570 lines
23 KiB
Plaintext
570 lines
23 KiB
Plaintext
{
|
||
"cells": [
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "NXTSugt6ieXh"
|
||
},
|
||
"source": [
|
||
"## បណ្តុះបណ្តាលម៉ូដែល CBoW\n",
|
||
"\n",
|
||
"សៀវភៅកំណត់ត្រានេះជាផ្នែកមួយនៃ [ការបណ្តុះបណ្តាល AI សម្រាប់អ្នកចាប់ផ្តើម](http://aka.ms/ai-beginners)\n",
|
||
"\n",
|
||
"ក្នុងឧទាហរណ៍នេះ យើងនឹងមើលការបណ្តុះបណ្តាលម៉ូដែលភាសា CBoW ដើម្បីទទួលបានកន្លែងបញ្ចូល Word2Vec ផ្ទាល់ខ្លួនរបស់យើង។ យើងនឹងប្រើទិន្នន័យ AG News ជាគម្របខ្ទង់អត្ថបទ។\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"source": [
|
||
"import torch\n",
|
||
"import torchtext\n",
|
||
"import os\n",
|
||
"import collections\n",
|
||
"import builtins\n",
|
||
"import random\n",
|
||
"import numpy as np"
|
||
],
|
||
"metadata": {
|
||
"id": "q-UiiJUKaxHj"
|
||
},
|
||
"execution_count": null,
|
||
"outputs": []
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"source": [
|
||
"device = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")"
|
||
],
|
||
"metadata": {
|
||
"id": "TFbR8CZaTZ1q"
|
||
},
|
||
"execution_count": null,
|
||
"outputs": []
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"source": [
|
||
"ដំបូងតែងយកសំណុំទិន្នន័យរបស់យើង ហើយកំណត់ tokenizer និងវាក្យសព្ទ។ យើងនឹងកំណត់ `vocab_size` ទៅ ៥០០០ ដើម្បីកំណត់ការគណនាបន្តិច។\n"
|
||
],
|
||
"metadata": {
|
||
"id": "HIwC7lI5T-ov"
|
||
}
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"source": [
|
||
"def load_dataset(ngrams = 1, min_freq = 1, vocab_size = 5000 , lines_cnt = 500):\n",
|
||
" tokenizer = torchtext.data.utils.get_tokenizer('basic_english')\n",
|
||
" print(\"Loading dataset...\")\n",
|
||
" test_dataset, train_dataset = torchtext.datasets.AG_NEWS(root='./data')\n",
|
||
" train_dataset = list(train_dataset)\n",
|
||
" test_dataset = list(test_dataset)\n",
|
||
" classes = ['World', 'Sports', 'Business', 'Sci/Tech']\n",
|
||
" print('Building vocab...')\n",
|
||
" counter = collections.Counter()\n",
|
||
" for i, (_, line) in enumerate(train_dataset):\n",
|
||
" counter.update(torchtext.data.utils.ngrams_iterator(tokenizer(line),ngrams=ngrams))\n",
|
||
" if i == lines_cnt:\n",
|
||
" break\n",
|
||
" vocab = torchtext.vocab.Vocab(collections.Counter(dict(counter.most_common(vocab_size))), min_freq=min_freq)\n",
|
||
" return train_dataset, test_dataset, classes, vocab, tokenizer"
|
||
],
|
||
"metadata": {
|
||
"id": "wdZuygtgiuLG"
|
||
},
|
||
"execution_count": null,
|
||
"outputs": []
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"source": [
|
||
"train_dataset, test_dataset, _, vocab, tokenizer = load_dataset()"
|
||
],
|
||
"metadata": {
|
||
"colab": {
|
||
"base_uri": "https://localhost:8080/"
|
||
},
|
||
"id": "4d1nU1gsivGu",
|
||
"outputId": "949fe272-ae0e-49f5-c373-6703458b3a74"
|
||
},
|
||
"execution_count": null,
