neural-machine-translation/41.lstm-birnn-seq2seq-beam-bahdanaumonotic.ipynb

{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [],
   "source": [
    "import os\n",
    "os.environ['CUDA_VISIBLE_DEVICES'] = '2'"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "/home/husein/.local/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:516: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_qint8 = np.dtype([(\"qint8\", np.int8, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:517: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_quint8 = np.dtype([(\"quint8\", np.uint8, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:518: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_qint16 = np.dtype([(\"qint16\", np.int16, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:519: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_quint16 = np.dtype([(\"quint16\", np.uint16, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:520: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_qint32 = np.dtype([(\"qint32\", np.int32, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:525: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  np_resource = np.dtype([(\"resource\", np.ubyte, 1)])\n",
      "/usr/lib/python3/dist-packages/requests/__init__.py:80: RequestsDependencyWarning: urllib3 (1.25.3) or chardet (3.0.4) doesn't match a supported version!\n",
      "  RequestsDependencyWarning)\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorboard/compat/tensorflow_stub/dtypes.py:541: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_qint8 = np.dtype([(\"qint8\", np.int8, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorboard/compat/tensorflow_stub/dtypes.py:542: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_quint8 = np.dtype([(\"quint8\", np.uint8, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorboard/compat/tensorflow_stub/dtypes.py:543: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_qint16 = np.dtype([(\"qint16\", np.int16, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorboard/compat/tensorflow_stub/dtypes.py:544: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_quint16 = np.dtype([(\"quint16\", np.uint16, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorboard/compat/tensorflow_stub/dtypes.py:545: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  _np_qint32 = np.dtype([(\"qint32\", np.int32, 1)])\n",
      "/home/husein/.local/lib/python3.6/site-packages/tensorboard/compat/tensorflow_stub/dtypes.py:550: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.\n",
      "  np_resource = np.dtype([(\"resource\", np.ubyte, 1)])\n"
     ]
    }
   ],
   "source": [
    "import numpy as np\n",
    "import tensorflow as tf"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [],
   "source": [
    "import json\n",
    "\n",
    "with open('train-test.json') as fopen:\n",
    "    dataset = json.load(fopen)\n",
    "    \n",
    "with open('dictionary.json') as fopen:\n",
    "    dictionary = json.load(fopen)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [],
   "source": [
    "train_X = dataset['train_X']\n",
    "train_Y = dataset['train_Y']\n",
    "test_X = dataset['test_X']\n",
    "test_Y = dataset['test_Y']"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "dict_keys(['from', 'to'])"
      ]
     },
     "execution_count": 5,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "dictionary.keys()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "metadata": {},
   "outputs": [],
   "source": [
    "dictionary_from = dictionary['from']['dictionary']\n",
    "rev_dictionary_from = dictionary['from']['rev_dictionary']\n",
    "\n",
    "dictionary_to = dictionary['to']['dictionary']\n",
    "rev_dictionary_to = dictionary['to']['rev_dictionary']"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 7,
   "metadata": {},
   "outputs": [],
   "source": [
    "GO = dictionary_from['GO']\n",
    "PAD = dictionary_from['PAD']\n",
    "EOS = dictionary_from['EOS']\n",
    "UNK = dictionary_from['UNK']"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "'Rachel Pike : The science behind a climate headline EOS'"
      ]
     },
     "execution_count": 8,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "for i in range(len(train_X)):\n",
    "    train_X[i] += ' EOS'\n",
    "    \n",
    "train_X[0]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 9,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "'How can I speak in <NUM> minutes about the bonds of women over three generations , about how the astonishing strength of those bonds took hold in the life of a four - year - old girl huddled with her young sister , her mother and her grandmother for five days and nights in a small boat in the China Sea more than <NUM> years ago , bonds that took hold in the life of that small girl and never let go - - that small girl now living in San Francisco and speaking to you today ? EOS'"
