在本文中，我们将看到如何创建语言翻译模型，这也是神经机器翻译的非常著名的应用。
库和配置设置
首先导入所需的库：
可下载资源
import os, sys
from keras.models import Model
from keras.layers import Input, LSTM, GRU, Dense, Embedding
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.utils import to_categorical
import numpy as np
import matplotlib.pyplot as plt机器翻译是人工智能的终极目标之一，面临如下国际公认的挑战。
第一个挑战，译文选择。在翻译一个句子的时候，会面临很多选词的问题，因为语言中一词多义的现象比较普遍。比如这个例子中，源语言句子中的『看』，可以翻译成『look』、『watch』 『read 』和 『see』等词，如果不考虑后面的宾语『书』的话，这几个译文都对。在这个句子中，只有机器翻译系统知道『看』的宾语『书』，才能做出正确的译文选择，把『看』翻译为『read』 ，『read a book』。译文选择是机器翻译面临的第一个挑战。
第二个挑战，是词语顺序的调整。由于文化及语言发展上的差异，我们在表述的时候，有时候先说这样一个成份，后面说另外一个成份 ，但是，在另外一种语言中，这些语言成分的顺序可能是完全相反的。比如在这个例子中，『在周日』，这样一个时间状语在英语中习惯上放在句子后面。再比如，像中文和日文的翻译，中文的句法是『主谓宾』，而日文的句法是『主宾谓』，日文把动词放在句子最后。比如中文说『我吃饭』，那么日语呢就会说『我饭吃』。当句子变长时，语序调整会更加复杂。
第三个挑战，数据稀疏。据不完全统计，现在人类的语言大约有超过五千种。现在的机器翻译技术大部分都是基于大数据的，只有在大量的数据上训练才能获得一个比较好的效果。而实际上，语言数量的分布非常不均匀的。右边的饼图显示了中文相关语言的一个分布情况，大家可以看到，百分之九十以上的都是中文和英文的双语句对，中文和其他语言的资源呢，是非常少的。在非常少的数据上，想训练一个好的系统是非常困难的。
执行以下脚本来设置不同参数的值：
BATCH_SIZE = 64
EPOCHS = 20
LSTM_NODES =256
NUM_SENTENCES = 20000
MAX_SENTENCE_LENGTH = 50
MAX_NUM_WORDS = 20000
EMBEDDING_SIZE = 100数据集
我们将在本文中开发的语言翻译模型会将英语句子翻译成法语。要开发这样的模型，我们需要一个包含英语句子及其法语翻译的数据集。 在每一行上，文本文件包含一个英语句子及其法语翻译，并用制表符分隔。文件的前20行fra.txt如下所示：
Go. Va !
Hi. Salut !
Hi. Salut.
Run! Cours !
Run! Courez !
Who? Qui ?
Wow! Ça alors !
Fire! Au feu !
Help! À l'aide !
Jump. Saute.
Stop! Ça suffit !
Stop! Stop !
Stop! Arrête-toi !
Wait! Attends !
Wait! Attendez !
Go on. Poursuis.
Go on. Continuez.
Go on. Poursuivez.
Hello! Bonjour !
Hello! Salut !该模型包含超过170,000条记录，但是我们将仅使用前20,000条记录来训练我们的模型。
数据预处理
神经机器翻译模型通常基于seq2seq架构。seq2seq体系结构是一种编码-解码体系结构，由两个LSTM网络组成：编码LSTM和解码LSTM。
在我们的数据集中，我们不需要处理输入，但是，我们需要生成翻译后的句子的两个副本：一个带有句子开始标记，另一个带有句子结束标记。这是执行此操作的脚本：
input_sentences = []
output_sentences = []
output_sentences_inputs = []
count = 0
for line in open(r'/content/drive/My Drive/datasets/fra.txt', encoding="utf-8"):
count += 1
if count > NUM_SENTENCES:
break
if '\t' not in line:
continue
input_sentence, output = line.rstrip().split('\t')
output_sentence = output + ' <eos>'
output_sentence_input = '<sos> ' + output
input_sentences.append(input_sentence)
output_sentences.append(output_sentence)
output_sentences_inputs.append(output_sentence_input)
print("num samples input:", len(input_sentences))
print("num samples output:", len(output_sentences))
print("num samples output input:", len(output_sentences_inputs))注意：您可能需要更改fra.txt计算机上文件的文件路径。
最后，输出中将显示三个列表中的样本数量：
num samples input: 20000
num samples output: 20000
num samples output input: 20000现在让我们来随机输出一个句子从input_sentences[]，output_sentences[]和output_sentences_inputs[]列表：
print(input_sentences[172])
print(output_sentences[172])
print(output_sentences_inputs[172])这是输出：
I'm ill.