|
||
"outputs": [
|
||
{
|
||
"output_type": "stream",
|
||
"name": "stdout",
|
||
"text": [
|
||
"Loading dataset...\n",
|
||
"Building vocab...\n"
|
||
]
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"source": [
|
||
"def encode(x, vocabulary, tokenizer = tokenizer):\n",
|
||
" return [vocabulary[s] for s in tokenizer(x)]"
|
||
],
|
||
"metadata": {
|
||
"id": "1XDYNhG8ToFV"
|
||
},
|
||
"execution_count": null,
|
||
"outputs": []
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "LIlQk6_PaHVY"
|
||
},
|
||
"source": [
|
||
"## ម៉ូដែល CBoW\n",
|
||
"\n",
|
||
"CBoW រៀនទាយពាក្យមួយ dựa trênពាក្យជាប់ជាង $2N$ ។ ឧទាហរណ៍ បើ $N=1$ យើងនឹងទទួលបានគូដូចខាងក្រោមពីប្រយោគ *I like to train networks*: (like,I), (I, like), (to, like), (like,to), (train,to), (to, train), (networks, train), (train,networks)។ នៅទីនេះ ពាក្យដំបូងគឺពាក្យជាប់ដែលប្រើជាការបញ្ចូល ហើយពាក្យទីពីរជាពាក្យដែលយើងកំពុងទាយ។\n",
|
||
"\n",
|
||
"ដើម្បីសង់បណ្តាញដើម្បីទាយពាក្យបន្ទាប់ យើងត្រូវផ្គត់ផ្គង់ពាក្យជាប់ជាការបញ្ចូល ហើយទទួលបានលេខពាក្យជាលទ្ធផល។ រចនាសម្ព័ន្ធនៃបណ្តាញ CBoW មានដូចខាងក្រោម៖\n",
|
||
"\n",
|
||
"* ពាក្យបញ្ចូលត្រូវបានបញ្ចូនតាមស្រទាប់អំបិល។ ស្រទាប់អំបិលនេះជាស្រទាប់ embedding Word2Vec របស់យើង ដូច្នេះយើងនឹងកំណត់វាផ្ទាល់ជាអថេរ `embedder`។ យើងនឹងប្រើទំហំ embedding = 30 ក្នុងឧទាហរណ៍នេះ ទោះបីជាអ្នកអាចចង់សាកល្បងមិនលើសនេះ (word2vec ផ្ទាល់មួយមាន 300)\n",
|
||
"* វិទិក embedding នឹងត្រូវបញ្ចូនទៅស្រទាប់តែមួយដែលនឹងទាយពាក្យលទ្ធផល។ ដូច្នេះវាមានម៉េជ័រ `vocab_size`។\n",
|
||
"\n",
|
||
"សម្រាប់លទ្ធផល ប្រសិនបើយើងប្រើ `CrossEntropyLoss` ជាអនុគមន៍ខាត ត្រូវផ្គត់ផ្គង់តែលេខពាក្យជាលទ្ធផលដែលរំពឹងទុក ដោយគ្មានការអ៊ិនកូដ one-hot។\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"source": [
|
||
"vocab_size = len(vocab)\n",
|
||
"\n",
|
||
"embedder = torch.nn.Embedding(num_embeddings = vocab_size, embedding_dim = 30)\n",
|
||
"model = torch.nn.Sequential(\n",
|
||
" embedder,\n",
|
||
" torch.nn.Linear(in_features = 30, out_features = vocab_size),\n",
|
||
")\n",
|
||
"\n",
|
||
"print(model)"
|
||
],
|
||
"metadata": {
|
||
"colab": {
|
||
"base_uri": "https://localhost:8080/"
|
||
},
|
||
"id": "akKTcKQKkfl2",
|
||
"outputId": "da687e3e-a8ec-4c1a-e456-ab8cd6ac7dad"
|
||
},
|
||
"execution_count": null,
|
||
"outputs": [
|
||
{
|
||
"output_type": "stream",
|
||
"name": "stdout",
|
||
"text": [
|
||
"Sequential(\n",
|
||
" (0): Embedding(5002, 30)\n",
|
||
" (1): Linear(in_features=30, out_features=5002, bias=True)\n",
|
||
")\n"
|
||
]
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "Nud6jgGPaHVa"
|
||
},
|
||
"source": [
|
||
"## ការរៀបចំទិន្នន័យបណ្តុះបណ្តាល\n",
|
||
"\n",
|
||
"ឥឡូវនេះមកកត់កម្មមុខងារផ្លូវការដែលនឹងគណនាជួរពាក្យ CBoW ពីអត្ថបទ។ មុខងារនេះនឹងអនុញ្ញាតឱ្យយើងបញ្ជាក់ទំហំបង្អួច និងនឹងត្រឡប់មកជូនសំណុំជួរ - ពាក្យបញ្ចូល និងពាក្យផលបញ្ចេញ។ សូមចំណាំថា មុខងារនេះអាចប្រើប្រាស់លើពាក្យ ហើយក៏អាចប្រើលើវ៉ិចទ័រ/តិនស័រ ដែលនឹងអនុញ្ញាតឲ្យយើង encode អត្ថបទ មុននឹងផ្ញើវាទៅមុខងារ `to_cbow` ។\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {
