この記事では,Pytorchで作ったseq2seq型の翻訳モデルを使って,ビームサーチによるデコーディングをします.
OpenNMTやfairseqを使えば簡単に利用できるのですが,ビームサーチのためだけにこのようなフレームワークを使うのはちょっとなぁ,ということと,ビームサーチ自体はDNNに限らず様々な場面で役に立つ手法なので,この際ピュアに実装してみた,というのがこの記事です.
ちなみに一般的なseq2seqのデコードは,各タイムステップで予測したtop-1の単語を,次ステップのデコーダーの入力に使います.
ビームサーチでは,このようなgreedyな条件を緩め,上位K個の予測を使って,デコードしていきます.ビームサーチをよく知らんという方は,Andrew Ngの神説明が参考になると思います.
C5W3L08 Attention Model, Andrew Ng.
できたもの
- seq2seq (rnn) w/wo attentionの翻訳器のビームサーチによるデコーダー
バッチを分解して1文ずつデコードするbeam_search_decoding
と(できるだけ)バッチ処理するbatch_beam_search_decoding
があります.出力は同じなので基本的に高速な後者を使うべきですが,理解のため最初の関数を書きました.
※今回始めてビームサーチを書いたのでまだまだイケてないところや変な箇所が多いと思うのでこのリポジトリは修正していく予定です.この記事では,コミット4cb1187760f3a9e7
をベースに記事を書きます.
※バグや誤っているところ等,少なからずあると思うのでバグレポートしていただけると嬉しいです.
動かし方はGithubのREADMEを見てください.ビームサーチは推論時(テスト時)に動作するようになっています.
github.com
解説
ここからは興味ある方へ,実装したビームサーチ部分を解説します.もっと良い方法あるかなぁと思いつつ,今回はこの方法で書きました.
beam_search_decoding (1文ずつデコード)
ビームサーチの実装は,下記の方の実装を参考にしました.OpenNMTの実装などもあるのですが,まずはシンプルな方法で実装している方を参考にしました.
この実装は,1文ずつデコードしているため実装がシンプルです(遅いけど).また各ステップでデコードするときに,どの出力をデコードするか,を選ぶ必要があるのですが,この実装ではヒープ(heapq)を利用しています.
各デコードの結果はBeamSearchNode
という構造体にしているのですが,その状態に至ったときのスコア(対数確率の和)を負にしたものとあわせてヒープに登録しておけば,このヒープから取り出されるノードは,現状で最もスコアが高いノードになります.なのでデコード時は,このヒープからpopしていくだけで良いので高速(O(1))で楽ですね.一方でどんどんヒープにノードが追加されるのに対して,枝刈りによるメモリ解放は行わないため,メモリ効率は良くないです.
ちなみに上位K個(K: ビームサイズ)の結果の取得は,pytorchであればtorch.topk
関数で簡単に,値とその引数を取得できるので便利です.
github.com
def beam_search_decoding(decoder,
enc_outs,
enc_last_h,
beam_width,
n_best,
sos_token,
eos_token,
max_dec_steps,
device):
"""Beam Seach Decoding for RNN
Args:
decoder: An RNN decoder model
enc_outs: A sequence of encoded input. (T, bs, 2H). 2H for bidirectional
enc_last_h: (bs, H)
beam_width: Beam search width
n_best: The number of output sequences for each input
Returns:
n_best_list: Decoded N-best results. (bs, T)
"""
assert beam_width >= n_best
n_best_list = []
bs = enc_outs.shape[1]
for batch_id in range(bs):
decoder_hidden = enc_last_h[batch_id]
enc_out = enc_outs[:, batch_id].unsqueeze(1)
decoder_input = torch.tensor([sos_token]).long().to(device)
end_nodes = []
node = BeamSearchNode(h=decoder_hidden, prev_node=None, wid=decoder_input, logp=0, length=1)
nodes = []
heappush(nodes, (-node.eval(), id(node), node))
n_dec_steps = 0
while True:
if n_dec_steps > max_dec_steps:
break
score, _, n = heappop(nodes)
decoder_input = n.wid
decoder_hidden = n.h
if n.wid.item() == eos_token and n.prev_node is not None:
end_nodes.append((score, id(n), n))
if len(end_nodes) >= n_best:
break
else:
continue
decoder_output, decoder_hidden = decoder(decoder_input, decoder_hidden.unsqueeze(0), enc_out)
topk_log_prob, topk_indexes = torch.topk(decoder_output, beam_width)
for new_k in range(beam_width):
decoded_t = topk_indexes[0][new_k].view(1)
logp = topk_log_prob[0][new_k].item()
node = BeamSearchNode(h=decoder_hidden.squeeze(0),
prev_node=n,
wid=decoded_t,
logp=n.logp+logp,
length=n.length+1)
heappush(nodes, (-node.eval(), id(node), node))
n_dec_steps += beam_width
if len(end_nodes) == 0:
end_nodes = [heappop(nodes) for _ in range(beam_width)]
n_best_seq_list = []
for score, _id, n in sorted(end_nodes, key=lambda x: x[0]):
sequence = [n.wid.item()]
while n.prev_node is not None:
n = n.prev_node
sequence.append(n.wid.item())
sequence = sequence[::-1]
n_best_seq_list.append(sequence)
n_best_list.append(n_best_seq_list)
return n_best_list
batch_beam_search_decoding (バッチデコード)
次に上記コードをGPUの恩恵を受けれるように,バッチ状態のまま解けるようにしたいと思います.ただここの方法は自明でなく,正直良くわからなかったです.
