PaddleNLP Sequence 2 Vector

孟宝亮2022-10-27机器学习685

PaddleNLP 中封装了一些 Encoder，可以帮助我们 sequence 中的多 token 向量转换为 sequence vector，主要方法有：

  1. BoWEncoder
  2. CNNEncoder
  3. GRUEncode、LSTMEncoder、RNNEncoder
  4. TCNEncoder

1. BoWEncoder

将每个 token 的特征值相加，得到的单个向量作为 sequence vector，实例代码如下：

from paddlenlp.seq2vec import BoWEncoder
import torch


def test():

    B, N, D = 2, 3, 4
    inputs = torch.randint(5, size=[B, N, D])
    print(inputs)

    # emb_dim 输入数据的维度
    encoder = BoWEncoder(emb_dim=D)
    outputs = encoder(inputs)
    print(outputs)


if __name__ == '__main__':
    test()

程序执行结果：

tensor([[[4, 2, 0, 3],
         [1, 1, 2, 3],
         [1, 4, 3, 2]],

        [[2, 0, 2, 3],
         [1, 0, 1, 0],
         [3, 2, 1, 3]]])

tensor([[6, 7, 5, 8],
        [6, 2, 4, 6]])

2. CNNEncoder

假设输入 3 个字，每个字有 4 个维度的向量表示，如下所示：

[[0., 4., 3., 4.],
 [0., 2., 1., 1.],
 [3., 1., 3., 2.]]

CNNEncoder 根据 ngram_filter_sizes 值确定 ngram，比如该值为 (2, 3) 表示分别以 2-gram 和 3-gram 来对输入句子进行卷积计算。

2-gram 时，[0., 4., 3., 4.] 和 [0., 2., 1., 1.] 一起融合得到一个值，[0., 2., 1., 1.] 和 [3., 1., 3., 2.] 融合得到一个值，这个是一个卷积核输出 2 个 值，也可以是多个卷积核。

3-gram 时，[0., 4., 3., 4.] 、[0., 2., 1., 1.] 和 [3., 1., 3., 2.] 融合得到一个值。

卷积核的计算结果可以增加一个 tanh 激活函数，将输出值映射到 -1 到 1 之间。

接下来对 2-gram 的结果进行最大池化操作，得到一个值。最后，把 2-gram 和 3-gram 的值拼接到一起得到 2 维输出向量。如果用户指定了输出维度，则再增加一个线性层，将 2 维的向量映射为用户指定维度。

示例代码：

from paddlenlp.seq2vec import CNNEncoder
import paddle
import paddle.nn as nn
import numpy as np
import paddle.nn.functional as F


class CNNEncoder(nn.Layer):
    def __init__(self,
                 emb_dim,
                 num_filter,
                 ngram_filter_sizes=(2, 3),
                 conv_layer_activation=nn.Tanh(),
                 output_dim=None,
                 **kwargs):
        super().__init__()
        self._emb_dim = emb_dim
        self._num_filter = num_filter
        self._ngram_filter_sizes = ngram_filter_sizes
        self._activation = conv_layer_activation
        self._output_dim = output_dim

        self.convs = paddle.nn.LayerList([
            nn.Conv2D(in_channels=1,
                      out_channels=self._num_filter,
                      kernel_size=(i, self._emb_dim),
                      **kwargs) for i in self._ngram_filter_sizes ])
        maxpool_output_dim = self._num_filter * len(self._ngram_filter_sizes)
        if self._output_dim:
            self.projection_layer = nn.Linear(maxpool_output_dim,
                                              self._output_dim)
        else:
            self.projection_layer = None
            self._output_dim = maxpool_output_dim


    def forward(self, inputs, mask=None):

        if mask is not None:
            inputs = inputs * mask

        inputs = inputs.unsqueeze(1)
        # 此处去除了 tanh 激活函数，源代码实现中是有的
        convs_out = [conv(inputs).squeeze(3) for conv in self.convs]
        print('卷积核的输出结果:\n', convs_out)
        print('-' * 100)
        maxpool_out = [F.adaptive_max_pool1d(t, output_size=1).squeeze(2) for t in convs_out ]
        result = paddle.concat(maxpool_out, axis=1)

        if self.projection_layer is not None:
            result = self.projection_layer(result)
        return result


def test():