      ]
     },
     "execution_count": 9,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "for i in range(len(test_X)):\n",
    "    test_X[i] += ' EOS'\n",
    "    \n",
    "test_X[0]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 10,
   "metadata": {},
   "outputs": [],
   "source": [
    "def pad_second_dim(x, desired_size):\n",
    "    padding = tf.tile([[[0.0]]], tf.stack([tf.shape(x)[0], desired_size - tf.shape(x)[1], tf.shape(x)[2]], 0))\n",
    "    return tf.concat([x, padding], 1)\n",
    "\n",
    "class Translator:\n",
    "    def __init__(self, size_layer, num_layers, embedded_size, \n",
    "                 from_dict_size, to_dict_size, learning_rate,\n",
    "                 beam_width=5, force_teaching_ratio=0.5):\n",
    "        \n",
    "        def lstm_cell(size, reuse=False):\n",
    "            return tf.nn.rnn_cell.LSTMCell(size, initializer=tf.orthogonal_initializer(),reuse=reuse)\n",
    "        \n",
    "        self.X = tf.placeholder(tf.int32, [None, None])\n",
    "        self.Y = tf.placeholder(tf.int32, [None, None])\n",
    "        self.X_seq_len = tf.count_nonzero(self.X, 1, dtype=tf.int32)\n",
    "        self.Y_seq_len = tf.count_nonzero(self.Y, 1, dtype=tf.int32)\n",
    "        batch_size = tf.shape(self.X)[0]\n",
    "        \n",
    "        encoder_embeddings = tf.Variable(tf.random_uniform([from_dict_size, embedded_size], -1, 1))\n",
    "        decoder_embeddings = tf.Variable(tf.random_uniform([to_dict_size, embedded_size], -1, 1))\n",
    "        self.encoder_out = tf.nn.embedding_lookup(encoder_embeddings, self.X)\n",
    "        \n",
    "        for n in range(num_layers):\n",
    "            (out_fw, out_bw), (state_fw, state_bw) = tf.nn.bidirectional_dynamic_rnn(\n",
    "                cell_fw = lstm_cell(size_layer // 2),\n",
    "                cell_bw = lstm_cell(size_layer // 2),\n",
    "                inputs = self.encoder_out,\n",
    "                sequence_length = self.X_seq_len,\n",
    "                dtype = tf.float32,\n",
    "                scope = 'bidirectional_rnn_%d'%(n))\n",
    "            self.encoder_out = tf.concat((out_fw, out_bw), 2)\n",
    "        bi_state_c = tf.concat((state_fw.c, state_bw.c), -1)\n",
    "        bi_state_h = tf.concat((state_fw.h, state_bw.h), -1)\n",
    "        bi_lstm_state = tf.nn.rnn_cell.LSTMStateTuple(c=bi_state_c, h=bi_state_h)\n",
    "        encoder_state = tuple([bi_lstm_state] * num_layers)\n",
    "        \n",
    "        with tf.variable_scope('decode'):\n",
    "            attention_mechanism = tf.contrib.seq2seq.BahdanauMonotonicAttention(\n",
    "            num_units = size_layer, \n",
    "            memory = self.encoder_out,\n",
    "            memory_sequence_length = self.X_seq_len)\n",
    "            decoder_cell = tf.contrib.seq2seq.AttentionWrapper(\n",
    "                cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell(size_layer) for _ in range(num_layers)]),\n",
    "                attention_mechanism = attention_mechanism,\n",
    "                attention_layer_size = size_layer)\n",
    "            main = tf.strided_slice(self.Y, [0, 0], [batch_size, -1], [1, 1])\n",
    "            decoder_input = tf.concat([tf.fill([batch_size, 1], GO), main], 1)\n",
    "            training_helper = tf.contrib.seq2seq.ScheduledEmbeddingTrainingHelper(\n",
    "            inputs = tf.nn.embedding_lookup(decoder_embeddings, decoder_input),\n",
    "                sequence_length = self.Y_seq_len,\n",
    "                embedding = decoder_embeddings,\n",
    "                sampling_probability = 1 - force_teaching_ratio,\n",
    "                time_major = False)\n",
    "            training_decoder = tf.contrib.seq2seq.BasicDecoder(\n",
    "                cell = decoder_cell,\n",
    "                helper = training_helper,\n",
    "                initial_state = decoder_cell.zero_state(batch_size, tf.float32).clone(cell_state=encoder_state),\n",
    "                output_layer = tf.layers.Dense(to_dict_size))\n",
    "            training_decoder_output, _, _ = tf.contrib.seq2seq.dynamic_decode(\n",
    "                decoder = training_decoder,\n",
    "                impute_finished = True,\n",
    "                maximum_iterations = tf.reduce_max(self.Y_seq_len))\n",
