学习笔记CB013: TensorFlow、TensorBoard、seq2seq

原创

利炳根

发布于 2018-05-05 12:59:30

1.1K4

发布于 2018-05-05 12:59:30

文章被收录于专栏：利炳根的专栏利炳根的专栏

tensorflow基于图结构深度学习框架，内部通过session实现图和计算内核交互。

tensorflow基本数学运算用法。

import tensorflow as tf

sess = tf.Session()

a = tf.placeholder("float")

b = tf.placeholder("float")

c = tf.constant(6.0)

d = tf.mul(a, b)

y = tf.mul(d, c)

print sess.run(y, feed_dict={a: 3, b: 3})

A = [[1.1,2.3],[3.4,4.1]]

Y = tf.matrix_inverse(A)

print sess.run(Y)

sess.close()

主要数字运算。

tf.add

tf.sub

tf.mul

tf.div

tf.mod

tf.abs

tf.neg

tf.sign

tf.inv

tf.square

tf.round

tf.sqrt

tf.pow

tf.exp

tf.log

tf.maximum

tf.minimum

tf.cos

tf.sin

主要矩阵运算。

tf.diag #生成对角阵

tf.transpose

tf.matmul

tf.matrix_determinant #计算行列式的值

tf.matrix_inverse #计算矩阵的逆

tensorboard使用。tensorflow代码，先构建图，然后执行，对中间过程调试不方便，提供一个tensorboard工具调试。训练时提示写入事件文件到目录(/tmp/tflearn_logs/11U8M4/)。执行命令打开 http://192.168.1.101:6006 看到tensorboard的界面。

tensorboard --logdir=/tmp/tflearn_logs/11U8M4/

Graph和Session。

import tensorflow as tf

with tf.Graph().as_default() as g:

    with g.name_scope("myscope") as scope: # 有了这个scope，下面的op的name都是类似myscope/Placeholder这样的前缀

        sess = tf.Session(target='', graph = g, config=None) # target表示要连接的tf执行引擎

        print "graph version:", g.version # 0

        a = tf.placeholder("float")

        print a.op # 输出整个operation信息，跟下面g.get_operations返回结果一样

        print "graph version:", g.version # 1

        b = tf.placeholder("float")

        print "graph version:", g.version # 2

        c = tf.placeholder("float")

        print "graph version:", g.version # 3

        y1 = tf.mul(a, b) # 也可以写成a * b

        print "graph version:", g.version # 4

        y2 = tf.mul(y1, c) # 也可以写成y1 * c

        print "graph version:", g.version # 5

        operations = g.get_operations()

       for (i, op) in enumerate(operations):

            print "============ operation", i+1, "==========="

            print op # 一个结构，包括：name、op、attr、input等,不同op不一样

        assert y1.graph is g

        assert sess.graph is g

        print "================ graph object address ================"

        print sess.graph

        print "================ graph define ================"

        print sess.graph_def

        print "================ sess str ================"

        print sess.sess_str

        print sess.run(y1, feed_dict={a: 3, b: 3}) # 9.0 feed_dictgraph中的元素和值的映射

        print sess.run(fetches=[b,y1], feed_dict={a: 3, b: 3}, options=None, run_metadata=None) # 传入的feches和返回值的shape相同

        print sess.run({'ret_name':y1}, feed_dict={a: 3, b: 3}) # {'ret_name': 9.0} 传入的feches和返回值的shape相同

        assert tf.get_default_session() is not sess

        with sess.as_default(): # 把sess作为默认的session，那么tf.get_default_session就是sess, 否则不是

            assert tf.get_default_session() is sess

        h = sess.partial_run_setup([y1, y2], [a, b, c]) # 分阶段运行，参数指明了feches和feed_dict列表

        res = sess.partial_run(h, y1, feed_dict={a: 3, b: 4}) # 12 运行第一阶段

        res = sess.partial_run(h, y2, feed_dict={c: res}) # 144.0 运行第二阶段，其中使用了第一阶段的执行结果

        print "partial_run res:", res

        sess.close()

tensorflow Session是Graph和执行者媒介，Session.run()将graph、fetches、feed_dict序列化到字节数组，调用tf_session.TF_Run（参见/usr/local/lib/python2.7/site-packages/tensorflow/python/client/session.py）。tf_session.TF_Run调用动态链接库_pywrap_tensorflow.so实现_pywrap_tensorflow.TF_Run接口(参见/usr/local/lib/python2.7/site-packages/tensorflow/python/pywrap_tensorflow.py)。动态链接库是tensorflow多语言python接口。_pywrap_tensorflow.so和pywrap_tensorflow.py通过SWIG工具自动生成，tensorflow核心语言c语言，通过SWIG生成各种脚本语言接口。

