用于NLP的Python：使用Keras进行深度学习文本生成

文本生成是NLP的最新应用程序之一。

由Kaizong Ye，Weilong Zhang撰写

深度学习技术已用于各种文本生成任务，例如写作诗歌，生成电影脚本甚至创作音乐。

可下载资源

完整程序、数据和文档（word）

但是，在本文中，我们将看到一个非常简单的文本生成示例，其中给定输入的单词字符串，我们将预测下一个单词。我们将使用莎士比亚著名小说《麦克白》的原始文本，并根据给定的一系列输入单词来预测下一个单词。

完成本文之后，您将能够使用所选的数据集执行文本生成。

导入库和数据集

第一步是导入执行本文中的脚本所需的库以及数据集。以下代码导入所需的库：

自然语言处理是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言，特别是如何编程计算机以成功处理大量的自然语言数据。

NLP的基本任务包括正则表达式、分词、词法分析、语音识别、文本分类、信息检索、问答系统——如对一些问题进行回答或与用户进行交互——机器翻译等。常用的模型则有马科夫模型、朴素贝叶斯、循环神经网络等。

我们把处理口语和书面语（统称为”语言“）的计算机技术称为语音和语言处理，简称自然语言处理，这是一个范围很广泛的定义，这个定义包括了从人人皆知的诸如词数计算、自动换行等简单技术，直到诸如在web上的自动问答、实时的口语自动翻译等高级技术。

自然语言处理的这些应用与其他应用系统的区别是，自然语言处理要使用语言知识。例如，UNIX的wc程序可以用来计算文本文件中的字节数、词数或行数。当我们用它来计算字节数和行数时，wc只用于进行一般的数据处理。但是，当我们用它来计算一个文件中词的数目时，就需要关于”什么事一个词“的语言知识，这样，这个wc也就成为了一个自然语言处理系统。

import numpy as np
from keras.models import Sequential, load_model
from keras.layers import Dense, Embedding, LSTM, Dropout
from keras.utils import to_categorical
from random import randint
import re

下一步是下载数据集。我们将使用Python的NLTK库下载数据集。

import nltk nltk.download('gutenberg') 
from nltk.corpus import gutenberg as gut print(gut.fileids())

您应该看到以下输出：

['austen-emma.txt', 'austen-persuasion.txt', 'austen-sense.txt', 'bible-kjv.txt', 'blake-poems.txt', 'bryant-stories.txt', 'burgess-busterbrown.txt', 'carroll-alice.txt', 'chesterton-ball.txt', 'chesterton-brown.txt', 'chesterton-thursday.txt', 'edgeworth-parents.txt', 'melville-moby_dick.txt', 'milton-paradise.txt', 'shakespeare-caesar.txt', 'shakespeare-hamlet.txt', 'shakespeare-macbeth.txt', 'whitman-leaves.txt']

该文件shakespeare-macbeth.txt包含小说“ Macbeth”的原始文本。要从此文件读取文本，可以使用类中的raw方法gutenberg：

macbeth_text = nltk.corpus.gutenberg.raw('shakespeare-macbeth.txt')

让我们从数据集中打印出前500个字符：

视频

LSTM神经网络架构和原理及其在Python中的预测应用

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

print(macbeth_text[:500])

这是输出：

[The Tragedie of Macbeth by William Shakespeare 1603]


Actus Primus. Scoena Prima.

Thunder and Lightning. Enter three Witches.