    B, N, D = 2, 3, 4
    inputs = paddle.randint(low=0, high=5, shape=[B, N, D]).astype(paddle.float32)
    print('测试输入数据:\n', inputs)

    # emb_dim 输入数据的维度
    # num_filter 表示输出通道数量，相当于多少个卷积核，默认输出维度为 num_filter*2
    # ngram_filter_sizes 表示 ngram，可以是多个值，元素的数量决定了卷积核的数量
    encoder = CNNEncoder(emb_dim=D, num_filter=3, ngram_filter_sizes=(2, 3))
    encoder.convs[0].weight.data = paddle.randint(low=0, high=5, shape=[2, 4])

    # 将卷积核参数初始化为简单的值
    nn.initializer.Constant(value=1)(encoder.convs[0].weight)
    nn.initializer.Constant(value=2)(encoder.convs[1].weight)

    print('-' * 100)
    print('第一个卷积核参数:\n', encoder.convs[0].weight)
    print('-' * 100)
    print('第二个卷积核参数:\n', encoder.convs[1].weight)
    print('-' * 100)

    outputs = encoder(inputs)
    print('最终输出结果:\n', outputs)


if __name__ == '__main__':
    test()

程序输出结果：

测试输入数据:
Tensor(shape=[2, 3, 4], dtype=float32, place=Place(cpu), stop_gradient=True,
       [[[1., 2., 3., 1.],
         [4., 0., 3., 1.],
         [3., 2., 2., 2.]],

        [[0., 0., 3., 4.],
         [1., 4., 4., 0.],
         [2., 4., 4., 1.]]])
---------------------------------------------------------------------------------------
第一个卷积核参数:
Parameter containing:
Tensor(shape=[3, 1, 2, 4], dtype=float32, place=Place(cpu), stop_gradient=False,
       [[[[1., 1., 1., 1.],
          [1., 1., 1., 1.]]],


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


        [[[1., 1., 1., 1.],
          [1., 1., 1., 1.]]]])
---------------------------------------------------------------------------------------
第二个卷积核参数:
Parameter containing:
Tensor(shape=[3, 1, 3, 4], dtype=float32, place=Place(cpu), stop_gradient=False,
       [[[[2., 2., 2., 2.],
          [2., 2., 2., 2.],
          [2., 2., 2., 2.]]],


        [[[2., 2., 2., 2.],
          [2., 2., 2., 2.],
          [2., 2., 2., 2.]]],


        [[[2., 2., 2., 2.],
          [2., 2., 2., 2.],
          [2., 2., 2., 2.]]]])
---------------------------------------------------------------------------------------
卷积核的输出结果:
[Tensor(shape=[2, 3, 2], dtype=float32, place=Place(cpu), stop_gradient=False,
       [[[15., 17.],
         [15., 17.],
         [15., 17.]],

        [[16., 20.],
         [16., 20.],
         [16., 20.]]]), Tensor(shape=[2, 3, 1], dtype=float32, place=Place(cpu), stop_gradient=False,
       [[[48.],
         [48.],
         [48.]],

        [[54.],
         [54.],
         [54.]]])]
---------------------------------------------------------------------------------------
最终输出结果:
Tensor(shape=[2, 6], dtype=float32, place=Place(cpu), stop_gradient=False,
       [[17., 17., 17., 48., 48., 48.],
        [20., 20., 20., 54., 54., 54.]])