    "            self.training_logits = training_decoder_output.rnn_output\n",
    "            \n",
    "        with tf.variable_scope('decode', reuse=True):\n",
    "            encoder_out_tiled = tf.contrib.seq2seq.tile_batch(self.encoder_out, beam_width)\n",
    "            encoder_state_tiled = tf.contrib.seq2seq.tile_batch(encoder_state, beam_width)\n",
    "            X_seq_len_tiled = tf.contrib.seq2seq.tile_batch(self.X_seq_len, beam_width)\n",
    "            attention_mechanism = tf.contrib.seq2seq.BahdanauMonotonicAttention(\n",
    "                num_units = size_layer, \n",
    "                memory = encoder_out_tiled,\n",
    "                memory_sequence_length = X_seq_len_tiled)\n",
    "            decoder_cell = tf.contrib.seq2seq.AttentionWrapper(\n",
    "                cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell(size_layer, reuse=True) for _ in range(num_layers)]),\n",
    "                attention_mechanism = attention_mechanism,\n",
    "                attention_layer_size = size_layer)\n",
    "            predicting_decoder = tf.contrib.seq2seq.BeamSearchDecoder(\n",
    "                cell = decoder_cell,\n",
    "                embedding = decoder_embeddings,\n",
    "                start_tokens = tf.tile(tf.constant([GO], dtype=tf.int32), [batch_size]),\n",
    "                end_token = EOS,\n",
    "                initial_state = decoder_cell.zero_state(batch_size * beam_width, tf.float32).clone(cell_state = encoder_state_tiled),\n",
    "                beam_width = beam_width,\n",
    "                output_layer = tf.layers.Dense(to_dict_size, _reuse=True),\n",
    "                length_penalty_weight = 0.0)\n",
    "            predicting_decoder_output, _, _ = tf.contrib.seq2seq.dynamic_decode(\n",
    "                decoder = predicting_decoder,\n",
    "                impute_finished = False,\n",
    "                maximum_iterations = 2 * tf.reduce_max(self.X_seq_len))\n",
    "            self.predicting_ids = predicting_decoder_output.predicted_ids[:, :, 0]\n",
    "        \n",
    "        masks = tf.sequence_mask(self.Y_seq_len, tf.reduce_max(self.Y_seq_len), dtype=tf.float32)\n",
    "        self.cost = tf.contrib.seq2seq.sequence_loss(logits = self.training_logits,\n",
    "                                                     targets = self.Y,\n",
    "                                                     weights = masks)\n",
    "        self.optimizer = tf.train.AdamOptimizer(learning_rate).minimize(self.cost)\n",
    "        y_t = tf.argmax(self.training_logits,axis=2)\n",
    "        y_t = tf.cast(y_t, tf.int32)\n",
    "        self.prediction = tf.boolean_mask(y_t, masks)\n",
    "        mask_label = tf.boolean_mask(self.Y, masks)\n",
    "        correct_pred = tf.equal(self.prediction, mask_label)\n",
    "        correct_index = tf.cast(correct_pred, tf.float32)\n",
    "        self.accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "metadata": {},
   "outputs": [],
   "source": [
    "size_layer = 256\n",
    "num_layers = 2\n",
    "embedded_size = 256\n",
    "learning_rate = 1e-3\n",
    "batch_size = 128\n",
    "epoch = 20"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 12,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "WARNING:tensorflow:From /home/husein/.local/lib/python3.6/site-packages/tensorflow/python/util/deprecation.py:507: calling count_nonzero (from tensorflow.python.ops.math_ops) with axis is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "reduction_indices is deprecated, use axis instead\n",
      "WARNING:tensorflow:From <ipython-input-10-8c5836dc5951>:11: LSTMCell.__init__ (from tensorflow.python.ops.rnn_cell_impl) is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "This class is equivalent as tf.keras.layers.LSTMCell, and will be replaced by that in Tensorflow 2.0.\n",
      "WARNING:tensorflow:From <ipython-input-10-8c5836dc5951>:30: bidirectional_dynamic_rnn (from tensorflow.python.ops.rnn) is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "Please use `keras.layers.Bidirectional(keras.layers.RNN(cell))`, which is equivalent to this API\n",
      "WARNING:tensorflow:From /home/husein/.local/lib/python3.6/site-packages/tensorflow/python/ops/rnn.py:464: dynamic_rnn (from tensorflow.python.ops.rnn) is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "Please use `keras.layers.RNN(cell)`, which is equivalent to this API\n",
      "WARNING:tensorflow:From /home/husein/.local/lib/python3.6/site-packages/tensorflow/python/ops/rnn_cell_impl.py:961: calling Zeros.__init__ (from tensorflow.python.ops.init_ops) with dtype is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "Call initializer instance with the dtype argument instead of passing it to the constructor\n",