というのも今回の実装では,各文でのビームサーチによる探索グラフ(ヒープ)は異なってきますし,探索終了タイミングもそれぞれ異なってきます.
そのため私のコードでは,バッチ化できたのはRNN デコーダーに実際に投げるところです.このRNNデコーダーに投げるデータを作るため,バッチサイズ分のforループを回し,バッチデータを作っているのでこの部分は結局遅いです.また,デコードステップを回していく上で,探索を終了した文が発生しますが,データのshapeは維持されていたほうが使いやすいため,探索が終了した事例もひたすら再利用されているのが残念なところ.
def batch_beam_search_decoding(decoder,
enc_outs,
enc_last_h,
beam_width,
n_best,
sos_token,
eos_token,
max_dec_steps,
device):
"""Batch Beam Seach Decoding for RNN
Args:
decoder: An RNN decoder model
enc_outs: A sequence of encoded input. (T, bs, 2H). 2H for bidirectional
enc_last_h: (bs, H)
beam_width: Beam search width
n_best: The number of output sequences for each input
Returns:
n_best_list: Decoded N-best results. (bs, T)
"""
assert beam_width >= n_best
n_best_list = []
bs = enc_last_h.shape[0]
decoder_hidden = enc_last_h
decoder_input = torch.tensor([sos_token]).repeat(1, bs).long().to(device)
end_nodes_list = [[] for _ in range(bs)]
nodes = [[] for _ in range(bs)]
for bid in range(bs):
node = BeamSearchNode(h=decoder_hidden[bid], prev_node=None, wid=decoder_input[:, bid], logp=0, length=1)
heappush(nodes[bid], (-node.eval(), id(node), node))
fin_nodes = set()
history = [None for _ in range(bs)]
n_dec_steps_list = [0 for _ in range(bs)]
while len(fin_nodes) < bs:
decoder_input, decoder_hidden = [], []
for bid in range(bs):
if bid not in fin_nodes and n_dec_steps_list[bid] > max_dec_steps:
fin_nodes.add(bid)
if bid in fin_nodes:
score, n = history[bid]
else:
score, _, n = heappop(nodes[bid])
if n.wid.item() == eos_token and n.prev_node is not None:
end_nodes_list[bid].append((score, id(n), n))
if len(end_nodes_list[bid]) >= n_best:
fin_nodes.add(bid)
history[bid] = (score, n)
decoder_input.append(n.wid)
decoder_hidden.append(n.h)
decoder_input = torch.cat(decoder_input).to(device)
decoder_hidden = torch.stack(decoder_hidden, 0).to(device)
decoder_output, decoder_hidden = decoder(decoder_input, decoder_hidden, enc_outs)
topk_log_prob, topk_indexes = torch.topk(decoder_output, beam_width)
for bid in range(bs):
if bid in fin_nodes:
continue
score, n = history[bid]
if n.wid.item() == eos_token and n.prev_node is not None:
continue
for new_k in range(beam_width):
decoded_t = topk_indexes[bid][new_k].view(1)
logp = topk_log_prob[bid][new_k].item()
node = BeamSearchNode(h=decoder_hidden[bid],
prev_node=n,
wid=decoded_t,
logp=n.logp+logp,
length=n.length+1)
heappush(nodes[bid], (-node.eval(), id(node), node))
n_dec_steps_list[bid] += beam_width
for bid in range(bs):
if len(end_nodes_list[bid]) == 0:
end_nodes_list[bid] = [heappop(nodes[bid]) for _ in range(beam_width)]
n_best_seq_list = []
for score, _id, n in sorted(end_nodes_list[bid], key=lambda x: x[0]):
sequence = [n.wid.item()]
while n.prev_node is not None:
n = n.prev_node
sequence.append(n.wid.item())
sequence = sequence[::-1]
n_best_seq_list.append(sequence)
n_best_list.append(copy.copy(n_best_seq_list))
return n_best_list
速度比較
バッチ版のビームサーチは実装がかなり汚いですが,実行速度はどの程度恩恵があるか調べてみました.バッチ数は128でビーム幅は10です.
