split('.')[0]
    all_categories.append(category)
    names = readNames(filename)
    category_names[category] = names

#语言种类数
n_categories = len(all_categories)
print('n_categories =', n_categories) 

n_categories = 18

现在我们有 category_names 语言-姓名映射词典。

#查看Italian语言中前5个姓名
category_names['Italian'][:5]

显示前5个姓名

['Abandonato', 'Abatangelo', 'Abatantuono', 'Abate', 'Abategiovanni']

将姓名转化为Tensors

跟机器学习类似，在这里我们也需要将文本转化为具体的计算机能理解的数据形式。

为了表征单个的字符， 我们使用 独热编码向量one-hot vector ， 该向量的尺寸为 1 x n_letters （每个字符是2维向量）

例如

a对应的是 [[1, 0, 0, 0, 0...]]
b对应的是 [[0, 1, 0, 0, 0...]]
c对应的是 [[0, 0, 1, 0, 0...]]
...

每个由多个字符(每个字符是2维)组成的姓名 转化为3维，尺寸为 name_length x 1 x n_letters

在pytorch中，所有输入的数据都假设是在batch中。所以才能看到尺寸 name_length x 1 x n_letters 中的 1 。

import torch as t


print(t.zeros(5))    #1维
print(t.zeros(1, 5)) #2维
print(t.zeros(3, 1, 5)) #3维

打印上面三行代码运行结果

    tensor([0., 0., 0., 0., 0.])

    tensor([[0., 0., 0., 0., 0.]])

    tensor([[[0., 0., 0., 0., 0.]],

            [[0., 0., 0., 0., 0.]],

            [[0., 0., 0., 0., 0.]]])

定义letter_to_tensor函数

import torch

# 将字符转化为 <1 x n_letters> 的Tensor
def letter_to_tensor(letter):
    tensor = torch.zeros(1, n_letters)
    letter_index = all_letters.find(letter)
    tensor[0][letter_index] = 1
    return tensor

# 将姓名转化成尺寸为<name_length x 1 x n_letters>的数据
# 使用的是one-hot编码方式转化
def name_to_tensor(name):
    tensor = torch.zeros(len(name), 1, n_letters)
    for ni, letter in enumerate(name):
        letter_index = all_letters.find(letter)
        tensor[ni][0][letter_index] = 1
    return tensor

现在我们运行letter_to_tensor('J')

print(letter_to_tensor('J'))

显示上面代码运行结果

    tensor([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
             0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1.,
             0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
             0., 0., 0.]])

name_to_tensor('Jones').size()
print(name_to_tensor('Jones'))

显示上面代码运行结果

    torch.Size([5, 1, 57])


    tensor([[[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0.]],

            [[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0.]],

            [[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0.]],

            [[0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0.]],

            [[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0.]]])

构建神经网络

注意看图中各个参数解读：

• input : 输入的数据

• hidden : 神经网络现有的参数矩阵

• combined ： input矩阵与hidden矩阵合并，两个矩阵的行数一致，input和hidden分布位于新矩阵的 左侧和右侧

• i2o ：对输入的数据转化为output的计算过程

• 12h ：将输入的数据转化为hidden参数的计算过程

• output ：当前网络的输出

• hidden ：当前网络传递给下层网络的参数

大家仔细看看琢磨琢磨这个图构造。现在我们先看看 combined 这个操作

a = t.Tensor(3,1)
b = t.Tensor(3,2)

print(a) #a
print(b) #b
print(t.cat((a,b), 1)) #a、b合并后的样子

打印结果

    tensor([[0.0000],
            [0.0000],
            [0.0000]])


    tensor([[ 0.0000,  0.0000],
            [ 0.0000, -0.0000],
            [ 0.0000,  0.0000]])


    tensor([[ 0.0000,  0.0000,  0.0000],
            [ 0.0000,  0.0000, -0.0000],
            [ 0.0000,  0.0000,  0.0000]])