Je suis malade. <eos>
<sos> Je suis malade.您可以看到原始句子，即I'm ill；在输出中对应的翻译，即Je suis malade. <eos>。
标记化和填充
下一步是标记原始句子和翻译后的句子，并对大于或小于特定长度的句子应用填充，在输入的情况下，这将是最长输入句子的长度。对于输出，这将是输出中最长句子的长度。
对于标记化，可以使用库中的Tokenizer类keras.preprocessing.text。本tokenizer类执行两个任务：
- 它将句子分为相应的单词列表
- 然后将单词转换为整数
这是非常重要的，因为深度学习和机器学习算法可以处理数字。
除了标记化和整数转换外，该类的word_index属性还Tokenizer返回一个单词索引字典，其中单词是键，而相应的整数是值。上面的脚本还输出字典中唯一词的数量和输入中最长句子的长度：
Total unique words in the input: 3523
Length of longest sentence in input: 6同样，输出语句也可以用以下所示的相同方式进行标记：这是输出：
Total unique words in the output: 9561
Length of longest sentence in the output: 13通过比较输入和输出中唯一词的数量，可以得出结论，与翻译后的法语句子相比，英语句子通常较短，平均包含较少的单词。
接下来，我们需要填充输入。对输入和输出进行填充的原因是文本句子的长度可以变化，但是LSTM（我们将要训练模型的算法）期望输入实例具有相同的长度。因此，我们需要将句子转换为固定长度的向量。一种方法是通过填充。
在填充中，为句子定义了一定的长度。在我们的情况下，输入和输出中最长句子的长度将分别用于填充输入和输出句子。输入中最长的句子包含6个单词。对于少于6个单词的句子，将在空索引中添加零。
脚本显示了填充的输入句子的形状。还输出了索引为172的句子的填充整数序列。这是输出：
encoder_input_sequences.shape: (20000, 6)
encoder_input_sequences[172]: [ 0 0 0 0 6 539]由于输入中有20,000个句子，并且每个输入句子的长度为6，所以输入的形状现在为（20000，6）。如果查看输入句子索引172处句子的整数序列，可以看到存在三个零，后跟值为6和539。您可能还记得索引172处的原始句子是I'm ill。标记生成器分割的句子翻译成两个词I'm和ill，将它们转换为整数，然后通过在输入列表的索引172在用于句子对应的整数序列的开始添加三个零施加预填充。
要验证的整数值i'm和ill是6和539分别可以传递到word2index_inputs词典，如下图所示：
print(word2idx_inputs["i'm"])
print(word2idx_inputs["ill"])输出：
6
539以相同的方式，解码输出和解码器输入的填充如下：
print("decoder_input_sequences.shape:", decoder_input_sequences.shape)
print("decoder_input_sequences[172]:", decoder_input_sequences[172])输出：
decoder_input_sequences.shape: (20000, 13)
decoder_input_sequences[172]: [ 2 3 6 188 0 0 0 0 0 0 0 0 0]解码器输入的索引172处的句子为<sos> je suis malade.。如果从word2idx_outputs字典中输出相应的整数，则应该在控制台上看到2、3、6和188，如下所示：
print(word2idx_outputs["<sos>"])
print(word2idx_outputs["je"])
print(word2idx_outputs["suis"])
print(word2idx_outputs["malade."])输出：
2
3
6
188词嵌入
由于我们使用的是深度学习模型，并且深度学习模型使用数字，因此我们需要将单词转换为相应的数字矢量表示形式。但是我们已经将单词转换为整数。
随时关注您喜欢的主题
在本文中，对于英文句子（即输入），我们将使用GloVe词嵌入。对于输出中的法语翻译句子，我们将使用自定义单词嵌入。
让我们首先为输入创建单词嵌入。为此，我们需要将GloVe字向量加载到内存中。然后，我们将创建一个字典，其中单词是键，而相应的向量是值，如下所示：
回想一下，我们在输入中包含3523个唯一词。我们将创建一个矩阵，其中行号将表示单词的序号，而列将对应于单词维度。此矩阵将包含输入句子中单词的单词嵌入。
num_words = min(MAX_NUM_WORDS, len(word2idx_inputs) + 1)
embedding_matrix = zeros((num_words, EMBEDDING_SIZE))
for word, index in word2idx_inputs.items():
embedding_vector = embeddings_dictionary.get(word)
if embedding_vector is not None:
embedding_matrix[index] = embedding_vector首先，ill使用GloVe词嵌入词典为该词输出词嵌入。