  1. When shall we three meet againe?
In Thunder, Lightning, or in Raine?
  2. When the Hurley-burley's done,
When the Battaile's lost, and wonne

   3. That will be ere the set of Sunne

   1. Where the place?
  2. Vpon the Heath

   3. There to meet with Macbeth

   1. I come, Gray-Malkin

   All. Padock calls anon: faire is foule, and foule is faire,
Houer through

您会看到文本包含许多特殊字符和数字。下一步是清理数据集。

数据预处理

要删除标点符号和特殊字符，我们将定义一个名为的函数preprocess_text()：

def preprocess_text(sen):
    # Remove punctuations and numbers
    sentence = re.sub('[^a-zA-Z]', ' ', sen)
...

    return sentence.lower()

该preprocess_text函数接受文本字符串作为参数，并以小写形式返回干净的文本字符串。

现在让我们清理文本，然后再次打印前500个字符：

macbeth_text = preprocess_text(macbeth_text)
macbeth_text[:500]

这是输出：

the tragedie of macbeth by william shakespeare actus primus scoena prima thunder and lightning enter three witches when shall we three meet againe in thunder lightning or in raine when the hurley burley done when the battaile lost and wonne that will be ere the set of sunne where the place vpon the heath there to meet with macbeth come gray malkin all padock calls anon faire is foule and foule is faire houer through the fogge and filthie ayre exeunt scena secunda alarum within enter king malcom

将单词转换为数字

深度学习模型基于统计算法。因此，为了使用深度学习模型，我们需要将单词转换为数字。

在本文中，我们将使用一种非常简单的方法，将单词转换为单个整数。在将单词转换为整数之前，我们需要将文本标记为单个单词。为此，可以使用模块中的word_tokenize()方法nltk.tokenize。

以下脚本标记我们数据集中的文本，然后打印数据集中的单词总数以及数据集中的唯一单词总数：

from nltk.tokenize import word_tokenize

...

print('Total Words: %d' % n_words)
print('Unique Words: %d' % unique_words)

最受欢迎的见解

1.R语言实现CNN（卷积神经网络）模型进行回归

2.r语言实现拟合神经网络预测和结果可视化

3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析

4.R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析

5.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

6.Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类

7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译

8.R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行时间序列深度学习预测

9.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列预测

输出这样：

Total Words: 17250
Unique Words: 3436

我们的文字总共有17250个单词，其中3436个单词是唯一的。要将标记化的单词转换为数字，可以使用模块中的Tokenizer类keras.preprocessing.text。您需要调用该fit_on_texts方法并将其传递给单词列表。将创建一个字典，其中的键将代表单词，而整数将代表字典的相应值。

看下面的脚本：

from keras.preprocessing.text import Tokenizer
...

要访问包含单词及其相应索引的字典，word_index可以使用tokenizer对象的属性：

vocab_size = len(tokenizer.word_index) + 1
word_2_index = tokenizer.word_index

如果您检查字典的长度，它将包含3436个单词，这是我们数据集中唯一单词的总数。

现在让我们从word_2_index字典中打印第500个唯一单词及其整数值。

print(macbeth_text_words[500])
print(word_2_index[macbeth_text_words[500]])

这是输出：

comparisons
1456

修改数据形状

LSTM接受3维格式的数据（样本数，时间步数，每个时间步的特征）。由于输出将是单个单词，因此输出的形状将是二维的（样本数，语料库中唯一词的数量）。

以下脚本修改了输入序列和相应输出的形状。

input_sequence = []
output_words = []
input_seq_length = 100

for i in range(0, n_words - input_seq_length , 1):
    in_seq = macbeth_text_words[i:i + input_seq_length]
...

在上面的脚本中，我们声明两个空列表input_sequence和output_words。将input_seq_length被设置为100，这意味着我们的输入序列将包括100个字。接下来，我们执行一个循环，在第一次迭代中，将文本中前100个单词的整数值附加到input_sequence列表中。第101个单词将追加到output_words列表中。在第二次迭代过程中，从文本中的第二个单词开始到第101个单词结束的单词序列存储在input_sequence列表中，第102个单词存储在output_words数组中，依此类推。由于数据集中共有17250个单词（比单词总数少100个），因此将总共生成17150个输入序列。

现在让我们输出input_sequence列表中第一个序列的值：

print(input_sequence[0])

