【自然语言处理】RNN文本生成Python(纯Numpy)实现

前言

Github:代码下载
由于RNN具有记忆功能，之前文章有介绍RNN来实现二进制相加，并取得了比较好的效果。那这次本文使用RNN来进行古诗生成。

数据集

数据集就是我们的古诗了，每行都是一首古诗，并且以格式"题目：古诗"。

首先需要创建一个词典，词典可以是每个字的词频高的前6000字作为词典，然后用one-hot来表示词向量。

def getVocab(filename='poetry.txt'):
    with open(filename, encoding='utf-8') as f:
        lines = f.readlines()   #读取每一行
        wordFreqDict = dict()   #将每个词都进行词频计算,取词频高的前多少词用来做词典
        for line in lines:  #遍历每一行
            tokens = dict(nltk.FreqDist(list(line)))    #分词，并且计算词频
            wordFreqDict = dict(Counter(wordFreqDict) + Counter(tokens))    #把每个词的词频相加
        wordFreqTuple = sorted(wordFreqDict.items(), key = lambda x: x[1], reverse=True)    #按词频排序，逆排序
        fw = open('vocab.txt','w', encoding='utf-8')    #将词典的每个词（这里是每个字作为一个词）写入到文件
        vocab = wordFreqTuple[:6000]    #词典
        for word in vocab:
            fw.write(word[0] + '\n')

这个函数就是按词频的前6000个字做成词典，并写入到txt文件中，保存。

def loadData(filename = 'poetry.txt'):
    vocab = readVocab() #获取词典，词典是以['词', '典']这样存放的，类似这样
    word2Index = {word: index for index, word in enumerate(vocab)}  #将词典映射成{词:0, 典:1}，类似这样
    fr = open(filename, 'r', encoding='utf-8')  #读取文件，准备数据集
    lines = fr.readlines()  #所有行
    dataSet = list()    #数据集
    labels = list() #标签
    for line in lines:
        poetry = line.split(":")[1].rstrip()  #去除标题
        X = [word2Index.get(word, 0) for word in list(poetry)] #把对应的文字转成索引，形成向量
        y = X.copy()
        X.insert(0, 1)  #1代表是词典里的START，代表开始
        dataSet.append(X)
        y.append(2) #2代表是词典里的END
        labels.append(y)
    return dataSet, labels

这里读取每首古诗的诗，就是去掉标题的部分。比如"临洛水:春搜驰骏骨，总辔俯长河。霞处流萦锦，风前漾卷罗。水花翻照树，堤兰倒插波。岂必汾阴曲，秋云发棹歌。"，那只要"春搜驰骏骨，总辔俯长河。霞处流萦锦，风前漾卷罗。水花翻照树，堤兰倒插波。岂必汾阴曲，秋云发棹歌。"，并且转成索引列表，形成词向量[]，并且添加首位标志，那么这里可能会产生一个问题，这里的标签是从何而来？其实这里标签也是古诗，不过是词向量加上一个末尾标志。所以最终的数据集和标签集可能长这样。因为我们希望’春’能够通过RNN预测’搜’，‘搜’预测’驰’。
至此，有了数据集和标签，就可以来训练RNN了。

算法实现

    def __init__(self):
        self.wordDim = 6000
        wordDim = self.wordDim
        self.hiddenDim = 100
        hiddenDim = self.hiddenDim
        self.Wih = np.random.uniform(-np.sqrt(1. / wordDim), np.sqrt(1. / wordDim), (hiddenDim, wordDim))  #输入层到隐含层的权重矩阵(100, 6000)
        self.Whh = np.random.uniform(-np.sqrt(1. / self.hiddenDim), np.sqrt(1. / self.hiddenDim), (hiddenDim, hiddenDim))  #隐含层到隐含层的权重矩阵(100, 100)
        self.Why = np.random.uniform(-np.sqrt(1. / self.hiddenDim), np.sqrt(1. / self.hiddenDim), (wordDim, hiddenDim))  #隐含层到输出层的权重矩阵(10, 1)

最开始先初始化词典大小（维度），一集隐含层大小。

前向传播

这里先给出前向传播的公式：
$\begin{array}{l} z_t^h = {W_{ih}}x + {W_{hh}}a_{{\rm{t - 1}}}^h\\ a_t^h = \tanh \left( {z_t^h} \right)\\ z_t^k = {W_{hy}}a_t^h\\ a_t^k = {\mathop{\rm softmax}\nolimits} \left( {z_t^k} \right)\\ E =- \sum\limits_{t = 1}^N {{y_t}\log \left( {a_t^k} \right)} \end{array}$
相比上一节RNN来做二进制相加的公式来看，可以看到之前的2个sigmoid函数被改成tanh函数和softmax函数了。
同时损失函数改成了交叉熵。

    def forward(self, data):  #前向传播，原则上传入一个数据样本和标签
        T = len(data)
        output = np.zeros((T, self.wordDim, 1)) #输出
        hidden = np.zeros((T+1, self.hiddenDim, 1)) #隐层状态
        for t in range(T): #时间循环
            X = np.zeros((self.wordDim, 1)) #构建(6000,1)的向量
            X[data[t]][0] = 1   #将对应的值置为1，形成词向量
            Zh = np.dot(self.Wih, X) + np.dot(self.Whh, hidden[t-1])   #(100, 1)
            ah = np.tanh(Zh)   #(100, 1)，隐层值
            hidden[t] = ah
            Zk = np.dot(self.Why, ah)   #(6000,1)
            ak = self.softmax(Zk)   #(6000, 1)，输出值
            output[t] = ak #把index写进去
        return hidden, output