print(embeddings_dictionary["ill"])
输出：
[ 0.12648 0.1366 0.22192 -0.025204 -0.7197 0.66147
0.48509 0.057223 0.13829 -0.26375 -0.23647 0.74349
0.46737 -0.462 0.20031 -0.26302 0.093948 -0.61756
-0.28213 0.1353 0.28213 0.21813 0.16418 0.22547
-0.98945 0.29624 -0.62476 -0.29535 0.21534 0.92274
0.38388 0.55744 -0.14628 -0.15674 -0.51941 0.25629
-0.0079678 0.12998 -0.029192 0.20868 -0.55127 0.075353
0.44746 -0.71046 0.75562 0.010378 0.095229 0.16673
0.22073 -0.46562 -0.10199 -0.80386 0.45162 0.45183
0.19869 -1.6571 0.7584 -0.40298 0.82426 -0.386
0.0039546 0.61318 0.02701 -0.3308 -0.095652 -0.082164
0.7858 0.13394 -0.32715 -0.31371 -0.20247 -0.73001
-0.49343 0.56445 0.61038 0.36777 -0.070182 0.44859
-0.61774 -0.18849 0.65592 0.44797 -0.10469 0.62512
-1.9474 -0.60622 0.073874 0.50013 -1.1278 -0.42066
-0.37322 -0.50538 0.59171 0.46534 -0.42482 0.83265
0.081548 -0.44147 -0.084311 -1.2304 ]在上一节中，我们看到了单词的整数表示形式为ill539。现在让我们检查单词嵌入矩阵的第539个索引。
print(embedding_matrix[539])
输出：
[ 0.12648 0.1366 0.22192 -0.025204 -0.7197 0.66147
0.48509 0.057223 0.13829 -0.26375 -0.23647 0.74349
0.46737 -0.462 0.20031 -0.26302 0.093948 -0.61756
-0.28213 0.1353 0.28213 0.21813 0.16418 0.22547
-0.98945 0.29624 -0.62476 -0.29535 0.21534 0.92274
0.38388 0.55744 -0.14628 -0.15674 -0.51941 0.25629
-0.0079678 0.12998 -0.029192 0.20868 -0.55127 0.075353
0.44746 -0.71046 0.75562 0.010378 0.095229 0.16673
0.22073 -0.46562 -0.10199 -0.80386 0.45162 0.45183
0.19869 -1.6571 0.7584 -0.40298 0.82426 -0.386
0.0039546 0.61318 0.02701 -0.3308 -0.095652 -0.082164
0.7858 0.13394 -0.32715 -0.31371 -0.20247 -0.73001
-0.49343 0.56445 0.61038 0.36777 -0.070182 0.44859
-0.61774 -0.18849 0.65592 0.44797 -0.10469 0.62512
-1.9474 -0.60622 0.073874 0.50013 -1.1278 -0.42066
-0.37322 -0.50538 0.59171 0.46534 -0.42482 0.83265
0.081548 -0.44147 -0.084311 -1.2304 ]可以看到，嵌入矩阵中第539行的值类似于GloVe ill词典中单词的向量表示，这证实了嵌入矩阵中的行代表了GloVe单词嵌入词典中的相应单词嵌入。这个词嵌入矩阵将用于为我们的LSTM模型创建嵌入层。
创建模型
现在是时候开发我们的模型了。我们需要做的第一件事是定义输出，因为我们知道输出将是一个单词序列。回想一下，输出中的唯一单词总数为9562。因此，输出中的每个单词可以是9562个单词中的任何一个。输出句子的长度为13。对于每个输入句子，我们需要一个对应的输出句子。
以下脚本创建空的输出数组：decoder_targets_one_hot = np.zeros((
len(input_sentences),
max_out_len,
num_words_output
),
dtype='float32'
)以下脚本输出解码的维度：
decoder_targets_one_hot.shape
输出：
(20000, 13, 9562)