      "WARNING:tensorflow:From /home/husein/.local/lib/python3.6/site-packages/tensorflow/python/ops/rnn.py:244: add_dispatch_support.<locals>.wrapper (from tensorflow.python.ops.array_ops) is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "Use tf.where in 2.0, which has the same broadcast rule as np.where\n",
      "WARNING:tensorflow:\n",
      "The TensorFlow contrib module will not be included in TensorFlow 2.0.\n",
      "For more information, please see:\n",
      "  * https://github.com/tensorflow/community/blob/master/rfcs/20180907-contrib-sunset.md\n",
      "  * https://github.com/tensorflow/addons\n",
      "  * https://github.com/tensorflow/io (for I/O related ops)\n",
      "If you depend on functionality not listed there, please file an issue.\n",
      "\n",
      "WARNING:tensorflow:From /home/husein/.local/lib/python3.6/site-packages/tensorflow/python/ops/init_ops.py:1251: calling VarianceScaling.__init__ (from tensorflow.python.ops.init_ops) with dtype is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "Call initializer instance with the dtype argument instead of passing it to the constructor\n",
      "WARNING:tensorflow:From <ipython-input-10-8c5836dc5951>:43: MultiRNNCell.__init__ (from tensorflow.python.ops.rnn_cell_impl) is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "This class is equivalent as tf.keras.layers.StackedRNNCells, and will be replaced by that in Tensorflow 2.0.\n",
      "WARNING:tensorflow:From /home/husein/.local/lib/python3.6/site-packages/tensorflow/contrib/seq2seq/python/ops/helper.py:107: multinomial (from tensorflow.python.ops.random_ops) is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "Use `tf.random.categorical` instead.\n",
      "WARNING:tensorflow:From /home/husein/.local/lib/python3.6/site-packages/tensorflow/contrib/seq2seq/python/ops/beam_search_decoder.py:985: to_int64 (from tensorflow.python.ops.math_ops) is deprecated and will be removed in a future version.\n",
      "Instructions for updating:\n",
      "Use `tf.cast` instead.\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "/home/husein/.local/lib/python3.6/site-packages/tensorflow/python/ops/gradients_util.py:93: UserWarning: Converting sparse IndexedSlices to a dense Tensor of unknown shape. This may consume a large amount of memory.\n",
      "  \"Converting sparse IndexedSlices to a dense Tensor of unknown shape. \"\n"
     ]
    }
   ],
   "source": [
    "tf.reset_default_graph()\n",
    "sess = tf.InteractiveSession()\n",
    "model = Translator(size_layer, num_layers, embedded_size, len(dictionary_from), \n",
    "                len(dictionary_to), learning_rate)\n",
    "sess.run(tf.global_variables_initializer())"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 13,
   "metadata": {},
   "outputs": [],
   "source": [
    "def str_idx(corpus, dic):\n",
    "    X = []\n",
    "    for i in corpus:\n",
    "        ints = []\n",
    "        for k in i.split():\n",
    "            ints.append(dic.get(k,UNK))\n",
    "        X.append(ints)\n",
    "    return X\n",
    "\n",
    "def pad_sentence_batch(sentence_batch, pad_int):\n",
    "    padded_seqs = []\n",
    "    seq_lens = []\n",
    "    max_sentence_len = max([len(sentence) for sentence in sentence_batch])\n",
    "    for sentence in sentence_batch:\n",
    "        padded_seqs.append(sentence + [pad_int] * (max_sentence_len - len(sentence)))\n",
    "        seq_lens.append(len(sentence))\n",
    "    return padded_seqs, seq_lens"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 14,
   "metadata": {},
   "outputs": [],
   "source": [
    "train_X = str_idx(train_X, dictionary_from)\n",
    "test_X = str_idx(test_X, dictionary_from)\n",
    "train_Y = str_idx(train_Y, dictionary_to)\n",
    "test_Y = str_idx(test_Y, dictionary_to)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 15,
   "metadata": {},
   "outputs": [
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [18:53<00:00,  1.09s/it, accuracy=0.111, cost=6.03] \n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.17it/s, accuracy=0.147, cost=5.8] \n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 1, training avg loss 6.021216, training avg acc 0.099998\n",
      "epoch 1, testing avg loss 5.619824, testing avg acc 0.130521\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [18:10<00:00,  1.05s/it, accuracy=0.147, cost=5.46]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.23it/s, accuracy=0.226, cost=4.74]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 2, training avg loss 5.195450, training avg acc 0.169438\n",