代码不难懂，跟公式是对应的。
反向传播

反向传播的公式：
$\begin{array}{l} \delta _t^k = \frac{{\partial E}}{{\partial {a^k}}}\frac{{\partial {a^k}}}{{\partial {z^k}}} = \left\{ \begin{array}{l} i = j,{a_j} - 1\\ i =\not j,{a_j} \end{array} \right.\\ \delta _T^h = \frac{{\partial E}}{{\partial a_T^k}}\frac{{\partial a_T^k}}{{\partial z_T^k}}\frac{{\partial z_T^k}}{{\partial a_{\rm{T}}^h}}\frac{{\partial a_T^h}}{{\partial z_{\rm{T}}^h}} = {\left( {{W_{hy}}} \right)^T}\delta _T^k \times {\rm{(}}1 - {\tanh ^2}\left( {a_t^h} \right))\\ {\delta _t^h = \frac{{\partial E}}{{\partial a_t^k}}\frac{{\partial a_t^k}}{{\partial z_t^k}}\frac{{\partial z_t^k}}{{\partial a_t^h}}\frac{{\partial a_t^h}}{{\partial z_t^h}} + \frac{{\partial E}}{{\partial a_{t + 1}^k}}\frac{{\partial a_{t + 1}^k}}{{\partial z_{t + 1}^k}}\frac{{\partial z_{t + 1}^k}}{{\partial a_{t{\rm{ + }}1}^h}}\frac{{\partial a_{t{\rm{ + }}1}^h}}{{\partial z_{t + 1}^h}}\frac{{\partial z_{t + 1}^h}}{{\partial a_t^h}}\frac{{\partial a_t^h}}{{\partial z_t^h}}}\\ {\rm{ }} = \left( {{{\left( {{W_{hh}}} \right)}^T}\delta _{t + 1}^h + {{\left( {{W_{hy}}} \right)}^T}\delta _t^k} \right)\frac{{\partial a_t^h}}{{\partial z_t^h}}\\ {\rm{ }} = \left( {{{\left( {{W_{hh}}} \right)}^T}\delta _{t + 1}^h + {{\left( {{W_{hy}}} \right)}^T}\delta _t^k} \right) \times \left( {1 - \tanh^{2} \left( {a_t^h} \right)} \right)\\ {W_{ih}} = {W_{ih}} - \eta \delta _t^h{\left( {{x_t}} \right)^T}\\ {W_{hh}} = {W_{hh}} - \eta \delta _t^h{\left( {a_{t - 1}^h} \right)^T}\\ {W_{hy}} = {W_{hy}} - \eta \delta _t^k{\left( {a_t^h} \right)^T} \end{array}$
这里主要是softmax求导可能会有问题，这里我推荐一个文章，写得很好。softmax求导

    def backPropagation(self, data, label, alpha = 0.002):  #反向传播
        hidden, output = self.forward(data)  #(N, 6000)
        T = len(output) #时间长度=词向量的长度
        deltaHPre = np.zeros((self.hiddenDim, 1))   #前一时刻的隐含层偏导
        WihUpdata = np.zeros(self.Wih.shape)    #权重更新值
        WhhUpdata = np.zeros(self.Whh.shape)
        WhyUpdata = np.zeros(self.Why.shape)
        for t in range(T-1, -1, -1):
            X = np.zeros((self.wordDim, 1))  # (6000,1)
            X[data[t]][0] = 1   #构建出词向量
            output[t][label[t]][0] -= 1 #求导后，输出结点的误差跟output只差在i=j时需要把值减去1
            deltaK = output[t].copy()   #输出结点的误差
            deltaH = np.multiply(np.add(np.dot(self.Whh.T, deltaHPre),np.dot(self.Why.T, deltaK)), (1 - (hidden[t] ** 2)))  #隐含层结点误差
            deltaHPre=deltaH.copy()
            WihUpdata += np.dot(deltaH, X.T)
            WhhUpdata += np.dot(deltaH, hidden[t-1].T)
            WhyUpdata += np.dot(deltaK, hidden[t].T)
        self.Wih -= alpha * WihUpdata
        self.Whh -= alpha * WhhUpdata
        self.Why -= alpha * WhyUpdata

最后就是训练了。

    def train(self,dataSet, labels):    #训练
        N = len(dataSet)
        for i in range(N):
            if (i % 100 == 0 and i >= 100):
                self.calcEAll(dataSet[i-100:i], labels[i-100:i])
            self.backPropagation(dataSet[i], labels[i])
        pass

到这里，RNN的核心部分就是如此，这时可以利用RNN来进行文本生成了。