为了进行预测，模型的最后一层将是一个密集层，因此我们需要以一热编码矢量的形式进行输出，因为我们将在密集层使用softmax激活函数。要创建这样的单编码输出，下一步是将1分配给与该单词的整数表示形式对应的列号。例如，<sos> je suis malade的整数表示形式是[ 2 3 6 188 0 0 0 0 0 0 0 ]。在decoder_targets_one_hot输出数组的第一行的第二列中，将插入1。同样，在第二行的第三个索引处，将插入另一个1，依此类推。
看下面的脚本：
for i, d in enumerate(decoder_output_sequences):
for t, word in enumerate(d):
decoder_targets_one_hot[i, t, word] = 1接下来，我们需要创建编码器和解码器。编码器的输入将是英文句子，输出将是LSTM的隐藏状态和单元状态。
以下脚本定义了编码器：
下一步是定义解码器。解码器将有两个输入：编码器和输入语句的隐藏状态和单元状态，它们实际上将是输出语句。
以下脚本创建解码器LSTM：
最后，来自解码器LSTM的输出将通过密集层以预测解码器输出，如下所示：
decoder_dense = Dense(num_words_output, activation='softmax')
model = Model([encoder_inputs_placeholder,
decoder_inputs_placeholder], decoder_outputs)
让我们绘制模型查看：
plot_model(model, to_file='model_plot4a.png', show_shapes=True, show_layer_names=True)
输出：
从输出中，可以看到我们有两种输入。input_1是编码器的输入占位符，它被嵌入并通过lstm_1层，该层基本上是编码器LSTM。该lstm_1层有三个输出：输出，隐藏层和单元状态。但是，只有单元状态和隐藏状态才传递给解码器。
这里的lstm_2层是解码器LSTM。在input_2还通过一个嵌入层传递，并且被用作输入到解码器LSTM， lstm_2。最后，来自解码器LSTM的输出将通过密集层进行预测。
下一步是使用以下fit()方法训练模型：
model.fit()
该模型经过18,000条记录的训练，并针对其余2,000条记录进行了测试。 经过20个时间段后，我得到了90.99％的训练精度和79.11％的验证精度，这表明该模型是过度拟合的。
修改预测模型
在训练时，我们知道序列中所有输出字的实际输入解码器。训练期间发生的情况的示例如下。假设我们有一句话i'm ill。句子翻译如下：
// 输入在编码器/解码器的左侧，输出在右侧。
Step 1:
I'm ill -> Encoder -> enc(h1,c1)
enc(h1,c1) + <sos> -> Decoder -> je + dec(h1,c1)
step 2:
enc(h1,c1) + je -> Decoder -> suis + dec(h2,c2)
step 3:
enc(h2,c2) + suis -> Decoder -> malade. + dec(h3,c3)
step 3:
enc(h3,c3) + malade. -> Decoder -> <eos> + dec(h4,c4)您可以看到解码器的输入和解码器的输出是已知的，并且基于这些输入和输出对模型进行了训练。
但是，在预测期间，将根据前一个单词预测下一个单词，而该单词又会在前一个时间步长中进行预测。预测期间发生的情况的示例如下。我们将再次翻译句子i'm ill：
// 输入在编码器/解码器的左侧，输出在右侧。
Step 1:
I'm ill -> Encoder -> enc(h1,c1)
enc(h1,c1) + <sos> -> Decoder -> y1(je) + dec(h1,c1)
step 2:
enc(h1,c1) + y1 -> Decoder -> y2(suis) + dec(h2,c2)
step 3:
enc(h2,c2) + y2 -> Decoder -> y3(malade.) + dec(h3,c3)
step 3:
enc(h3,c3) + y3 -> Decoder -> y4(<eos>) + dec(h4,c4)可以看到编码器的功能保持不变。原始语言的句子通过编码器和隐藏状态传递，而单元格状态是编码器的输出。
在步骤1中，将编码器的隐藏状态和单元状态以及<sos>用作解码器的输入。解码器预测一个单词y1可能为真或不为真。但是，根据我们的模型，正确预测的概率为0.7911。在步骤2，将来自步骤1的解码器隐藏状态和单元状态与一起y1用作预测的解码器的输入y2。该过程一直持续到<eos>遇到令牌为止。然后，将来自解码器的所有预测输出进行级联以形成最终输出语句。让我们修改模型实现此逻辑。
编码器型号保持不变：
encoder_model = Model(encoder_inputs_placeholder, encoder_states)
因为现在在每一步我们都需要解码器的隐藏状态和单元状态，所以我们将修改模型以接受隐藏状态和单元状态，如下所示：
decoder_state_input_h = Input(shape=(LSTM_NODES,)) 现在，在每个时间步长，解码器输入中只有一个字，我们需要按如下所示修改解码器嵌入层：
decoder_inputs_single = Input(shape=(1,))...接下来，我们需要为解码器输出创建占位符：decoder_outputs, h, c = decoder_lstm(...)