|
||
"colab": {
|
||
"base_uri": "https://localhost:8080/"
|
||
},
|
||
"id": "x-dsXygOieXn",
|
||
"outputId": "c2218280-e540-40ba-9546-efe48d0d714f"
|
||
},
|
||
"outputs": [
|
||
{
|
||
"output_type": "stream",
|
||
"name": "stdout",
|
||
"text": [
|
||
"[['like', 'I'], ['to', 'I'], ['I', 'like'], ['to', 'like'], ['train', 'like'], ['I', 'to'], ['like', 'to'], ['train', 'to'], ['networks', 'to'], ['like', 'train'], ['to', 'train'], ['networks', 'train'], ['to', 'networks'], ['train', 'networks']]\n",
|
||
"[[232, 172], [5, 172], [172, 232], [5, 232], [0, 232], [172, 5], [232, 5], [0, 5], [1202, 5], [232, 0], [5, 0], [1202, 0], [5, 1202], [0, 1202]]\n"
|
||
]
|
||
}
|
||
],
|
||
"source": [
|
||
"def to_cbow(sent,window_size=2):\n",
|
||
" res = []\n",
|
||
" for i,x in enumerate(sent):\n",
|
||
" for j in range(max(0,i-window_size),min(i+window_size+1,len(sent))):\n",
|
||
" if i!=j:\n",
|
||
" res.append([sent[j],x])\n",
|
||
" return res\n",
|
||
"\n",
|
||
"print(to_cbow(['I','like','to','train','networks']))\n",
|
||
"print(to_cbow(encode('I like to train networks', vocab)))"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "XVaaDLjaaHVb"
|
||
},
|
||
"source": [
|
||
"មកត្រៀមប្រមូលទិន្នន័យសម្រាប់បណ្តុះបណ្តាល។ យើងនឹងឆ្លងកាត់ព្រឹត្តិការណ៍ទាំងអស់ ហៅ `to_cbow` ដើម្បីទទួលបានបញ្ជីគូពាក្យ និងបន្ថែមគូទាំងនោះទៅ `X` និង `Y`។ ដើម្បីកាន់តែប្រសើរប្រើពេលវេលា យើងនឹងគិតត្រឹមតែព័ត៌មាន ១០,០០០ ឯកសារដំបូងប៉ុណ្ណោះ - អ្នកអាចលះបង់ការកំណត់នេះបានយ៉ាងងាយស្រួល ប្រសិនបើអ្នកមានពេលវេលាច្រើន ហើយចង់ទទួលបានការបញ្ចូលពាក្យល្អជាងនេះ :)\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {
|
||
"id": "54b-Gd9TieXo"
|
||
},
|
||
"outputs": [],
|
||
"source": [
|
||
"X = []\n",
|
||
"Y = []\n",
|
||
"for i, x in zip(range(10000), train_dataset):\n",
|
||
" for w1, w2 in to_cbow(encode(x[1], vocab), window_size = 5):\n",
|
||
" X.append(w1)\n",
|
||
" Y.append(w2)\n",
|
||
"\n",
|
||
"X = torch.tensor(X)\n",
|
||
"Y = torch.tensor(Y)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"source": [
|
||
"យើងនឹងបម្លែងទិន្នន័យនោះទៅជាចំណុចទិន្នន័យមួយ ហើយបង្កើត dataloader:\n"
|
||
],
|
||
"metadata": {
|
||
"id": "cwWy0PzXWhN5"
|
||
}
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"source": [
|
||
"class SimpleIterableDataset(torch.utils.data.IterableDataset):\n",
|
||
" def __init__(self, X, Y):\n",
|
||
" super(SimpleIterableDataset).__init__()\n",
|
||
" self.data = []\n",
|
||
" for i in range(len(X)):\n",
|
||
" self.data.append( (Y[i], X[i]) )\n",
|
||
" random.shuffle(self.data)\n",
|
||
"\n",
|
||
" def __iter__(self):\n",
|
||
" return iter(self.data)"
|
||
],
|
||
"metadata": {
|
||
"id": "mfoAcGPFZU8p"
|
||
},
|
||
