专栏首页拓端tecdat用于NLP的Python:使用Keras进行深度学习文本生成
原创

用于NLP的Python:使用Keras进行深度学习文本生成

原文链接:http://tecdat.cn/?p=8448

文本生成是NLP的最新应用程序之一。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。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。所以,让我们开始吧。

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:

import numpy as npfrom keras.models import Sequential, load_modelfrom keras.layers import Dense, Embedding, LSTM, Dropoutfrom keras.utils import to_categoricalfrom random import randintimport 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:

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()

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)

输出这样:

Total Words: 17250Unique 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Tokenizerkeras.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) + 1word_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:

comparisons1456

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 = 100for 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_sequenceoutput_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: 15,565,837Trainable params: 15,565,837Non-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

结论

在本文中,我们看到了如何通过Python的Keras库使用深度学习来创建文本生成模型。

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

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

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 采用SPSS Modeler的Web复杂网络对所有腧穴进行分析

    本次腧穴配伍关联规则分析,以针灸治疗FC的113例处方中使用频次在5次及以上的25种腧穴为关联对象。将前项最小支持度设为12%,规则的最小置信度设为85%,得出...

    拓端
  • 数据类岗位需求的数据面

    本文试图通过招聘数据了解数据分析岗位的最新招聘情况,包括行业需求、经验要求、薪资水平等, 进而分析出相关的薪资以及招聘要求。(数据样例可参考原文)

    拓端
  • 数据类岗位需求的数据面

    本文试图通过招聘数据了解数据分析岗位的最新招聘情况,包括行业需求、经验要求、薪资水平等, 进而分析出相关的薪资以及招聘要求。(数据样例可参考原文)

    拓端
  • 乳腺癌预后基因集

    In addition to cell of origin and somatic mutation events, studies over the past...

    生信技能树
  • IJPR特刊邀稿| 主题:生产和配送管理中的大数据分析

    The International Journal of Production Research (IJPR), published since 1961, i...

    用户1621951
  • ACL 2018 计算语言学协会接受论文列表

    WZEARW
  • Github项目推荐 | 知识图谱文献集合

    https://github.com/shaoxiongji/awesome-knowledge-graph

    AI研习社
  • 循环经济和工业生态的概念是如何交织在一起的?文献计量学和文本挖掘分析(cs)

    结合文献计量学和文本挖掘分析的新见解,以及以往有关循环经济和工业生态学的研究成果,本文旨在阐明这些概念的最新发展趋势和相互关系,包括它们的表现和应用。在此基础上...

    用户7454091
  • 促进包容性获取丰富在线内容和服务的策略研究

    中文摘要:在线访问内容和服务对每个人,包括残疾人,都越来越重要。包括《美国残疾人法》在内的各国承诺,以及包括《联合国残疾人权利宣言》在内的国际决议,都要求努力确...

    用户7454122
  • 【NSR特别专题】周志华:弱监督学习简介「全文翻译」

    编者按:《国家科学评论》于2018年1月发表“机器学习”特别专题,由周志华教授组织并撰写文章。专题内容还包括对AAAI前主席Tom Dietterich的访谈,...

    马上科普尚尚

扫码关注云+社区

领取腾讯云代金券