为了进行预测，解码器的输出将通过密集层：
decoder_states = [h, c]
decoder_outputs = decoder_dense(decoder_outputs)最后一步是定义更新的解码器模型，如下所示：
decoder_model = Model()
现在，让我们绘制经过修改的解码器LSTM来进行预测：
plot_model(decoder_model, to_file='model_plot_dec.png', show_shapes=True, show_layer_names=True)
输出：
上图中lstm_2是修改后的解码器LSTM。您会看到它接受带有一个单词的句子（如所示）input_5，以及上一个输出（input_3和input_4）的隐藏状态和单元格状态。您可以看到输入句子的维度现在是这样的，(none,1)因为在解码器输入中将只有一个单词。相反，在训练期间，输入句子的形状是(None,6)因为输入包含完整的句子，最大长度为6。
做出预测
在这一步中，您将看到如何使用英语句子作为输入进行预测。
在标记化步骤中，我们将单词转换为整数。解码器的输出也将是整数。但是，我们希望输出是法语中的单词序列。为此，我们需要将整数转换回单词。我们将为输入和输出创建新的字典，其中的键将是整数，而相应的值将是单词。
idx2word_input = {v:k for k, v in word2idx_inputs.items()}
idx2word_target = {v:k for k, v in word2idx_outputs.items()}接下来，我们将创建一个方法，即translate_sentence()。该方法将接受带有输入填充序列的英语句子（以整数形式），并将返回翻译后的法语句子。看一下translate_sentence()方法：
def translate_sentence(input_seq):
states_value = encoder_model.predict(input_seq)
target_seq = np.zeros((1, 1))
target_seq[0, 0] = word2idx_outputs['<sos>']
eos = word2idx_outputs['<eos>']
output_sentence = []
for _ in range(max_out_len):
return ' '.join(output_sentence)在上面的脚本中，我们将输入序列传递给encoder_model，以预测隐藏状态和单元格状态，这些状态存储在states_value变量中。
接下来，我们定义一个变量target_seq，它是一个1 x 1全零的矩阵。target_seq变量包含所述第一字给解码器模型，这是<sos>。
之后，将eos初始化变量，该变量存储<eos>令牌的整数值。在下一行中，将output_sentence定义列表，其中将包含预测的翻译。
接下来，我们执行一个for循环。循环的执行周期数for等于输出中最长句子的长度。在循环内部，在第一次迭代中，decoder_model预测器使用编码器的隐藏状态和单元格状态以及输入令牌（即）来预测输出状态，隐藏状态和单元格状态<sos>。循环继续进行，直到达到最大输出序列长度或<eos>遇到令牌为止。
最后，output_sentence使用空格将列表中的单词连接起来，并将结果字符串返回给调用函数。
测试模型
为了测试代码，我们将从input_sentences列表中随机选择一个句子，检索该句子的相应填充序列，并将其传递给该translate_sentence()方法。该方法将返回翻译后的句子，如下所示。
这是测试模型功能的脚本：
print('-')
print('Input:', input_sentences[i])
print('Response:', translation)这是输出：
-
Input: You're not fired.
Response: vous n'êtes pas viré.再次执行上述脚本，以查看其他一些翻译成法语的英语句子。我得到以下结果：
-
Input: I'm not a lawyer.
Response: je ne suis pas avocat.该模型已成功将另一个英语句子翻译为法语。
结论与展望
神经机器翻译是自然语言处理的相当先进的应用，涉及非常复杂的体系结构。
本文介绍了如何通过seq2seq体系结构执行神经机器翻译，该体系结构又基于编码器-解码器模型。编码器是一种LSTM，用于对输入语句进行编码，而解码器则对输入进行解码并生成相应的输出。本文中介绍的技术可以用于创建任何机器翻译模型，只要数据集的格式类似于本文中使用的格式即可。
Python中Keras微调Google Gemma：定制化指令增强大型语言模型LLM
R语言神经网络与决策树的银行顾客信用评估模型对比可视化研究
R语言神经网络模型金融应用预测上证指数时间序列可视化
SPSS Modeler决策树和神经网络模型对淘宝店铺服装销量数据预测可视化