"execution_count": null,
|
||
"outputs": []
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "e4NQ_-5waHVc"
|
||
},
|
||
"source": [
|
||
"យើងក៏នឹងបម្លែងទិន្នន័យនោះទៅជាឈុតទិន្នន័យមួយផងដែរ ហើយបង្កើត dataloader:\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {
|
||
"id": "AbLUcojlieXo"
|
||
},
|
||
"outputs": [],
|
||
"source": [
|
||
"ds = SimpleIterableDataset(X, Y)\n",
|
||
"dl = torch.utils.data.DataLoader(ds, batch_size = 256)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "pKQr7sXeaHVc"
|
||
},
|
||
"source": [
|
||
"ឥឡូវនេះយើងនឹងធ្វើការបណ្តុះបណ្តាលពិតប្រាកដ។ យើងនឹងប្រើ `SGD` អុបទីម៉ាយហ្ស័រជាមួយអត្រាអានុបញ្ញាតិខ្ពស់។ អ្នកក៏អាចសាកល្បងលេងជាមួយអុបទីម៉ាយហ្ស័រផ្សេងទៀតដូចជា `Adam`។ យើងនឹងបណ្តុះបណ្តាលរយៈពេល ១០ epoch ជាចាប់ផ្តើម - ហើយអ្នកអាចរត់កូដនេះម្តងទៀត ប្រសិនបើចង់បាន ការបាត់បង់ (loss) ទាបជាងនេះ។\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"source": [
|
||
"def train_epoch(net, dataloader, lr = 0.01, optimizer = None, loss_fn = torch.nn.CrossEntropyLoss(), epochs = None, report_freq = 1):\n",
|
||
" optimizer = optimizer or torch.optim.Adam(net.parameters(), lr = lr)\n",
|
||
" loss_fn = loss_fn.to(device)\n",
|
||
" net.train()\n",
|
||
"\n",
|
||
" for i in range(epochs):\n",
|
||
" total_loss, j = 0, 0, \n",
|
||
" for labels, features in dataloader:\n",
|
||
" optimizer.zero_grad()\n",
|
||
" features, labels = features.to(device), labels.to(device)\n",
|
||
" out = net(features)\n",
|
||
" loss = loss_fn(out, labels)\n",
|
||
" loss.backward()\n",
|
||
" optimizer.step()\n",
|
||
" total_loss += loss\n",
|
||
" j += 1\n",
|
||
" if i % report_freq == 0:\n",
|
||
" print(f\"Epoch: {i+1}: loss={total_loss.item()/j}\")\n",
|
||
"\n",
|
||
" return total_loss.item()/j"
|
||
],
|
||
"metadata": {
|
||
"id": "HeeCYKr_KF1w"
|
||
},
|
||
"execution_count": null,
|
||
"outputs": []
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"source": [
|
||
"train_epoch(net = model, dataloader = dl, optimizer = torch.optim.SGD(model.parameters(), lr = 0.1), loss_fn = torch.nn.CrossEntropyLoss(), epochs = 10)"
|
||
],
|
||
"metadata": {
|
||
"colab": {
|
||
"base_uri": "https://localhost:8080/"
|
||
},
|
||
"id": "KVgwGtDHgDlT",
|
||
"outputId": "2447833f-f0e3-4566-c33d-addbfe2f451d"
|
||
},
|
||
"execution_count": null,
|
||
"outputs": [
|
||
{
|
||
"output_type": "stream",
|
||
"name": "stdout",
|
||
"text": [
|
||
"Epoch: 1: loss=5.664632366860172\n",
|
||
"Epoch: 2: loss=5.632101973960962\n",
|
||
"Epoch: 3: loss=5.610399051405015\n",
|
||
"Epoch: 4: loss=5.594621561080262\n",
|
||
"Epoch: 5: loss=5.582538017415446\n",
|
||
"Epoch: 6: loss=5.572900234519603\n",
|
||
"Epoch: 7: loss=5.564951676341915\n",
|
||
"Epoch: 8: loss=5.558288112064614\n",
|
||
"Epoch: 9: loss=5.552576955031129\n",
|
||
"Epoch: 10: loss=5.547634165194347\n"
