This repository has been archived by the owner on Oct 19, 2020. It is now read-only.
-
Notifications
You must be signed in to change notification settings - Fork 1
/
char_predictor.py
128 lines (101 loc) · 5.66 KB
/
char_predictor.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
# -*- coding: utf-8 -*-
"""
Код для тренировки модели, которая генерирует продолжение символьной цепочки.
Модель тренируется на большом корпусе текстов. Данные натренированной модели
сохраняются в файла и затем могут быть использованы для генерации вводимых символьных
цепочек - см. char_generator.py
"""
from __future__ import print_function
from os import getenv
import sys
import collections
import codecs
import os
from keras.models import Sequential
from keras.layers.core import Activation, RepeatVector, Dense, Masking
from keras.layers.wrappers import TimeDistributed
import keras.callbacks
from keras.layers import recurrent
from keras.callbacks import ModelCheckpoint, EarlyStopping
import numpy as np
import itertools
import pickle
from Alphabet import Alphabet
class CharLevelTrainer(object):
def __init__(self):
self.sentinel_char = u'\b'
self.seq_len = 64
def build_model(self):
assert self.seq_len>1
assert len(self.alphabet.alphabet)>0
bits_per_char = self.alphabet.nb_chars
rnn_size = bits_per_char
model = Sequential()
model.add( Masking( mask_value=0, input_shape=(self.seq_len, bits_per_char), name='input_layer' ) )
model.add( recurrent.LSTM( rnn_size, input_shape=(self.seq_len, bits_per_char), return_sequences=False ) )
model.add( Dense( units=rnn_size, activation='sigmoid') )
model.add( Dense( units=bits_per_char, activation='softmax', name='output_layer') )
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])
return model
def generate_rows(self, corpus_path, batch_size, for_validation):
bits_per_char = self.alphabet.nb_chars
X_batch = np.zeros( (batch_size, self.seq_len, bits_per_char), dtype=np.bool )
y_batch = np.zeros( (batch_size, bits_per_char), dtype=np.bool )
with codecs.open(corpus_path, 'r', 'utf-8') as rdr:
lines_count = 0
required_remainder = 1 if for_validation else 0
batch_index = 0
for line in rdr:
lines_count += 1
if (lines_count%2)==required_remainder:
l = len(line)
for right_pos in range(1, l):
x_chars = line[max(0, right_pos-self.seq_len) : right_pos]
y_char = line[right_pos]
for i,x in enumerate(x_chars):
if x in self.alphabet.char2index:
X_batch[batch_index, i, self.alphabet.char2index[x]] = True
if y_char in self.alphabet.char2index:
y_batch[batch_index, self.alphabet.char2index[y_char]] = True
batch_index += 1
if batch_index==batch_size:
yield ({'input_layer_input': X_batch}, {'output_layer': y_batch})
# очищаем матрицы порции для новой порции
X_batch.fill(0)
y_batch.fill(0)
batch_index = 0
def fit(self, corpus_pass, model_folder):
# Заранее построим список всех возможных символов - алфавит.
# Для этого проанализируем достаточно большой кусок тренировочного корпуса
# с надеждой на то, что появление нового символа за пределами этого куска - маловероятно.
self.alphabet = Alphabet()
self.alphabet.fit(corpus_path)
print('{} chars'.format(self.alphabet.nb_chars))
self.model = self.build_model()
with open(os.path.join(model_folder,'char_predictor_alphabet.pkl'),'w') as f:
pickle.dump( self.alphabet, f )
with open(os.path.join(model_folder,'char_predictor.arch'),'w') as f:
f.write(self.model.to_json())
weights_filename = os.path.join(model_folder, 'char_predictor.model' )
print('Train...')
# Генерируем батчи из обучающего набора.
# Перед каждой эпохой тасуем обучающие N-граммы.
nb_patterns = 100000
batch_size = 200
model_checkpoint = ModelCheckpoint(weights_filename, monitor='val_acc', verbose=1,
save_best_only=True, mode='auto')
early_stopping = EarlyStopping(monitor='val_acc', patience=5, verbose=1, mode='auto')
self.model.fit_generator(generator=self.generate_rows(corpus_path, batch_size, for_validation=False),
steps_per_epoch=nb_patterns // batch_size,
epochs=100,
verbose=1,
callbacks=[model_checkpoint, early_stopping],
validation_data=self.generate_rows(corpus_path, batch_size, for_validation=True),
validation_steps=nb_patterns // batch_size)
return
# Путь к корпусу с текстами, на которых будет обучаться модель.
corpus_path = r'f:\Corpus\Raw\ru\text_blocks.txt'
#corpus_path = r'/home/eek/Corpus/Raw/ru/text_blocks.txt'
model_folder = '../tmp'
char_model = CharLevelTrainer()
char_model.fit(corpus_path, model_folder)