非バッチ版の実装と比べて,翻訳結果は変わらないが,速度としては2,3倍早くなっているのがわかります(バッチサイズとビームサイズで変わりますが).
それでもまだ結構遅いなという印象ですが,まぁまぁ最初はこんなものでしょうと自分に言い訳します.
% python run.py --attention --skip_train --model_path ./ckpts/s2s-attn.pt
Number of training examples: 29000
Number of validation examples: 1014
Number of testing examples: 1000
Unique tokens in source (de) vocabulary: 7855
Unique tokens in target (en) vocabulary: 5893
In: <SOS> . schnee den über laufen hunde mittelgroße zwei <EOS>
for loop beam search time: 8.718
Out: Rank-1: <SOS> two medium brown dogs run across the snow . the snow . <EOS>
Out: Rank-2: <SOS> two medium brown dogs run across the snow . <EOS>
Out: Rank-3: <SOS> two medium brown dogs run across the snow . the snow . . <EOS>
Out: Rank-4: <SOS> two medium brown dogs run across the snow . . <EOS>
Out: Rank-5: <SOS> two medium brown dogs run across the snow . snow . <EOS>
Batch beam search time: 2.994
Out: Rank-1: <SOS> two medium brown dogs run across the snow . the snow . <EOS>
Out: Rank-2: <SOS> two medium brown dogs run across the snow . <EOS>
Out: Rank-3: <SOS> two medium brown dogs run across the snow . the snow . . <EOS>
Out: Rank-4: <SOS> two medium brown dogs run across the snow . . <EOS>
Out: Rank-5: <SOS> two medium brown dogs run across the snow . snow . <EOS>
In: <SOS> . <unk> mit tüten gehsteig einem auf verkauft frau eine <EOS>
for loop beam search time: 9.654
Out: Rank-1: <SOS> a woman is selling on her
Out: Rank-2: <SOS> a woman woman selling a
Out: Rank-3: <SOS> a woman is her selling
Out: Rank-4: <SOS> a woman is selling vegetables on a sidewalk
Out: Rank-5: <SOS> a woman woman selling rice
Out: Rank-6: <SOS> a woman is selling her on
Out: Rank-7: <SOS> a woman is selling watermelon on a
Out: Rank-8: <SOS> a woman is selling on the
Out: Rank-9: <SOS> a woman is sells selling
Out: Rank-10: <SOS> a woman selling selling on
Batch beam search time: 3.256
Out: Rank-1: <SOS> a woman is selling on her
Out: Rank-2: <SOS> a woman woman selling a
Out: Rank-3: <SOS> a woman is her selling
Out: Rank-4: <SOS> a woman is selling vegetables on a sidewalk
Out: Rank-5: <SOS> a woman woman selling rice
Out: Rank-6: <SOS> a woman is selling her on
Out: Rank-7: <SOS> a woman is selling watermelon on a
Out: Rank-8: <SOS> a woman is selling on the
Out: Rank-9: <SOS> a woman is sells selling
Out: Rank-10: <SOS> a woman selling selling on
まとめ
今回ビームサーチを生実装してみました.ヒープによる実装で楽をしましたが,何となく動作イメージは掴めてきました.スコアの正規化や効率的なバッチデコーディングにより改善点はまだまだありそうですが,今回はこんなところで.詳しい方はアドバイス求む!