开始DIY我们第一个循环神经网络RNN，各个参数解读：

• input_size : 表征字母的向量的特征数量（向量长度）

• hidden_size : 隐藏层特征数量（列数）

• output_size : 语言数目，18

• i2h : 隐藏网络参数的计算过程。输入的数据尺寸为 input_size + hidden_size , 输出的尺寸为 hidden_size

• i2o : 输出网络参数的计算过程。输入的数据尺寸为 input_size + hidden_size , 输出的尺寸为 output_size

import torch.nn as nn


class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()

        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size

        self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
        self.i2o = nn.Linear(input_size + hidden_size, output_size)


    def forward(self, input, hidden):
        #将input和之前的网络中的隐藏层参数合并。
        combined = torch.cat((input, hidden), 1)

        hidden = self.i2h(combined) #计算隐藏层参数
        output = self.i2o(combined) #计算网络输出的结果
        return output, hidden 

    def init_hidden(self):
        #初始化隐藏层参数hidden
        return torch.zeros(1, self.hidden_size)

检验我们构建的RNN网络

定义好 RNN 类之后，我们可以创建RNN的实例

rnn = RNN(input_size=57,  #输入每个字母向量的长度（57个字符）
          hidden_size=128, #隐藏层向量的长度，神经元个数。这里可自行调整参数大小
          output_size=18)  #语言的种类数目

要运行此网络，我们需要给网络传入：

• input（在我们的例子中，是当前字母的Tensor）

• hidden（我们首先将隐藏层参数初始化为零）

经过网络内部的运算，我们将得到：

• output（每种语言的可能性的大小）

• next_hidden（传递给下一个网络的隐藏状态hidden）

input = letter_to_tensor('A')
hidden = rnn.init_hidden()

output, next_hidden = rnn(input, hidden)
print('output.size =', output.size())

显示上面代码运行结果

    output.size = torch.Size([1, 18])

现在我们使用 line_to_tensor 替换 letter_to_tensor 来构件输入的数据。注意在本例子中，给RNN网络一次输入一个姓名数据，但对该网络而言，是将姓名数据拆分成字母数组数据，逐次输入训练网络，直到这个姓名最后一个字母数组输入完成，才输出真正的预测结果（姓名所属的语言类别）。

输入 RNN神经网络 的数据的粒度变细，不再是 姓名数组数据（三维） ，而是 组成姓名的字母的数组或矩阵（二维） 。

input = name_to_tensor('Albert')
hidden = torch.zeros(1, 128) #这里的128是hidden_size

#给rnn传入的初始化hidden参数是尺寸为（1， 128）的zeros矩阵
#input[0]是传入姓名的第一个字符数组，注意这个数组是batch_size=1的矩阵。因为在pytorch中所有输入的数据都是batch方式输入的
output, next_hidden = rnn(input[0], hidden)
print(output.shape)
print(output)

显示上述结果

    torch.Size([1, 18])
    tensor([[-0.0785,  0.0147,  0.0940, -0.0518, -0.0286,  0.0175, -0.0641, -0.0449,
             -0.0013,  0.0421,  0.0153,  0.0269, -0.0556,  0.0304, -0.0133, -0.0572,
              0.0217,  0.1066]], grad_fn=<ThAddmmBackward>)

现在我们看看output这个tensor中的含有数据，想办法从中提取出预测的 语言类别信息 。

具体思路：

1. 因为output是tensor，我们可以先获取这个tensor中的data

2. 再使用基于data的topk方法，提取tensor中似然值最大的索引值。

该索引值就是 所属语言类别的索引值 ,具体我们可以看下面的例子更好的理解tensor的操作方法。

output.data
output.data.topk(1)

显示上面两行代码运行结果

    tensor([[-0.0785,  0.0147,  0.0940, -0.0518, -0.0286,  0.0175, -0.0641, -0.0449,
             -0.0013,  0.0421,  0.0153,  0.0269, -0.0556,  0.0304, -0.0133, -0.0572,
              0.0217,  0.1066]])


    (tensor([[0.1066]]), tensor([[17]]))

