
import time
import copy
from math import ceil
from tqdm import tqdm
import numpy as np
import torch
import torch.nn as nn
from torch import from_numpy
import math, copy
from torch.autograd import Variable
import matplotlib.pyplot as plt
from seaborn import heatmap
from collections import defaultdict
from tqdm import tqdm


def clones(module, N):
    "Produce N capas identicas (para encoder y decoder)."
    return nn.ModuleList([copy.deepcopy(module) for _ in range(N)])


class LayerNorm(nn.Module):
    "Normalización de las capas."
    def __init__(self, features, eps=1e-6):
        super(LayerNorm, self).__init__()
        self.a_2 = nn.Parameter(torch.ones(features))
        self.b_2 = nn.Parameter(torch.zeros(features))
        self.eps = eps

    #Se normalizan los datos en una distribución N(0,1)
    def forward(self, x):
        mean = x.mean(-1, keepdim=True)
        std = x.std(-1, keepdim=True)
        return self.a_2 * (x - mean) / (std + self.eps) + self.b_2
        
class SublayerConnection(nn.Module):
    """
    Conexión residual que se agrega después de la normalización.
    """
    def __init__(self, size, dropout):
        super(SublayerConnection, self).__init__()
        #Aplica normalización
        self.norm = LayerNorm(size)
        #Aplica dropout
        self.dropout = nn.Dropout(dropout)

    def forward(self, x, sublayer):
        #Se suma a la capa actual, la normalización
        return x + self.dropout(sublayer(self.norm(x)))


class Encoder(nn.Module):
    "El encoder es un conjunto de N capas simialres"
    def __init__(self, layer, N):
        super(Encoder, self).__init__()
        #Clone encoder layers
        self.layers = clones(layer, N)
        #Normalización
        self.norm = LayerNorm(layer.size)
        
    def forward(self, x, mask):
        "A cada capa se le pasa la entrada x"
        for layer in self.layers:
            x = layer(x, mask)
        #Se obtienen las capas con normalización
        return self.norm(x)
    
class EncoderLayer(nn.Module):
    "Capa de Encoder (de la cuál se harán las copias)"
    def __init__(self, size, self_attn, feed_forward, dropout):
        super(EncoderLayer, self).__init__()
        #Auto-atención
        self.self_attn = self_attn
        #FeedForward
        self.feed_forward = feed_forward
        #Conexión residual y copias
        #Se crean dos sub-capas: para la auto-atención, y para la FeedForward
        self.sublayer = clones(SublayerConnection(size, dropout), 2)
        #Tamaño
        self.size = size

    def forward(self, x, mask):
        #Se aplica una capa de auto-atención y se aplica la función de sub-capa
        x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, mask))
        #Aplica la sub-capa de FeedForward
        return self.sublayer[1](x, self.feed_forward)


class Decoder(nn.Module):
    "El decoder es un conjunto de N capas similares."
    def __init__(self, layer, N):
        super(Decoder, self).__init__()
        #Copia de capas decoder
        self.layers = clones(layer, N)
        #Normalización
        self.norm = LayerNorm(layer.size)
        
    def forward(self, x, memory, src_mask, tgt_mask):
        "A cada capa se le pasa la entrada x, la salida del encode (memory) y máscaras"
        for layer in self.layers:
            x = layer(x, memory, src_mask, tgt_mask)
        #Se aplica normalización
        return self.norm(x)
        
class DecoderLayer(nn.Module):
    "Capa de Decoder"
    def __init__(self, size, self_attn, src_attn, feed_forward, dropout):
        super(DecoderLayer, self).__init__()
        #Tamaño
        self.size = size
        #Auto-atención enmascarada
        self.self_attn = self_attn
        #Atención (entre encoder y decoder)
        self.src_attn = src_attn
        #FeedForward
        self.feed_forward = feed_forward
        #Conexión residual y copias
        #Se crean 3 sub-capas: auto-atención enmascarada, atención y FeedForward
        self.sublayer = clones(SublayerConnection(size, dropout), 3)
 
    def forward(self, x, memory, src_mask, tgt_mask):
        #Salida del encoder
        m = memory
        #Capa de auto-atención enmascarada
        x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, tgt_mask))
        #Capa de atención con la memoria (salida del encoder)
        x = self.sublayer[1](x, lambda x: self.src_attn(x, m, m, src_mask))
        #Capa de FeedForward
        return self.sublayer[2](x, self.feed_forward)


def attention(query, key, value, mask=None, dropout=None):
    "Obtiene los pesos de atención"
    #Dimensión del modelo
    d_k = query.size(-1)
    #Calcula el producto escalado QK
    scores = torch.matmul(query, key.transpose(-2, -1)) \
             / math.sqrt(d_k)
    #Si la atención es enmascarada
    if mask is not None:
        scores = scores.masked_fill(mask == 0, -1e9)
    #Aplica softmax a los pesos
    p_attn = nn.functional.softmax(scores, dim = -1)
 