10行关键代码实现线性回归。用梯度下降求解线性回归问题是tensorflow最简单入门例子（10行关键代码）。

# -*- coding: utf-8 -*-

import numpy as np

import tensorflow as tf

# 随机生成1000个点，围绕在y=0.1x+0.3的直线周围

num_points = 1000

vectors_set = []

for i in xrange(num_points):

    x1 = np.random.normal(0.0, 0.55)

    y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)

    vectors_set.append([x1, y1])

# 生成一些样本

x_data = [v[0] for v in vectors_set]

y_data = [v[1] for v in vectors_set]

# 生成1维的W矩阵，取值是[-1,1]之间的随机数

W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')

# 生成1维的b矩阵，初始值是0

b = tf.Variable(tf.zeros([1]), name='b')

# 经过计算得出预估值y

y = W * x_data + b

# 以预估值y和实际值y_data之间的均方误差作为损失

loss = tf.reduce_mean(tf.square(y - y_data), name='loss')

# 采用梯度下降法来优化参数

optimizer = tf.train.GradientDescentOptimizer(0.5)

# 训练的过程就是最小化这个误差值

train = optimizer.minimize(loss, name='train')

sess = tf.Session()

# 输出图结构

#print sess.graph_def

init = tf.initialize_all_variables()

sess.run(init)

# 初始化的W和b是多少

print "W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss)

# 执行20次训练

for step in xrange(20):

    sess.run(train)

    # 输出训练好的W和b

    print "W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss)

# 生成summary文件，用于tensorboard使用

writer = tf.train.SummaryWriter("./tmp", sess.graph)

一张图展示线性回归工作原理。执行代码在本地生成一个tmp目录，产生tensorboard读取数据，执行：

tensorboard --logdir=./tmp/

打开 http://localhost:6006/ GRAPHS，展开一系列关键节点。图是代码生成graph结构，graph描述整个梯度下降解决线性回归问题整个过程，每一个节点代表代码的一步操作。

详细分析线性回归graph。W和b。代码对W有三种操作 Assign、read、train。assign基于random_uniform赋值。

W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')

tf.random_uniform graph。read对应：

y = W * x_data + b

train对应梯度下降训练过程操作。

对b有三种操作：Assign、read、train。用zeros赋初始化值。

W和b通过梯度下降计算update_W和update_b，更新W和b的值。update_W和update_b基于三个输入计算得出，学习率learning_rate、W/b当前值、梯度gradients。

最关键的梯度下降过程。

loss = tf.reduce_mean(tf.square(y - y_data), name='loss')

以y-y_data为输入，x不是x_data，是一个临时常量 2。2(y-y_data)，明显是(y-y_data)^2导数。以2(y-y_data)为输入经过各种处理最终生成参数b的增量update_b。生成update_W更新W，反向追溯依赖于add_grad(基于y-y_data)和W以及y生成，详细计算过程：http://stackoverflow.com/questions/39580427/how-does-tensorflow-calculate-the-gradients-for-the-tf-train-gradientdescentopti ，一步简单操作被tensorflow转成很多个节点图，细节节点不深入分析，只是操作图表达，没有太重要意义。

tensorflow自带seq2seq模型基于one-hot词嵌入，每个词用一个数字代替不足表示词与词之间关系，word2vec多维向量做词嵌入，能够表示出词之间关系。基于seq2seq思想，利用多维词向量实现模型，预期会有更高准确性。

seq2seq模型原理。参考《Sequence to Sequence Learning with Neural Networks》论文。核心思想，ABC是输入语句，WXYZ是输出语句，EOS是标识一句话结束，训练单元是lstm，lstm的特点是有长短时记忆，能够根据输入多个字确定后面多个字，lstm知识参考 http://deeplearning.net/tutorial/lstm.html 模型编码器和解码器共用同一个lstm层，共享参数，分开 https://github.com/farizrahman4u/seq2seq 绿色是编码器，黄色是解码器，橙色箭头传递lstm层状态信息(记忆信息)，编码器唯一传给解码器的状态信息。

解码器每一时序输入是前一个时序输出，通过不同时序输入“How are you <EOL>”，模型能自动一个字一个字输出“W I am fine <EOL>”，W是特殊标识，是编码器最后输出，是解码器触发信号。

直接把解码器每一时序输入强制改为"W I am fine"，把这部分从训练样本输入X中传过来，Y依然是预测输出"W I am fine <EOL>"，这样训练出来的模型就是编码器解码器模型。

使用训练模型预测，在解码时以前一时序输出为输入做预测，就能输出"W I am fine <EOL>”。

语料准备。至少300w聊天语料用于词向量训练和seq2seq模型训练，语料越丰富训练词向量质量越好。

切词：

python word_segment.py ./corpus.raw ./corpus.segment

切词文件转成“|”分隔问答对：

cat ./corpus.segment | awk '{if(last!="")print last"|"$0;last=$0}' | sed 's/| /|/g' > ./corpus.segment.pair