|
||
]
|
||
},
|
||
{
|
||
"output_type": "execute_result",
|
||
"data": {
|
||
"text/plain": [
|
||
"5.547634165194347"
|
||
]
|
||
},
|
||
"metadata": {},
|
||
"execution_count": 16
|
||
}
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "W8u2qXZmaHVd"
|
||
},
|
||
"source": [
|
||
"## សាកល្បង Word2Vec\n",
|
||
"\n",
|
||
"ដើម្បីប្រើប្រាស់ Word2Vec យើងចាប់ផ្តើមយកវ៉ិចទ័រដែលស្របគ្នានឹងពាក្យទាំងអស់ក្នុងវាក្យសម្ព័ន្ធរបស់យើង:\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {
|
||
"id": "r8TatcXjkU_t"
|
||
},
|
||
"outputs": [],
|
||
"source": [
|
||
"vectors = torch.stack([embedder(torch.tensor(vocab[s])) for s in vocab.itos], 0)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "3OcX21UOaHVd"
|
||
},
|
||
"source": [
|
||
"មកមើលឧទាហរណ៍ មើលពីរបៀបដែលពាក្យ **Paris** ត្រូវបានរៀបចំជាទំព័រជួរៈ\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {
|
||
"colab": {
|
||
"base_uri": "https://localhost:8080/"
|
||
},
|
||
"id": "bz6tAeLzieXp",
|
||
"outputId": "5b20850e-4342-45e9-f840-cfac2b4d61d8"
|
||
},
|
||
"outputs": [
|
||
{
|
||
"output_type": "stream",
|
||
"name": "stdout",
|
||
"text": [
|
||
"tensor([-0.0915, 2.1224, -0.0281, -0.6819, 1.1219, 0.6458, -1.3704, -1.3314,\n",
|
||
" -1.1437, 0.4496, 0.2301, -0.3515, -0.8485, 1.0481, 0.4386, -0.8949,\n",
|
||
" 0.5644, 1.0939, -2.5096, 3.2949, -0.2601, -0.8640, 0.1421, -0.0804,\n",
|
||
" -0.5083, -1.0560, 0.9753, -0.5949, -1.6046, 0.5774],\n",
|
||
" grad_fn=<EmbeddingBackward>)\n"
|
||
]
|
||
}
|
||
],
|
||
"source": [
|
||
"paris_vec = embedder(torch.tensor(vocab['paris']))\n",
|
||
"print(paris_vec)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "pHTJlaeYaHVd"
|
||
},
|
||
"source": [
|
||
"វាគឺជាវិស្សមកាលក្នុងការប្រើ Word2Vec ដើម្បីស្វែងរកពាក្យបញ្ញត្តិមួយស្មើ។ មុខងារក្រោមនេះនឹងបង្វិលទៅវិញនូវពាក្យដែលខ្ទង់ជិត `n` ទៅនឹងការបញ្ចូលមួយ។ ដើម្បីរកពួកវាយើងគណនាគម្លាតនៃ $|w_i - v|$ ដែល $v$ គឺជាវ៉ិចទ័រតំណាងឱ្យពាក្យបញ្ចូលរបស់យើង ហើយ $w_i$ គឺជាការអ៊ិនកូដរបស់ពាក្យលេខ $i$ ក្នុងពាក្យសម្រង់។ យើងក្រោយមកតម្រៀបអារេ ហើយដកអនុសីតគឺ `argsort` ហើយយកធាតុ `n` ដំបូងនៃបញ្ជី ដែលអ៊ិនកូដមាត្រានៃទីតាំងនៃពាក្យខ្ទង់ជិតក្នុងពាក្យសម្រង់។\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {
|
||
"colab": {
|
||
"base_uri": "https://localhost:8080/"
|
||
},
|
||
"id": "NlZyi-_olFar",
|
||
"outputId": "b5dbb163-88c4-4d5a-eaf2-6751f700e98c"
|
||
},
|
||
"outputs": [
|
||
{
|
||
"output_type": "execute_result",
|
||
"data": {
|
||
"text/plain": [
|
||
"['microsoft', 'quoted', 'lp', 'rate', 'top']"
|
||
]
|
||
},
|
||
"metadata": {},
|
||
"execution_count": 56
|
||
}
|
||
],
|
||
"source": [
|
||
"def close_words(x, n = 5):\n",
|
||
" vec = embedder(torch.tensor(vocab[x]))\n",
|
||
" top5 = np.linalg.norm(vectors.detach().numpy() - vec.detach().numpy(), axis = 1).argsort()[:n]\n",
|
||
" return [ vocab.itos[x] for x in top5 ]\n",