    #Se puede aplicar una regularización dropout
    if dropout is not None:
        p_attn = dropout(p_attn)
    #Regresa la atención softmax por V y los pesos de atención
    return torch.matmul(p_attn, value), p_attn
    
class MultiHeadedAttention(nn.Module):
    def __init__(self, h, d_model, dropout=0.1):
        "Multi-Head Attention"
        super(MultiHeadedAttention, self).__init__()
        #dimensión del modelo debe dividir h
        assert d_model % h == 0
        #Dimensión del modelo
        self.d_k = d_model // h
        #Número de cabezales
        self.h = h
        #Copias de capas lineales
        self.linears = clones(nn.Linear(d_model, d_model), 4)
        #Atención
        self.attn = None
        #Dropout
        self.dropout = nn.Dropout(p=dropout)
        
    def forward(self, query, key, value, mask=None):
        #Si hay enmascaramiento
        if mask is not None:
            # Se aplica la misma máscara a todos los cabezales
            mask = mask.unsqueeze(1)
        #Número de bathces
        nbatches = query.size(0)
        
        # 1) Realiza todas las proyecciones lineales en batch de d_model a h*d_k
        query, key, value = \
            [l(x).view(nbatches, -1, self.h, self.d_k).transpose(1, 2)
             for l, x in zip(self.linears, (query, key, value))]
        
        # 2) Aplica atención a todos los vectores proyectodos en el batch
        x, self.attn = attention(query, key, value, mask=mask, 
                                 dropout=self.dropout)
        
        # 3) Concatena los cabezales de atención
        x = x.transpose(1, 2).contiguous() \
             .view(nbatches, -1, self.h * self.d_k)
        return self.linears[-1](x)


class PositionwiseFeedForward(nn.Module):
    "Capa FeedForward"
    def __init__(self, d_model, d_ff, dropout=0.1):
        super(PositionwiseFeedForward, self).__init__()
        #Primera capa FeedForward
        self.w_1 = nn.Linear(d_model, d_ff)
        #Segunda capa FeedForward
        self.w_2 = nn.Linear(d_ff, d_model)
        #Dropout
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        #Aplica ReLU a la primera capa
        #La segunda capa es lineal
        return self.w_2(self.dropout(nn.functional.relu(self.w_1(x))))


#Common embeddings
class Embeddings(nn.Module):
    def __init__(self, d_model, vocab):
        super(Embeddings, self).__init__()
        #Capa de embedding estáticos
        self.lut = nn.Embedding(vocab, d_model) 
        #Dimensión de embeddings
        self.d_model = d_model

    def forward(self, x):
        return self.lut(x) * math.sqrt(self.d_model)
        
#Positional embeddings
class PositionalEncoding(nn.Module):
    "Codificación posicional"
    def __init__(self, d_model, dropout, max_len=5000):
        super(PositionalEncoding, self).__init__()
        #Dropout
        self.dropout = nn.Dropout(p=dropout)
        
        # Compute the positional encodings once in log space.
        #Matriz de dimensión de embeddings por máximo núm de elementos
        pe = torch.zeros(max_len, d_model)
        #Posición de 0 a máximo núm de elementos (enteros)
        position = torch.arange(0, max_len).unsqueeze(1)
        #Factor de la división con log y exp
        div_term = torch.exp(torch.arange(0, d_model, 2) *
                             -(math.log(10000.0) / d_model))
        #Entradas pares
        pe[:, 0::2] = torch.sin(position * div_term)
        #Entradas impares
        pe[:, 1::2] = torch.cos(position * div_term)
        pe = pe.unsqueeze(0)
        self.register_buffer('pe', pe)
        
    def forward(self, x):
        #Suma del embedding estático más codificación posicional
        x = x + Variable(self.pe[:, :x.size(1)], 
                         requires_grad=False)
        #Dropout
        return self.dropout(x)