训练词向量。用google word2vec训练词向量：

word2vec -train ./corpus.segment -output vectors.bin -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-5 -threads 20 -binary 1 -iter 15

corpus.raw 原始语料数据，vectors.bin 生成的词向量二进制文件。

生成词向量二进制加载方法 https://github.com/warmheartli/ChatBotCourse/blob/master/word_vectors_loader.py 。

创建模型。用tensorflow+tflearn库来实现。

# 首先我们为输入的样本数据申请变量空间，如下。其中self.max_seq_len是指一个切好词的句子最多包含多少个词，self.word_vec_dim是词向量的维度，这里面shape指定了输入数据是不确定数量的样本，每个样本最多包含max_seq_len*2个词，每个词用word_vec_dim维浮点数表示。这里面用2倍的max_seq_len是因为我们训练是输入的X既要包含question句子又要包含answer句子

input_data = tflearn.input_data(shape=[None, self.max_seq_len*2, self.word_vec_dim], dtype=tf.float32, name = "XY")

# 然后我们将输入的所有样本数据的词序列切出前max_seq_len个，也就是question句子部分，作为编码器的输入

encoder_inputs = tf.slice(input_data, [0, 0, 0], [-1, self.max_seq_len, self.word_vec_dim], name="enc_in")

# 再取出后max_seq_len-1个，也就是answer句子部分，作为解码器的输入。注意，这里只取了max_seq_len-1个，是因为还要在前面拼上一组GO标识来告诉解码器我们要开始解码了，也就是下面加上go_inputs拼成最终的go_inputs

decoder_inputs_tmp = tf.slice(input_data, [0, self.max_seq_len, 0], [-1, self.max_seq_len-1, self.word_vec_dim], name="dec_in_tmp")

go_inputs = tf.ones_like(decoder_inputs_tmp)

go_inputs = tf.slice(go_inputs, [0, 0, 0], [-1, 1, self.word_vec_dim])

decoder_inputs = tf.concat(1, [go_inputs, decoder_inputs_tmp], name="dec_in")

# 之后开始编码过程，返回的encoder_output_tensor展开成tflearn.regression回归可以识别的形如(?, 1, 200)的向量；返回的states后面传入给解码器

(encoder_output_tensor, states) = tflearn.lstm(encoder_inputs, self.word_vec_dim, return_state=True, scope='encoder_lstm')

encoder_output_sequence = tf.pack([encoder_output_tensor], axis=1)

# 取出decoder_inputs的第一个词，也就是GO

first_dec_input = tf.slice(decoder_inputs, [0, 0, 0], [-1, 1, self.word_vec_dim])

# 将其输入到解码器中，如下，解码器的初始化状态为编码器生成的states，注意：这里的scope='decoder_lstm'是为了下面重用同一个解码器

decoder_output_tensor = tflearn.lstm(first_dec_input, self.word_vec_dim, initial_state=states, return_seq=False, reuse=False, scope='decoder_lstm')

# 暂时先将解码器的第一个输出存到decoder_output_sequence_list中供最后一起输出

decoder_output_sequence_single = tf.pack([decoder_output_tensor], axis=1)

decoder_output_sequence_list = [decoder_output_tensor]

# 接下来我们循环max_seq_len-1次，不断取decoder_inputs的一个个词向量作为下一轮解码器输入，并将结果添加到decoder_output_sequence_list中，这里面的reuse=True, scope='decoder_lstm'说明和上面第一次解码用的是同一个lstm层

for i in range(self.max_seq_len-1):

   next_dec_input = tf.slice(decoder_inputs, [0, i+1, 0], [-1, 1, self.word_vec_dim])

   decoder_output_tensor = tflearn.lstm(next_dec_input, self.word_vec_dim, return_seq=False, reuse=True, scope='decoder_lstm')

   decoder_output_sequence_single = tf.pack([decoder_output_tensor], axis=1)

   decoder_output_sequence_list.append(decoder_output_tensor)

# 下面我们把编码器第一个输出和解码器所有输出拼接起来，作为tflearn.regression回归的输入

decoder_output_sequence = tf.pack(decoder_output_sequence_list, axis=1)

real_output_sequence = tf.concat(1, [encoder_output_sequence, decoder_output_sequence])

net = tflearn.regression(real_output_sequence, optimizer='sgd', learning_rate=0.1, loss='mean_square')

model = tflearn.DNN(net)