      "epoch 2, testing avg loss 4.963396, testing avg acc 0.186877\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [19:10<00:00,  1.10s/it, accuracy=0.191, cost=4.85]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.23it/s, accuracy=0.22, cost=4.54] \n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 3, training avg loss 4.612823, training avg acc 0.218998\n",
      "epoch 3, testing avg loss 4.648644, testing avg acc 0.213630\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [18:13<00:00,  1.05s/it, accuracy=0.211, cost=4.46]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.23it/s, accuracy=0.243, cost=4.32]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 4, training avg loss 4.243852, training avg acc 0.249489\n",
      "epoch 4, testing avg loss 4.499175, testing avg acc 0.228061\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [18:12<00:00,  1.05s/it, accuracy=0.252, cost=4.01]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.23it/s, accuracy=0.237, cost=4.23]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 5, training avg loss 3.983962, training avg acc 0.271129\n",
      "epoch 5, testing avg loss 4.426677, testing avg acc 0.234843\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [18:11<00:00,  1.05s/it, accuracy=0.274, cost=3.84]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.26it/s, accuracy=0.277, cost=3.97]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 6, training avg loss 3.790021, training avg acc 0.288507\n",
      "epoch 6, testing avg loss 4.350651, testing avg acc 0.243353\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [18:10<00:00,  1.05s/it, accuracy=0.296, cost=3.61]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.24it/s, accuracy=0.271, cost=3.95]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 7, training avg loss 3.642830, training avg acc 0.301940\n",
      "epoch 7, testing avg loss 4.303131, testing avg acc 0.248872\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [18:12<00:00,  1.05s/it, accuracy=0.326, cost=3.4] \n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.24it/s, accuracy=0.266, cost=4.01]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 8, training avg loss 3.540370, training avg acc 0.311659\n",
      "epoch 8, testing avg loss 4.221533, testing avg acc 0.259592\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [18:12<00:00,  1.05s/it, accuracy=0.353, cost=3.22]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.23it/s, accuracy=0.311, cost=3.87]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 9, training avg loss 3.453030, training avg acc 0.320618\n",
      "epoch 9, testing avg loss 4.253314, testing avg acc 0.257195\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [17:29<00:00,  1.01s/it, accuracy=0.373, cost=3.14]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:09<00:00,  2.32it/s, accuracy=0.277, cost=4.03]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 10, training avg loss 3.357456, training avg acc 0.330989\n",
      "epoch 10, testing avg loss 4.178605, testing avg acc 0.266554\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [17:20<00:00,  1.00it/s, accuracy=0.373, cost=3.07]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.28it/s, accuracy=0.266, cost=3.99]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 11, training avg loss 3.268962, training avg acc 0.340379\n",
      "epoch 11, testing avg loss 4.118693, testing avg acc 0.272245\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [17:20<00:00,  1.00it/s, accuracy=0.364, cost=3.03]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:10<00:00,  2.30it/s, accuracy=0.249, cost=4.17]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 12, training avg loss 3.197607, training avg acc 0.348826\n",
      "epoch 12, testing avg loss 4.299376, testing avg acc 0.253526\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [17:21<00:00,  1.00it/s, accuracy=0.415, cost=2.73]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:09<00:00,  2.32it/s, accuracy=0.254, cost=4.21]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 13, training avg loss 3.138803, training avg acc 0.355438\n",
      "epoch 13, testing avg loss 4.464309, testing avg acc 0.235573\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [17:20<00:00,  1.00it/s, accuracy=0.418, cost=2.7] \n",
      "minibatch loop: 100%|██████████| 23/23 [00:09<00:00,  2.30it/s, accuracy=0.271, cost=4.48]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 14, training avg loss 3.086226, training avg acc 0.361895\n",