#Visualización de PE
d_model = 20
plt.figure(figsize=(15, 5))
pe = PositionalEncoding(d_model, 0)
y = pe.forward(Variable(torch.zeros(1, 100, d_model)))
plt.plot(np.arange(100), y[0, :, 4:8].data.numpy())
plt.legend(["entrada %d"%p for p in [4,5,6,7]])
plt.xlabel('Posición')
plt.ylabel('Valor')
plt.show()

heatmap(y.data.numpy()[0])
plt.ylabel('Posición')
plt.xlabel('Dimensión del modelo')
plt.show()


class Generator(nn.Module):
    "Salida del Trasnformer."
    def __init__(self, d_model, vocab):
        super(Generator, self).__init__()
        #Capa lineal
        self.proj = nn.Linear(d_model, vocab)

    def forward(self, x):
        #Softmax
        return nn.functional.softmax(self.proj(x), dim=-1)


class EncoderDecoder(nn.Module):
    """
    Arquitectura Encoder-Decoder.
    """
    def __init__(self, encoder, decoder, src_embed, tgt_embed, generator):
        super(EncoderDecoder, self).__init__()
        #Encoder
        self.encoder = encoder
        #Decoder
        self.decoder = decoder
        #Embeddings de entrada
        self.src_embed = src_embed
        #Embeddings de salida
        self.tgt_embed = tgt_embed
        #Salida del Encoder-Decoder
        self.generator = generator
        
    def forward(self, src, tgt, src_mask, tgt_mask):
        #Función de decodificación
        #Codifica y decodifica
        return self.decode(self.encode(src, src_mask), src_mask,
                            tgt, tgt_mask)
    
    def encode(self, src, src_mask):
        #Función de codificación
        return self.encoder(self.src_embed(src), src_mask)
    
    def decode(self, memory, src_mask, tgt, tgt_mask):
        #Función de decodificación
        return self.decoder(self.tgt_embed(tgt), memory, src_mask, tgt_mask)


def subsequent_mask(size):
    "Enmascara las posiciones subsecuentes."
    attn_shape = (1, size, size)
    subsequent_mask = np.triu(np.ones(attn_shape), k=1).astype('uint8')
    return from_numpy(subsequent_mask) == 0

class Batch:
    "Almacena un batch de los datos enmascarados durante el entrenamoento."
    def __init__(self, src, trg=None, pad=0):
        #Input e input mask
        self.src = src
        self.src_mask = (src != pad).unsqueeze(-2)
        #Output
        if trg is not None:
            self.trg = trg[:, :-1]
            self.trg_y = trg[:, 1:]
            self.trg_mask = \
                self.make_std_mask(self.trg, pad)
            self.ntokens = (self.trg_y != pad).data.sum()
    
    @staticmethod
    def make_std_mask(tgt, pad):
        "Crea una máscara para ocultar palabras futuras (y el padding)."
        tgt_mask = (tgt != pad).unsqueeze(-2)
        tgt_mask = tgt_mask & Variable(
            subsequent_mask(tgt.size(-1)).type_as(tgt_mask.data))
        return tgt_mask
    
global max_src_in_batch, max_tgt_in_batch
def batch_size_fn(new, count, sofar):
    "Aumenta batch y calcula el número total de tokens + padding."
    global max_src_in_batch, max_tgt_in_batch
    if count == 1:
        max_src_in_batch = 0
        max_tgt_in_batch = 0
    max_src_in_batch = max(max_src_in_batch,  len(new.src))
    max_tgt_in_batch = max(max_tgt_in_batch,  len(new.trg) + 2)
    src_elements = count * max_src_in_batch
    tgt_elements = count * max_tgt_in_batch
    return max(src_elements, tgt_elements)


class NoamOpt:
    "Optimizador Noam."
    def __init__(self, model_size, factor, warmup, optimizer):
        #optimizador
        self.optimizer = optimizer
        #Inicialización de paso
        self._step = 0
        #Hiperparámetro de warmup
        self.warmup = warmup
        #Hiperparámetro de factor
        self.factor = factor
        #Tamaño del modelo
        self.model_size = model_size
        #Rango
        self._rate = 0
        
    def step(self):
        "Actualiza el paso y los parámetros"
        #Aumenta step
        self._step += 1
        #rango
        rate = self.rate()
        #Observa parámetros de Adam y guarda el rango de aprendizaje
        for p in self.optimizer.param_groups:
            p['lr'] = rate
        self._rate = rate
        #Actualiza el paso en Adam
        self.optimizer.step()
        