输出：

[1, 869, 4, 40, 60, 1358, 1359, 408, 1360, 1361, 409, 265, 2, 870, 31, 190, 291, 76, 36, 30, 190, 327, 128, 8, 265, 870, 83, 8, 1362, 76, 1, 1363, 1364, 86, 76, 1, 1365, 354, 2, 871, 5, 34, 14, 168, 1, 292, 4, 649, 77, 1, 220, 41, 1, 872, 53, 3, 327, 12, 40, 52, 1366, 1367, 25, 1368, 873, 328, 355, 9, 410, 2, 410, 9, 355, 1369, 356, 1, 1370, 2, 874, 169, 103, 127, 411, 357, 149, 31, 51, 1371, 329, 107, 12, 358, 412, 875, 1372, 51, 20, 170, 92, 9]

让我们通过将序列中的整数除以最大整数值来归一化输入序列。以下脚本还将输出转换为二维格式。

以下脚本打印输入和相应输出的形状。

print("X shape:", X.shape)
print("y shape:", y.shape)

输出：

X shape: (17150, 100, 1)
y shape: (17150, 3437)

训练模型

下一步是训练我们的模型。关于应使用多少层和神经元来训练模型，没有硬性规定。

我们将创建三个LSTM层，每个层具有800个神经元。最终将添加具有1个神经元的密集层，以预测下一个单词的索引，如下所示：

...
model.summary()

model.compile(loss='categorical_crossentropy', optimizer='adam')

由于输出单词可以是3436个唯一单词之一，因此我们的问题是多类分类问题，因此使用categorical_crossentropy损失函数。如果是二进制分类，binary_crossentropy则使用该函数。一旦执行了上面的脚本，可以看到模型摘要：

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
lstm_1 (LSTM)                (None, 100, 800)          2566400
_________________________________________________________________
lstm_2 (LSTM)                (None, 100, 800)          5123200
_________________________________________________________________
lstm_3 (LSTM)                (None, 800)               5123200
_________________________________________________________________
dense_1 (Dense)              (None, 3437)              2753037
=================================================================
Total params: 15,565,837
Trainable params: 15,565,837
Non-trainable params: 0

要训练模型，我们可以简单地使用该fit()方法。

model.fit(X, y, batch_size=64, epochs=10, verbose=1)

做出预测

为了进行预测，我们将从input_sequence列表中随机选择一个序列，将其转换为3维形状，然后将其传递给predict()训练模型的方法。然后将索引值传递到index_2_word字典，在字典中将单词index用作键。该index_2_word字典将返回属于被作为重点字典传入的索引词。

以下脚本随机选择一个整数序列，然后输出相应的单词序列：

...
print(' '.join(word_sequence))

对于本文中的脚本，以下顺序是随机选择的：

amen when they did say god blesse vs lady consider it not so deepely mac but wherefore could not pronounce amen had most need of blessing and amen stuck in my throat lady these deeds must not be thought after these wayes so it will make vs mad macb me thought heard voyce cry sleep no more macbeth does murther sleepe the innocent sleepe sleepe that knits vp the rauel sleeue of care the death of each dayes life sore labors bath balme of hurt mindes great natures second course chiefe nourisher in life feast lady what doe you meane

接下来，我们将按照上述单词顺序输出接下来的100个单词：

for i in range(100):
    int_sample = np.reshape(random_seq, (1, len(random_seq), 1))
    int_sample = int_sample / float(vocab_size)
...

word_sequence现在，变量包含我们输入的单词序列以及接下来的100个预测单词。该word_sequence变量包含列表形式的单词序列。我们可以简单地将列表中的单词连接起来以获得最终的输出序列，如下所示：

final_output = ""
for word in word_sequence:
...
print(final_output)

这是最终输出：

amen when they did say god blesse vs lady consider it not so deepely mac but wherefore could not pronounce amen had most need of blessing and amen stuck in my throat lady these deeds must not be thought after these wayes so it will make vs mad macb me thought heard voyce cry sleep no more macbeth does murther sleepe the innocent sleepe sleepe that knits vp the rauel sleeue of care the death of each dayes life sore labors bath balme of hurt mindes great natures second course chiefe nourisher in life feast lady what doe you meane and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and