上面的两行代码，

其中第一行代码得到tensor中的data

第二行代码得到某姓姓名（这里我们实际上只输入了一个字母，姑且当成只有一个字母的姓名）的 所属语言的似然值 及 所属语言类别的索引值

top_n, top_i = output.data.topk(1)
top_n #所属语言的似然值，我们可以将其想象成概率
top_i #所属语言类别信息

显示上面tpo_n和  top_i

    tensor([[0.1066]])

    tensor([[17]])

接下来我们继续看

top_n, top_i = output.data.topk(1)
top_i[0][0]  #所属语言类别的索引值

显示top_i[0][0]

    tensor(17)

准备训练RNN

在训练前，我们把上面刚刚测试的求 所属语言类别的索引值 方法封装成函数 category_from_output 。

该函数输入:

• output : RNN网络输出的output

该函数输出：

• 语言类别

• 语言类别索引值

def category_from_output(output):
    _, top_i = output.data.topk(1) 
    category_i = top_i[0][0]
    return all_categories[category_i], category_i


category_from_output(output)

显示category_from_output(output)运行结果

    ('Polish', tensor(17))

类比机器学习中需要将数据打乱，这里我们也要增入随机性（打乱）。

但不是将训练数据打乱，而是每次训练时随机的从数据集中抽取一种语言中的一个姓名。

这里我们定义了 random_training_pair 函数， 函数返回的是一个元组 (category, name, category_tensor, name_tensor) :

• category: 语言名

• name: 姓名

• category_tensor

• name_tensor

在定义函数前先看下面几个例子，更好的理解函数内部的运算过程。

category = random.choice(all_categories)
category

显示category

    'Polish'

上面的随机抽取了 一种语言 ， 接下来我们在 该语言 中抽取一个 姓名

name = random.choice(category_names[category])
name

显示name

    'Krol'

训练过程中我们要有标签数据，在本文中 所属语言的索引值 作为 标签 。

由于pytorch中训练过程中使用的都是tensor结构数据，其中的元素都是浮点型数值，所以这里我们使用LongTensor， 可以保证标签是整数。

另外要注意的是，pytorch中运算的数据都是batch。所以我们要将 所属语言的索引值 放入一个list中，再将该list传入torch.LongTensor()中

category_tensor = torch.LongTensor([all_categories.index(category)])
category_tensor

显示category_tensor

 tensor([17])

同理，name也要转化为tensor，这里我们调用name_to_tensor函数即可。

name_tensor = name_to_tensor(name)
name_tensor

显示name_tensor

    tensor([[[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0.]],

            [[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0.]],

            [[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0.]],

            [[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
              0., 0., 0., 0., 0., 0.]]])

刚刚几个例子，相信大家已经明白了函数内部的实现方法，现在将其封装成 random_training_pair函数

import random

def random_training_pair():                                                                                                               
    category = random.choice(all_categories)
    name = random.choice(category_names[category])
    category_tensor = torch.LongTensor([all_categories.index(category)])
    name_tensor = name_to_tensor(name)
    return category, name, category_tensor, name_tensor

#我们从数据集中抽取十次
for i in range(10):
    category, name, category_tensor, name_tensor = random_training_pair()
    print('category =', category, '/ name =', name)

上述代码块运行结果

    category = Vietnamese / name = Truong
    category = Arabic / name = Malouf
    category = German / name = Messner
    category = Arabic / name = Boulos
    category = English / name = Batchelor
    category = Spanish / name = Guerrero
    category = Italian / name = Monti
    category = Scottish / name = Thomson
    category = Irish / name = Connell
    category = Korean / name = Youn

训练RNN网络

我们使用 nn.CrossEntropyLoss 作为评判标准，来检验 姓名真实所属的语言truth 与 预测该姓名得到预测所属语言类别predict 比对，计算RNN网络训练的误差。

criterion = nn.CrossEntropyLoss()

我们也创建了 优化器optimizer ， 常用的优化器是 SGD算法 。当 每次训练网络，我们比对结果, 好则改之, 无则加勉， 让该网络改善的学习率learning rate（改进的速度）设置为0.005 。