    def rate(self, step = None):
        "Implementa el método de Noam"
        #Inicio
        if step is None:
            step = self._step
        #Rango de aprendizaje según método Noam
        return self.factor * \
            (self.model_size ** (-0.5) *
            min(step ** (-0.5), step * self.warmup ** (-1.5)))


def run_epoch(data_iter, model, loss_compute):
    "Función estándar de entrenamiento"
    #Inicio
    start = time.time()
    #Núm tokens
    total_tokens = 0
    #Riesgo
    total_loss = 0
    #Tokens
    tokens = 0
    for i, batch in enumerate(data_iter):
        #Calcula la salida de Transformer
        out = model.forward(batch.src, batch.trg, 
                            batch.src_mask, batch.trg_mask)
        #Computa el riesgo
        loss = loss_compute(out, batch.trg_y, batch.ntokens)
        #Acumula el riesgo
        total_loss += loss
        #Cuenta los tokens del batch
        total_tokens += batch.ntokens
        tokens += batch.ntokens
    return total_loss / total_tokens

class SimpleLossCompute:
    "Computo del riesgo y funció de entrenamiento."
    def __init__(self, generator, criterion, opt=None):
        #Generador
        self.generator = generator
        #Funcíon de riesgo / criterio
        self.criterion = criterion
        #Optimizador
        self.opt = opt
        
    def __call__(self, x, y, norm):
        #Calcula x con el generador del modelo
        x = self.generator(x)
        #Calcula el riesgo
        loss = self.criterion(x.contiguous().view(-1, x.size(-1)), 
                              y.contiguous().view(-1)) / norm
        #Retropropaga
        loss.backward()
        if self.opt is not None:
            self.opt.step()
            self.opt.optimizer.zero_grad()
        return loss.data.item() * norm


def make_model(src_vocab, tgt_vocab, N=1,d_model=128, d_ff=256, h=1, dropout=0.1):
    "Construye un modelo a partir de los hiperparámetros."
    #Función para hacer copias de capas
    c = copy.deepcopy
    #Atención multi-cabezal
    attn = MultiHeadedAttention(h, d_model)
    #Capa FeedForward
    ff = PositionwiseFeedForward(d_model, d_ff, dropout)
    #Codificación posicional
    position = PositionalEncoding(d_model, dropout)
    
    #Encoder
    encoder = Encoder(EncoderLayer(d_model, c(attn), c(ff), dropout), N)
    #Decoder
    decoder = Decoder(DecoderLayer(d_model, c(attn), c(attn), c(ff), dropout), N)
    #Embeddings de entrada
    src_embed = nn.Sequential(Embeddings(d_model, src_vocab), c(position))
    #Embeddings de salida
    tgt_embed = nn.Sequential(Embeddings(d_model, tgt_vocab), c(position))
    #Salida de todo el Transformer
    generator = Generator(d_model, tgt_vocab)
    #Creación del modelo
    model = EncoderDecoder(encoder,decoder,src_embed,tgt_embed,generator)
     
    # Initialize parameters with Glorot / fan_avg.
    for p in model.parameters():
        if p.dim() > 1:
            nn.init.xavier_uniform_(p)
    return model


def batch_gen(X,Y,batch):
    "Genera batch para input-output."
    num_ex = X.shape[0]
    nbatches = ceil(num_ex/batch)
    for i in range(nbatches):
        src = Variable(X[i:i+batch], requires_grad=False)
        tgt = Variable(Y[i:i+batch], requires_grad=False)
        yield Batch(src, tgt, 0)


#Funcion que crea un vocabulario de palabras con un indice numerico
def vocab():
    vocab = defaultdict()
    vocab.default_factory = lambda: len(vocab)
    return vocab    

#Funcion que pasa la cadena de simbolos a una secuencia con indices numericos
def text2numba(corpus, vocab):
    for doc in corpus:
        yield [vocab[w] for w in doc.strip().split()]
        
        
#Índices de símbolos especiales
PAD_IDX = 0
BOS_IDX = 1
EOS_IDX = 2

#Función para hacer padding
def insert_pad(lista, PAD_IDX=PAD_IDX):    
    l = max([len(cad) for cad in lista])
    pad_lista = []
    for cad in lista:
        pad_cad = cad + [PAD_IDX for i in range(l-len(cad))]
        pad_lista.append(pad_cad)
    return pad_lista

#Funcuón para insertar símbolos a las cadenas
def process_seqs(seqs,BOS_IDX=BOS_IDX,EOS_IDX=EOS_IDX):
    return insert_pad([[BOS_IDX] + cad + [EOS_IDX] for cad in seqs])


src = ['el perro come un hueso', 'un muchacho jugaba', 'el muchacho saltaba la cuerda',
        'un gato come croquetas']
tgt = ['DA NC V DD NC', 'DD NC V', 'DA NC V DA NC', 'DD NC V NC']