      "epoch 14, testing avg loss 4.486214, testing avg acc 0.236961\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [16:43<00:00,  1.04it/s, accuracy=0.388, cost=2.74]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:09<00:00,  2.36it/s, accuracy=0.299, cost=3.97]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 15, training avg loss 3.038654, training avg acc 0.366991\n",
      "epoch 15, testing avg loss 4.292651, testing avg acc 0.257616\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [16:25<00:00,  1.06it/s, accuracy=0.395, cost=2.76]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:09<00:00,  2.45it/s, accuracy=0.271, cost=4.1] \n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 16, training avg loss 2.979903, training avg acc 0.375066\n",
      "epoch 16, testing avg loss 4.157380, testing avg acc 0.272399\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [16:17<00:00,  1.07it/s, accuracy=0.436, cost=2.51]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:09<00:00,  2.33it/s, accuracy=0.299, cost=4.25]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 17, training avg loss 2.921988, training avg acc 0.382547\n",
      "epoch 17, testing avg loss 4.229308, testing avg acc 0.270517\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [16:21<00:00,  1.06it/s, accuracy=0.439, cost=2.58]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:09<00:00,  2.41it/s, accuracy=0.271, cost=4.31]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 18, training avg loss 2.873534, training avg acc 0.389018\n",
      "epoch 18, testing avg loss 4.471205, testing avg acc 0.243336\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [16:18<00:00,  1.06it/s, accuracy=0.47, cost=2.43] \n",
      "minibatch loop: 100%|██████████| 23/23 [00:09<00:00,  2.43it/s, accuracy=0.232, cost=4.42]\n",
      "minibatch loop:   0%|          | 0/1042 [00:00<?, ?it/s]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 19, training avg loss 2.832366, training avg acc 0.394765\n",
      "epoch 19, testing avg loss 4.477565, testing avg acc 0.243124\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "minibatch loop: 100%|██████████| 1042/1042 [16:18<00:00,  1.06it/s, accuracy=0.494, cost=2.28]\n",
      "minibatch loop: 100%|██████████| 23/23 [00:09<00:00,  2.44it/s, accuracy=0.288, cost=4.14]"
     ]
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "epoch 20, training avg loss 2.796128, training avg acc 0.399644\n",
      "epoch 20, testing avg loss 4.299843, testing avg acc 0.263432\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "\n"
     ]
    }
   ],
   "source": [
    "import tqdm\n",
    "\n",
    "for e in range(epoch):\n",
    "    pbar = tqdm.tqdm(\n",
    "        range(0, len(train_X), batch_size), desc = 'minibatch loop')\n",
    "    train_loss, train_acc, test_loss, test_acc = [], [], [], []\n",
    "    for i in pbar:\n",
    "        index = min(i + batch_size, len(train_X))\n",
    "        maxlen = max([len(s) for s in train_X[i : index] + train_Y[i : index]])\n",
    "        batch_x, seq_x = pad_sentence_batch(train_X[i : index], PAD)\n",
    "        batch_y, seq_y = pad_sentence_batch(train_Y[i : index], PAD)\n",
    "        feed = {model.X: batch_x,\n",
    "                model.Y: batch_y}\n",
    "        accuracy, loss, _ = sess.run([model.accuracy,model.cost,model.optimizer],\n",
    "                                    feed_dict = feed)\n",
    "        train_loss.append(loss)\n",
    "        train_acc.append(accuracy)\n",
    "        pbar.set_postfix(cost = loss, accuracy = accuracy)\n",
    "    \n",
    "    \n",
    "    pbar = tqdm.tqdm(\n",
    "        range(0, len(test_X), batch_size), desc = 'minibatch loop')\n",
    "    for i in pbar:\n",
    "        index = min(i + batch_size, len(test_X))\n",
    "        batch_x, seq_x = pad_sentence_batch(test_X[i : index], PAD)\n",
    "        batch_y, seq_y = pad_sentence_batch(test_Y[i : index], PAD)\n",
    "        feed = {model.X: batch_x,\n",
    "                model.Y: batch_y,}\n",
    "        accuracy, loss = sess.run([model.accuracy,model.cost],\n",
    "                                    feed_dict = feed)\n",
    "\n",
    "        test_loss.append(loss)\n",
    "        test_acc.append(accuracy)\n",
    "        pbar.set_postfix(cost = loss, accuracy = accuracy)\n",
    "    \n",
    "    print('epoch %d, training avg loss %f, training avg acc %f'%(e+1,\n",
    "                                                                 np.mean(train_loss),np.mean(train_acc)))\n",
    "    print('epoch %d, testing avg loss %f, testing avg acc %f'%(e+1,\n",