|
||
"\n",
|
||
"close_words('microsoft')"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {
|
||
"colab": {
|
||
"base_uri": "https://localhost:8080/"
|
||
},
|
||
"id": "-dQq7xeAln0U",
|
||
"outputId": "66f768c3-c248-4bfd-ce4f-c8ffc6d0dd0d"
|
||
},
|
||
"outputs": [
|
||
{
|
||
"output_type": "execute_result",
|
||
"data": {
|
||
"text/plain": [
|
||
"['basketball', 'lot', 'sinai', 'states', 'healthdaynews']"
|
||
]
|
||
},
|
||
"metadata": {},
|
||
"execution_count": 51
|
||
}
|
||
],
|
||
"source": [
|
||
"close_words('basketball')"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {
|
||
"colab": {
|
||
"base_uri": "https://localhost:8080/"
|
||
},
|
||
"id": "fJXqK26b29sa",
|
||
"outputId": "78f0baba-ffd0-485a-dd87-0a12bedfd7fa"
|
||
},
|
||
"outputs": [
|
||
{
|
||
"output_type": "execute_result",
|
||
"data": {
|
||
"text/plain": [
|
||
"['funds', 'travel', 'sydney', 'japan', 'business']"
|
||
]
|
||
},
|
||
"metadata": {},
|
||
"execution_count": 77
|
||
}
|
||
],
|
||
"source": [
|
||
"close_words('funds')"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {
|
||
"id": "My0VeTDd3Ji8"
|
||
},
|
||
"source": [
|
||
"## លទ្ធផល\n",
|
||
"\n",
|
||
"ការប្រើប្រាស់បច្ចេកវិទ្យាឆ្លាតវៃដូចជា CBoW គឺអាចបណ្តុះបណ្តាលម៉ូឌែល Word2Vec បាន។ អ្នកក៏អាចសាកល្បងបណ្តុះបណ្តាលម៉ូឌែល skip-gram ដែលត្រូវបានបណ្តុះបណ្តាលឱ្យទាយពាក្យជិតខាងមួយដែលផ្ដោតលើពាក្យកណ្តាល និងមើលថាវាធ្វើការល្អប៉ុណ្ណាដែរ។\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ការបញ្ជាក់ថាមិនមានភិក្ខុ**៖ \nឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator) ។ ក្នុងអំឡុងខណៈពេលយើងព្យាយាមរក្សាភាសាឲ្យត្រឹមត្រូវ សូមជ្រាបថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬមិនត្រឹមត្រូវបាន។ ឯកសារដើមក្នុងភាសាមាតុភាសាត្រូវបានគេយកឲ្យជាលទ្ធផលមានសុពលភាព។ សម្រាប់ព័ត៌មានសំខាន់ៗ យើងស្នើឲ្យបកប្រែដោយមនុស្សជំនាញវិជ្ជាជីវៈ។ យើងមិនទទួលខុសត្រូវសម្រាប់ការច្របូកច្របល់ ឬការបកប្រែមិនត្រឹមត្រូវណាមួយដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះនោះទេ។\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
|
||
]
|
||
}
|
||
],
|
||
"metadata": {
|
||
"colab": {
|
||
"collapsed_sections": [],
|
||
"name": "CBoW-PyTorch.ipynb",
|
||
"provenance": []
|
||
},
|
||
"interpreter": {
|
||
"hash": "16af2a8bbb083ea23e5e41c7f5787656b2ce26968575d8763f2c4b17f9cd711f"
|
||
},
|
||
"kernelspec": {
|
||
"display_name": "Python 3.8.12 ('py38')",
|
||
"language": "python",
|
||
"name": "python3"
|
||
},
|
||
"language_info": {
|
||
"codemirror_mode": {
|
||
"name": "ipython",
|
||
"version": 3
|
||
},
|
||
"file_extension": ".py",
|
||
"mimetype": "text/x-python",
|
||
"name": "python",
|
||
"nbconvert_exporter": "python",
|
||
"pygments_lexer": "ipython3",
|
||
"version": "3.8.12"
|
||
},
|
||
"orig_nbformat": 4,
|
||
"gpuClass": "standard"
|
||
},
|
||
"nbformat": 4,
|
||
"nbformat_minor": 0
|
||
} |