#Crear vobulario y cadenas
#Lenguaje fuente
src_voc = vocab()
src_voc['<PAD>'] = PAD_IDX
src_voc['<BOS>'] = BOS_IDX
src_voc['<EOS>'] = EOS_IDX
src_cads = process_seqs(list(text2numba(src,src_voc)))

#Crear vocabulario y cadenas
#Lenguaje objetivo
tgt_voc = vocab()
tgt_voc['<PAD>'] = PAD_IDX
tgt_voc['<BOS>'] = BOS_IDX
tgt_voc['<EOS>'] = EOS_IDX
tgt_cads = process_seqs(list(text2numba(tgt,tgt_voc)))
#Longitudes de los vocabulario
len_src, len_tgt = len(src_voc), len(tgt_voc)

X, Y = torch.tensor(src_cads), torch.tensor(tgt_cads)

print(X[1],Y[1])

tensor([1, 6, 8, 9, 2, 0, 0]) tensor([1, 6, 4, 5, 2, 0, 0])


#Creamos el modelo con hiperparámetros
model = make_model(len_src, len_tgt, N=1, d_model=100, d_ff=20, h=1)
print(model)

EncoderDecoder(
  (encoder): Encoder(
    (layers): ModuleList(
      (0): EncoderLayer(
        (self_attn): MultiHeadedAttention(
          (linears): ModuleList(
            (0): Linear(in_features=100, out_features=100, bias=True)
            (1): Linear(in_features=100, out_features=100, bias=True)
            (2): Linear(in_features=100, out_features=100, bias=True)
            (3): Linear(in_features=100, out_features=100, bias=True)
          )
          (dropout): Dropout(p=0.1, inplace=False)
        )
        (feed_forward): PositionwiseFeedForward(
          (w_1): Linear(in_features=100, out_features=20, bias=True)
          (w_2): Linear(in_features=20, out_features=100, bias=True)
          (dropout): Dropout(p=0.1, inplace=False)
        )
        (sublayer): ModuleList(
          (0): SublayerConnection(
            (norm): LayerNorm()
            (dropout): Dropout(p=0.1, inplace=False)
          )
          (1): SublayerConnection(
            (norm): LayerNorm()
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
      )
    )
    (norm): LayerNorm()
  )
  (decoder): Decoder(
    (layers): ModuleList(
      (0): DecoderLayer(
        (self_attn): MultiHeadedAttention(
          (linears): ModuleList(
            (0): Linear(in_features=100, out_features=100, bias=True)
            (1): Linear(in_features=100, out_features=100, bias=True)
            (2): Linear(in_features=100, out_features=100, bias=True)
            (3): Linear(in_features=100, out_features=100, bias=True)
          )
          (dropout): Dropout(p=0.1, inplace=False)
        )
        (src_attn): MultiHeadedAttention(
          (linears): ModuleList(
            (0): Linear(in_features=100, out_features=100, bias=True)
            (1): Linear(in_features=100, out_features=100, bias=True)
            (2): Linear(in_features=100, out_features=100, bias=True)
            (3): Linear(in_features=100, out_features=100, bias=True)
          )
          (dropout): Dropout(p=0.1, inplace=False)
        )
        (feed_forward): PositionwiseFeedForward(
          (w_1): Linear(in_features=100, out_features=20, bias=True)
          (w_2): Linear(in_features=20, out_features=100, bias=True)
          (dropout): Dropout(p=0.1, inplace=False)
        )
        (sublayer): ModuleList(
          (0): SublayerConnection(
            (norm): LayerNorm()
            (dropout): Dropout(p=0.1, inplace=False)
          )
          (1): SublayerConnection(
            (norm): LayerNorm()
            (dropout): Dropout(p=0.1, inplace=False)
          )
          (2): SublayerConnection(
            (norm): LayerNorm()
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
      )
    )
    (norm): LayerNorm()
  )
  (src_embed): Sequential(
    (0): Embeddings(
      (lut): Embedding(15, 100)
    )
    (1): PositionalEncoding(
      (dropout): Dropout(p=0.1, inplace=False)
    )
  )
  (tgt_embed): Sequential(
    (0): Embeddings(
      (lut): Embedding(7, 100)
    )
    (1): PositionalEncoding(
      (dropout): Dropout(p=0.1, inplace=False)
    )
  )
  (generator): Generator(
    (proj): Linear(in_features=100, out_features=7, bias=True)
  )
)