    "                                                              np.mean(test_loss),np.mean(test_acc)))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 16,
   "metadata": {},
   "outputs": [],
   "source": [
    "rev_dictionary_to = {int(k): v for k, v in rev_dictionary_to.items()}"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 17,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(20, 198)"
      ]
     },
     "execution_count": 17,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "test_size = 20\n",
    "\n",
    "batch_x, seq_x = pad_sentence_batch(test_X[: test_size], PAD)\n",
    "batch_y, seq_y = pad_sentence_batch(test_Y[: test_size], PAD)\n",
    "feed = {model.X: batch_x}\n",
    "logits = sess.run(model.predicting_ids, feed_dict = feed)\n",
    "logits.shape"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 18,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "0 predict: Làm thế nào tôi có thể nói trong <NUM> <NUM> về phụ nữ hệ <NUM> thế hệ , về những kinh ngạc của những người hùng nắm giữ trong cuộc đời của một bé gái <NUM> tuổi với <NUM> con gái , bà mẹ , bà gái và cô gái trong suốt ngày ngày đêm trong vòng một một thuyền thuyền ở Trung Quốc , <NUM> năm trước , những người đã giữ được trong cuộc đời của cô bé gái cô gái và không bao giờ đi - - cô bé gái cô gái đang sống tại đây , cô ta đang làm việc tại đây , và chúng tôi đang làm việc cho chúng tôi . \" . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "0 actual: Làm sao tôi có thể trình bày trong <NUM> phút về sợi dây liên kết những người phụ nữ qua ba thế hệ , về việc làm thế nào những sợi dây mạnh mẽ đáng kinh ngạc ấy đã níu chặt lấy cuộc sống của một cô bé bốn tuổi co quắp với đứa em gái nhỏ của cô bé , với mẹ và bà trong suốt năm ngày đêm trên con thuyền nhỏ lênh đênh trên Biển Đông hơn <NUM> năm trước , những sợi dây liên kết đã níu lấy cuộc đời cô bé ấy và không bao giờ rời đi - - cô bé ấy giờ sống ở San Francisco và đang nói chuyện với các bạn hôm nay ?\n",
      "\n",
      "1 predict: Đây không phải là một câu chuyện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "1 actual: Câu chuyện này chưa kết thúc .\n",
      "\n",
      "2 predict: Đây là một chơi chơi chơi chơi hợp với nhau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "2 actual: Nó là một trò chơi ghép hình vẫn đang được xếp .\n",
      "\n",
      "3 predict: Tôi sẽ kể cho các bạn một vài trong số . . . . . . . . . . . . . . . . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "3 actual: Hãy để tôi kể cho các bạn về vài mảnh ghép nhé .\n",
      "\n",
      "4 predict: Hãy tưởng tượng xem đầu đầu tiên : một người đàn ông sống đời đời đời đời . . . đời . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "4 actual: Hãy tưởng tượng mảnh đầu tiên : một người đàn ông đốt cháy sự nghiệp cả đời mình .\n",
      "\n",
      "5 predict: Hắn là một nhà thơ , nhà nhà viết rock , một người đàn ông có thể được cân bằng trong sự hi vọng của sự hi vọng của đất nước của ông và sự tự do . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" .\n",
      "5 actual: Ông là nhà thơ , nhà viết kịch , một người mà cả cuộc đời chênh vênh trên tia hi vọng duy nhất rằng đất nước ông sẽ độc lập tự do .\n",
      "\n",
      "6 predict: Tưởng tưởng anh ta khi khi nhân nhân xuất nhập nhập vào cuộc đời , cuộc cuộc cuộc đời của anh ấy đã trở thành một thải rác thải . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . . . . . . . . . . . . . . . . . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "6 actual: Hãy tưởng tượng ông , một người cộng sản tiến vào , đối diện sự thật rằng cả cuộc đời ông đã phí hoài .\n",
      "\n",
      "7 predict: Từ ngữ , bạn dành cho bạn bạn bạn , giờ anh ta đã lấy nó . anh . . . . anh . . . . . . anh ấy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . \" . . . . . \" . . . \" . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "7 actual: Ngôn từ , qua bao năm tháng là bạn đồng hành với ông , giờ quay ra chế giễu ông .\n",
      "\n",
      "8 predict: Anh ta rút lui sự im lặng . . im lặng . . im lặng . . im lặng . . . im lặng . mình . . . . . . . . . . . . . . \" . . . \" . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "8 actual: Ông rút lui vào yên lặng .\n",
      "\n",
      "9 predict: Anh ấy đã qua phá phá phá lịch lịch . lịch sử . lịch sử . lịch sử . lịch sử . lịch sử . lịch sử . lịch sử . lịch sử . lịch sử . lịch sử . lịch sử . lịch sử . lịch sử . . . . . . lịch sử . mình . . . . . . . . . . . . . . . . . . . \" . . . . . . . \" . . . . . \" . \" . . \" . \" . . \" . \" . . \" . . \" . . \" . . \" . . \" . \" . \" . . \" . \" . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" .\n",