模型创建完成，汇总思想：

1）训练输入X、Y分别是编码器解码器输入和预测输出；

2）X切分两半，前一半是编码器输入，后一半是解码器输入；

3）编码解码器输出预测值用Y做回归训练

4）训练通过样本真实值作解码器输入，实际预测不会有WXYZ部分，上一时序输出将作下一时序输入

训练模型。实例化模型并喂数据做训练：

model = self.model()

model.fit(trainXY, trainY, n_epoch=1000, snapshot_epoch=False, batch_size=1)

model.load('./model/model')

trainXY和trainY通过加载语料赋值。

加载词向量存到word_vector_dict，读取语料文件挨个词查word_vector_dict，赋值向量给question_seq和answer_seq：

def init_seq(input_file):

    """读取切好词的文本文件，加载全部词序列

"""

    file_object = open(input_file, 'r')

    vocab_dict = {}

    while True:

        question_seq = []

        answer_seq = []

        line = file_object.readline()

        if line:

            line_pair = line.split('|')

            line_question = line_pair[0]

            line_answer = line_pair[1]

            for word in line_question.decode('utf-8').split(' '):

                if word_vector_dict.has_key(word):

                    question_seq.append(word_vector_dict[word])

            for word in line_answer.decode('utf-8').split(' '):

                if word_vector_dict.has_key(word):

                    answer_seq.append(word_vector_dict[word])

        else:

            break

        question_seqs.append(question_seq)

        answer_seqs.append(answer_seq)

    file_object.close()

有question_seq和answer_seq，构造trainXY和trainY：

    def generate_trainig_data(self):

        xy_data = []

        y_data = []

        for i in range(len(question_seqs)):

            question_seq = question_seqs[i]

            answer_seq = answer_seqs[i]

            if len(question_seq) < self.max_seq_len and len(answer_seq) < self.max_seq_len:

                sequence_xy = [np.zeros(self.word_vec_dim)] * (self.max_seq_len-len(question_seq)) + list(reversed(question_seq))

                sequence_y = answer_seq + [np.zeros(self.word_vec_dim)] * (self.max_seq_len-len(answer_seq))

                sequence_xy = sequence_xy + sequence_y

                sequence_y = [np.ones(self.word_vec_dim)] + sequence_y

                xy_data.append(sequence_xy)

                y_data.append(sequence_y)

        return np.array(xy_data), np.array(y_data)

构造训练数据创建模型，训练：

python my_seq2seq_v2.py train

最终生成./model/model模型文件。

效果预测。训练模型，输入一句话预测一下回答：

predict = model.predict(testXY)

只有question没有answer，testXY没有Y部分，用上一句输出作为下一句输入：

for i in range(self.max_seq_len-1):

   # next_dec_input = tf.slice(decoder_inputs, [0, i+1, 0], [-1, 1, self.word_vec_dim])这里改成下面这句

   next_dec_input = decoder_output_sequence_single

   decoder_output_tensor = tflearn.lstm(next_dec_input, self.word_vec_dim, return_seq=False, reuse=True, scope='decoder_lstm')

   decoder_output_sequence_single = tf.pack([decoder_output_tensor], axis=1)

   decoder_output_sequence_list.append(decoder_output_tensor)

词向量是多维浮点数，预测词向量要通过余弦相似度匹配，余弦相似度匹配方法：

def vector2word(vector):

    max_cos = -10000

    match_word = ''

    for word in word_vector_dict:

        v = word_vector_dict[word]

        cosine = vector_cosine(vector, v)

        if cosine > max_cos:

            max_cos = cosine

            match_word = word

    return (match_word, max_cos)

其中的vector_cosine实现如下：

def vector_cosine(v1, v2):

    if len(v1) != len(v2):

        sys.exit(1)

    sqrtlen1 = vector_sqrtlen(v1)

    sqrtlen2 = vector_sqrtlen(v2)

    value = 0

    for item1, item2 in zip(v1, v2):

        value += item1 * item2

    return value / (sqrtlen1*sqrtlen2)

def vector_sqrtlen(vector):

    len = 0

    for item in vector:

        len += item * item

    len = math.sqrt(len)

    return len

预测：

python my_seq2seq_v2.py test test.data

输出第一列是预测每个时序产生词，第二列是预测输出向量和最近词向量余弦相似度，第三列是预测向量欧氏距离。

max_seq_len定长8，输出序列最后会多余一些字，根据余弦相似度或者其他指标设定一个阈值截断。

全部代码 https://github.com/warmheartli/ChatBotCourse/blob/master/chatbotv2/my_seq2seq_v2.py 。

参考资料：

《Python 自然语言处理》

《NLTK基础教程用NLTK和Python库构建机器学习应用》

http://www.shareditor.com/blogshow?blogId=119

http://www.shareditor.com/blogshow?blogId=120

http://www.shareditor.com/blogshow?blogId=121

欢迎推荐上海机器学习工作机会，我的微信：qingxingfengzi

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

tensorflow

深度学习

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

tensorflow

深度学习

学习笔记CB013: TensorFlow、TensorBoard、seq2seq

学习笔记CB013: TensorFlow、TensorBoard、seq2seq

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