#Riesgo entropía cruzada
criterion = nn.CrossEntropyLoss()
#Optimizador Noam
model_opt = NoamOpt(model.src_embed[0].d_model, 1, 4000, torch.optim.Adam(model.parameters(), lr=0, betas=(0.9, 0.98), eps=1e-9))

for epoch in tqdm(range(300)):
        model.train()
        #Correr las épocas necesarias
        run_epoch(batch_gen(X, Y, 1), model, SimpleLossCompute(model.generator, criterion, opt=model_opt))

100%|██████████| 300/300 [00:10<00:00, 27.74it/s]


model.eval()

def greedy_decode(model, src, src_mask, max_len, start_symbol):
    "Aplica el Tranformer a los datos"
    #Encoder
    memory = model.encode(src, src_mask)
    #Inicializa con el símbolo de inicio
    ys = torch.ones(1, 1).fill_(start_symbol).type_as(src.data)
    for i in range(max_len-1):
        #Decoder
        out = model.decode(memory, src_mask, 
                           Variable(ys), 
                           Variable(subsequent_mask(ys.size(1))
                                    .type_as(src.data)))
        #Salida del transformer (probabilidades)
        prob = model.generator(out[:, -1])
        #Regresa el elemento con mayor prob
        _, next_word = torch.max(prob, dim = 1)
        #Adjunta este elemento a la cadenas de salida
        next_word = next_word.data[0]
        #Acumula cadena de salida
        ys = torch.cat([ys, torch.ones(1, 1).type_as(src.data).fill_(next_word)], dim=1)
    return ys

def get_x_input(sents):
    "Transforma la entrada en formato del modelo"
    x_sents = []
    for sent in sents:
        x_sent = []
        for w in sent.split():
            idx_w = src_voc[w]
            x_sent.append(idx_w)
        x_sents.append([BOS_IDX] + x_sent + [EOS_IDX])
        
    return Variable(torch.LongTensor(x_sents))

tgt_voc_rev = {k:v for v,k in tgt_voc.items()}
def get_output(y):
    "Transforma la salida en símbolos originales"
    sent = y.detach().tolist()[0]
    return ' '.join([tgt_voc_rev[word] for word in sent if word != 0])


sents = ['el perro come la cuerda', 'el gato jugaba']

for sent in sents:
    x_input = get_x_input([sent])
    output = greedy_decode(model, x_input, Variable(torch.ones(1, 1, x_input.shape[1])), 
                            max_len=x_input.shape[1], start_symbol=1)
    print('{} --> {}'.format(sent, get_output(output)))
    
    #Pesos de atención
    att = model.decoder.layers[0].self_attn.attn[0].data[:output.shape[1], :x_input.shape[1]][0]
    heatmap(att, xticklabels=sent.split()+['<EOS>'], yticklabels=get_output(output).split()[1:])
    plt.show()

el perro come la cuerda --> <BOS> DA NC V DD NC <EOS>

el gato jugaba --> <BOS> DD NC V NC


from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
#Función para plotear
def plot_words(Z,ids,color='blue'):
    #Reduce a dos dimensiones con PCA
    Z = PCA(n_components=2).fit_transform(Z)
    r=0
    #Plotea las dimensiones
    plt.scatter(Z[:,0],Z[:,1], marker='o', c=color)
    for label,x,y in zip(ids, Z[:,0], Z[:,1]):
        #Agrega las etiquetas
        plt.annotate(label, xy=(x,y), xytext=(-1,1), textcoords='offset points', ha='center', va='bottom')
        r+=1
        
src_embs = np.array(model.src_embed[0].lut.weight.detach())
tgt_embs = np.array(model.tgt_embed[0].lut.weight.detach())

plot_words(src_embs,src_voc.keys())
plt.title('Embeddings en encoder')
plt.show()

plot_words(tgt_embs,tgt_voc.keys())
plt.title('Embeddings en decoder')
plt.show()

Transformer¶

Arquitectura del Transformer¶

Copias de encoder y decoder¶

Suma y normalización¶

Encoder¶

Decoder¶

Atención¶

FeedForward¶

Embeddings¶

Salida del Transformer¶

Arquitectura total¶

Optimización¶

Aplicación del modelo¶

Preparación de los datos¶

Generación del modelo¶

Entrenamiento¶

Evaluación¶

Visualización de embeddings¶