酷播亮新聞
本文為 AI 研習社編譯的技術博客，原標題 Complete code examples for Machine Translation with Attention, Image Captioning, Text Generation, and DCGAN implemented with tf.keras and eager execution，作者為 Yash Katariyae（開發者項目工程師實習生）。
翻譯 | 老趙 整理 | 凡江
我總是發現生成和序列模型令人著迷：他們提出的問題與我們剛開始學習機器學習時常遇到的問題不同。當我第一次開始學習ML時，我學了分類和回歸（和大多數人一樣）。這些幫助我們提出並回答以下問題：
這是貓還是狗的照片？ （分類）
明天會下雨的幾率是多少？ （回歸）
掌握分類和回歸是非常有用的技能，並且這些領域的應用對現實問題幾乎沒有限制。但是，我們可能會問其他不同類型的問題。
我們能生成一首詩嗎？ （文字生成）
我們可以生成一張貓的照片嗎？ （GANs）
我們可以將句子從一種語言翻譯成另一種語言嗎？ （NMT）
我們可以描述圖像內容嗎？ （圖像注釋）
在暑期實習期間，我使用TensorFlow的兩個最新API開發了這些示例：tf.keras，以及eager function，我在下面分享了它們。我希望你發現它們有用，有趣。
eager function是一個逐步運行的界面，其中操作在從Python調用時即刻執行。這使得TensorFlow上手容易，並且可以是研究和開發更加直觀。
tf.keras是一個定義模型的高級API，就像積木建造的樂高一樣。我使用模型子類化實現了這些示例，它允許通過子類化tf.keras.Model並定義自己的前向傳遞來製作完全可自定義的模型。 當啟用eager function時，模型子類化特別有用，因為可以強制寫入前向傳遞。
如果你對這些APIs不了解，你可以通過探索tensorflow.org/tutorials（http://tensorflow.org/tutorials）上的序列來了解更多信息，其中包含最近更新的示例。
以下每個示例都是端到端的，並遵循類似的模式：
自動下載訓練數據集。
預處理訓練數據，並創建tf.data數據集以在輸入管道中使用。
使用tf.keras模型子類API定義模型。
使用eager function訓練模型。
演示如何使用訓練模型。
示例 1：文本生成
我們的第一個例子（https://colab.research.google.com/github/tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/python/examples/generative_examples/text_generation.ipynb）是文本生成，我們使用RNN生成與莎士比亞類似的文本。您可以使用上面的鏈接在Colaboratory上運行它（或者您也可以從GitHub下載它作為Jupyter筆記本）。代碼在筆記本中詳細解釋。
基於莎士比亞的大量作品，這個例子學會了生成聽起來和風格相似的文字：
在訓練莎士比亞寫作集合的30個時期的後，筆記本生成了示例文本。
雖然大多數句子沒有意義（當然，這個簡單的模型還沒有學會語言的意義），令人印象深刻的是大多數單詞是有效的，並且它生成出的戲劇的結構看起來類似於來自原文的那些。 （這是一個基於角色的模型，在訓練的短時間內 – 它已經成功地從頭開始學習這兩件事）。如果您願意，可以通過更改單行代碼來更改數據集。
了解更多關於RNN的最好方法是Andrej Karpathy的文章，即The Unreasonable Effectiveness of Recurrent Neural Networks。如果您想了解更多關於使用Keras或tf.keras實現RNN的信息，我們推薦由Francois Chollet提供的筆記。
示例 2：DCGAN
在這個例子（https://colab.research.google.com/github/tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/python/examples/generative_examples/dcgan.ipynb）中，我們使用DCGAN生成手寫數字。生成式對抗網路（GAN）由生成器和鑒別器組成。生成器的工作是創建令人信服的圖像以欺騙鑒別器。鑒別器的工作是在真實圖像和偽圖像（由生成器創建）之間進行分類。下面看到的輸出是在使用 Unsupervised Representing Learning with Deep Convolutional Generative Adversarial Networks。
這篇文章所述的體系結構和超參數訓練150個曆元的生成器和鑒別器之後生成的。
示例 3：注意力的神經機器翻譯
這個例子（https://colab.sandbox.google.com/github/tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/python/examples/nmt_with_attention/nmt_with_attention.ipynb）訓練模型將西班牙語句子翻譯成英語句子。訓練模型後，您將能夠輸入西班牙語句子，例如「?todavia estan en casa？」，並返回英文翻譯：「你還在家嗎？」
您在下面看到的圖像是注意力圖。它顯示了輸入句子的哪些部分在翻譯時具有模型的注意力。例如，當模型翻譯「cold」這個詞時，它看著「mucho」，「frio」，「aqui」。我們使用tf.keras和eager function從頭開始實現Neural Machine Translation by Jointly Learning to Align and Translate這篇文章中的例子，詳細解釋在筆記中。您還可以將此實現用作完成自己的自定義模型的基礎。
示例 4：注意圖像標題
在此示例（https://colab.sandbox.google.com/github/tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/python/examples/generative_examples/image_captioning_with_attention.ipynb）中，我們訓練模型以預測圖像的注釋。 我們還生成了一個注意力圖，它顯示了模型在生成標題時所關注的圖像部分。 例如，當模型預測單詞「surfboard」時，模型會聚焦在圖像中的衝浪板附近。 使用MS-COCO數據集的子集訓練該模型，該數據集可自動下載。
下一步
要了解有關tf.keras和eager的更多信息，請密切關注tensorflow.org/tutorials（http://tensorflow.org/tutorials）以獲取更新內容，並定期查看此博客和TensorFlow的推特供稿。 謝謝閱讀！
致謝
非常感謝Josh Gordon，Mark Daoust，Alexandre Passos，Asim Shankar，Billy Lamberta，Daniel”Wolff”Dobson和Francois Chollet的貢獻和幫助！
https://medium.com/tensorflow/complete-code-examples-for-machine-translation-with-attention-image-captioning-text-generation-51663d07a63d