注意学习率learning rate不能设置的太大或者太小：

• 所谓欲速则不达，太大导致训练效果不佳。容易大条

• 太小了会导致训练速度太慢，遥遥无期。

learning_rate = 0.005 
optimizer = torch.optim.SGD(rnn.parameters(),  #给优化器传入rnn网络参数
                            lr=learning_rate) #学习率

每轮训练将:

• 创建input（name_tensor）和 input对应的语言类别标签(category_tensor)

• 当输入姓名第一个字母时，需要初始化隐藏层参数。

• 读取姓名中的 每个字母的数组信息 ，传入rnn,并将网络输出的hidden_state和下一个字母数组信息传入之后的RNN网络中

• 使用criterion比对 最终输出结果  与 姓名真实所属的语言标签 作比较

• 更新网络参数，改进网络。

• 循环往复以上几步

def train(category_tensor, name_tensor):
    rnn.zero_grad() #将rnn网络梯度清零
    hidden = rnn.init_hidden() #只对姓名的第一字母构建起hidden参数

    #对姓名的每一个字母逐次学习规律。每次循环的得到的hidden参数传入下次rnn网络中
    for i in range(name_tensor.size()[0]):
        output, hidden = rnn(name_tensor[i], hidden)

    #比较最终输出结果与 该姓名真实所属语言，计算训练误差
    loss = criterion(output, category_tensor)

    #将比较后的结果反向传播给整个网络
    loss.backward()

    #调整网络参数。有则改之无则加勉
    optimizer.step()

    #返回预测结果  和 训练误差
    return output, loss.data[0]

现在我们可以使用一大堆姓名和语言数据来训练RNN网络，因为 train函数 会同时返回 预测结果 和 训练误差 ， 我们可以打印并可视化这些信息。

为了方便，我们每训练5000次（5000个姓名），就打印 一个姓名的预测结果 ，并 查看该姓名是否预测正确 。

我们对每1000次的训练累计误差，最终将误差 可视化出来。

上面代码块运行结果

    5000 5% (0m 8s) 1.6642 San / Chinese ✗ (Korean)
    10000 10% (0m 15s) 3.1045 Sobol / Arabic ✗ (Polish)
    15000 15% (0m 23s) 2.9460 Hill / Vietnamese ✗ (Scottish)
    20000 20% (0m 30s) 1.3255 Uemura / Japanese ✓
    25000 25% (0m 37s) 0.0889 Antonopoulos / Greek ✓
    30000 30% (0m 45s) 2.0578 Keighley / Russian ✗ (English)
    35000 35% (0m 53s) 3.4646 Gaspar / Arabic ✗ (Spanish)
    40000 40% (1m 1s) 2.6537 Soto / Japanese ✗ (Spanish)
    45000 45% (1m 8s) 0.7883 Lykoshin / Russian ✓
    50000 50% (1m 17s) 3.1190 Blau / Vietnamese ✗ (German)
    55000 55% (1m 26s) 1.4374 Sacco / Portuguese ✗ (Italian)
    60000 60% (1m 33s) 0.0793 O'Boyle / Irish ✓
    65000 65% (1m 41s) 1.0468 Kong / Chinese ✓
    70000 70% (1m 47s) 0.6785 Davidson / Scottish ✓
    75000 75% (1m 55s) 3.3509 Serafin / Irish ✗ (Polish)
    80000 80% (2m 2s) 0.1848 Portelli / Italian ✓
    85000 85% (2m 8s) 1.0430 Gabrisova / Czech ✓
    90000 90% (2m 15s) 1.3065 Loyola / Czech ✗ (Spanish)
    95000 95% (2m 22s) 0.2379 Coelho / Portuguese ✓
    100000 100% (2m 29s) 0.3560 Teng / Chinese ✓

绘制训练误差

import matplotlib.pyplot as plt
%matplotlib inline

plt.figure()
plt.plot(all_losses)

从误差图中可以看出，随着训练轮数的增加，模型的每1000次训练的平均误差越来越小。

手动检验训练的模型

为了方便，我们定义了 predict(rnn, input_name, n_predictions=3)函数

• rnn: 训练得到的rnn网络

• input_name: 姓名字符串

• n_predictions：该姓名预测结果的前n_predictions个预测结果