3. GRUEncode

GRUEncode 其实就是使用 nn.GRU 对输入的 hidden states 计算每个 token 的表示向量。如果 pooling_type 为 None 则返回最后一个时间步的张量作为句子向量。如果 pooling_type 不为空，则其为 “sum”, “max” and “mean” 其中之一，此时就会根据所有时间步的输出，并计算 sum、mean、max 作为最终的输出向量。

示例代码：

from paddlenlp.seq2vec import GRUEncoder
# from paddlenlp.seq2vec import LSTMEncoder
# from paddlenlp.seq2vec import RNNEncoder
# from paddlenlp.seq2vec import TCNEncoder
import paddle


def test():

    B, N, D = 2, 3, 4
    inputs = paddle.randint(low=0, high=5, shape=[B, N, D]).astype(paddle.float32)
    print('测试输入数据:\n', inputs)

    encoder = GRUEncoder(input_size=D,
                         hidden_size=8,
                         direction='forward',
                         pooling_type='mean')
    outputs = encoder(inputs, sequence_length=paddle.to_tensor([3, 3]))
    print('最终输出结果:\n', outputs)


if __name__ == '__main__':
    test()

程序输出结果：

测试输入数据:
Tensor(shape=[2, 3, 4], dtype=float32, place=Place(cpu), stop_gradient=True,
       [[[4., 4., 0., 4.],
         [3., 3., 4., 1.],
         [3., 0., 2., 3.]],

        [[0., 4., 0., 4.],
         [2., 2., 0., 2.],
         [2., 4., 0., 2.]]])
最终输出结果:
Tensor(shape=[2, 8], dtype=float32, place=Place(cpu), stop_gradient=False,
       [[-0.22994323, -0.49282956, -0.48349500, -0.46896759, -0.31692216,
         -0.25488335, -0.51417428,  0.25784063],
        [ 0.11594519, -0.48312032, -0.25954613, -0.54152632, -0.39040449,
         -0.00999623, -0.72644186, -0.01175328]])

4. TCNEncoder

通过 TCN 网络对输入的多个 token 向量进行表征，使用最后一个 token 的表征作为句子的表征。它的参数有有：

  1. input_size 表示输入的 token 维度
  2. num_channels TCN 是一个多层的网络，每一层都是一个卷积层，该参数指定每层的 out_channels，即：输出的 token 维度，所以该参数是一个列表。最有一层的 out_channels 决定了最终输出的句子向量维度
  3. kernel_size=2 卷积核的大小
  4. dropout=0.2 随机丢弃率

示例代码：

from paddlenlp.seq2vec import TCNEncoder
import paddle


def test():

    B, N, D = 2, 3, 4
    inputs = paddle.randint(low=0, high=5, shape=[B, N, D]).astype(paddle.float32)
    print('测试输入数据:\n', inputs)

    # input_size: 输入数据 token 维度
    # num_channels: 每一层的 out_channels 数量，即: 该层输出 token 维度
    # kernel_size: 卷积核的大小
    encoder = TCNEncoder(input_size=4, num_channels=[3, 4], kernel_size=2)
    outputs = encoder(inputs)
    print('最终输出结果:\n', outputs.shape)
    print('最终输出结果:\n', outputs)


if __name__ == '__main__':
    test()

程序执行结果：

测试输入数据:
 Tensor(shape=[2, 3, 4], dtype=float32, place=Place(cpu), stop_gradient=True,
       [[[1., 3., 1., 3.],
         [0., 2., 2., 4.],
         [3., 4., 4., 3.]],

        [[0., 3., 3., 2.],
         [1., 2., 1., 0.],
         [0., 4., 0., 2.]]])
最终输出结果:
 [2, 4]
最终输出结果:
 Tensor(shape=[2, 4], dtype=float32, place=Place(cpu), stop_gradient=False,
       [[0.02269164, 0.40144998, 0.54353219, 0.23521927],
        [0.00095350, 0.        , 2.25108194, 2.18109298]])

未经允许不得转载：一亩三分地 » PaddleNLP Sequence 2 Vector
4 赞
评论 (0)

3 + 6 =

文章目录

©2024 一亩三分地 京ICP备2021009384号-1anbei 冀公网安备13050302001966号