      "9 actual: Ông qua đời , bị lịch sử quật ngã .\n",
      "\n",
      "10 predict: Anh là là ông tôi . . . . . tôi . . tôi . . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . tôi . . tôi . . tôi . . tôi . . . tôi . . . . \" . . \" . . \" . . . \" . . \" . \" . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" .\n",
      "10 actual: Ông là ông của tôi .\n",
      "\n",
      "11 predict: Tôi chưa bao giờ biết ông ấy trong cuộc đời . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "11 actual: Tôi chưa bao giờ gặp ông ngoài đời .\n",
      "\n",
      "12 predict: Nhưng cuộc sống của chúng ta là hơn là kí ức của chúng ta . . ta . ta . ta . ta . ta . ta . ta . . ta . ta . . ta . . . ta . . ta . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "12 actual: Nhưng cuộc đời ta nhiều hơn những gì ta lưu trong kí ức nhiều .\n",
      "\n",
      "13 predict: Bà tôi không bao giờ quên đời đời mình . đời mình . . . mình . . mình . . mình . mình . . mình . mình . . mình . mình . . mình . mình . . mình . mình . mình . mình . . mình . mình . mình . . mình . . mình . mình . mình . mình . mình . mình . mình . . mình . . mình . mình . . mình . mình . . mình . . mình . . mình . . mình . . mình . . mình . . mình . . mình . . mình . . . mình . . . . . . . . \" . . . . . . . \" . . \" . \" . . . \" . . . \" . . . . \" . . . . \" . . . . \" . . . . . \" . . . . \" . . . . . \" . . . . . \" . . . . . \" . . . . . \" .\n",
      "13 actual: Bà tôi chưa bao giờ cho phép tôi quên cuộc đời của ông .\n",
      "\n",
      "14 predict: Bộ vụ của tôi không cho phép nó là vô ích vô ích , và bài học của tôi là học điều đó , vâng , lịch sử , , tôi đã cố gắng đánh chúng ta , nhưng chúng ta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ngừng lại . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . . . . . . . . . . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" .\n",
      "14 actual: Nhiệm vụ của tôi là không để cuộc đời ấy qua trong vô vọng , và bài học của tôi là nhận ra rằng , vâng , lịch sử đã cố quật ngã chúng tôi , nhưng chúng tôi đã chịu đựng được .\n",
      "\n",
      "15 predict: Mẫu đoạn của hình chơi hình là một thuyền thuyền ban đầu đầu đầu đầu gối đầu gối bơi . biển . . . . biển . . . biển . . biển . biển . . biển . biển . biển . biển . biển . . biển . biển . biển . biển . biển . biển . biển . biển . biển . biển . biển . biển . biển . biển . biển . . biển . biển . biển . . biển . . biển . . . biển . . . . . biển . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ] \" ] [ 58,000 ] li la li la li la li la li la la li la la la la la la la la la la la la la la la la la la la la la la la la la\n",
      "15 actual: Mảnh ghép tiếp theo của tấm hình là một con thuyền trong sớm hoàng hôn lặng lẽ trườn ra biển .\n",
      "\n",
      "16 predict: Mẹ tôi , , , đã <NUM> tuổi khi bố cô ấy đã - - đã tham gia hôn hôn hôn , với hai bé gái nhỏ . . . gái . . . gái . . . gái . . . . gái . . . . . . gái nhỏ . . . . bé gái . . . . . . . . . . . . . . . . . . . . . \" . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "16 actual: Mẹ tôi , Mai , mới <NUM> tuổi khi ba của mẹ mất - - đã lập gia đình , một cuộc hôn nhân sắp đặt trước , đã có hai cô con gái nhỏ .\n",
      "\n",
      "17 predict: Đối với cô ấy , cuộc sống đã tự đã làm cho bản thân vào nhiệm vụ : thay đổi cuộc sống gia đình và một cuộc sống mới ở Úc . Úc . . Úc . Úc . . . Úc . Úc . Úc . Úc . Úc . Úc . Úc . Úc . . Úc . Úc . . . Úc . Úc . . . Úc . . . Úc . . . . . Úc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . . . . . . . . . . . . . . . . . \" . . . \" . . . . . . . \" . . . . . . \" . . . . . . . \" . . . . . . . . \" . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" .\n",
      "17 actual: Với mẹ , cuộc đời cô đọng vào nhiệm vụ duy nhất : để gia đình mẹ trốn thoát và bắt đầu cuộc sống mới ở Úc .\n",
      "\n",
      "18 predict: Nó có thể nhận được cô cô ấy sẽ không thành công . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . . . . . . . . . . . . . . . . . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \"\n",
      "18 actual: Mẹ không bao giờ chấp nhận được là mẹ sẽ không thành công .\n",
      "\n",
      "19 predict: Sau đó , một năm <NUM> năm cho ra kinh thuyết hư cấu , một thuyền thuyền đã vượt qua nó để chụp thành một cuộc đoàn truyền . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" . \" .\n",
      "19 actual: Thế là sau bốn năm , một trường thiên đằng đẵng hơn cả trong truyện , một chiếc thuyền trườn ra biển nguỵ trang là thuyền đánh cá .\n",
      "\n"
     ]
    }
   ],
   "source": [
    "rejected = ['PAD', 'EOS', 'UNK', 'GO']\n",
    "\n",
    "for i in range(test_size):\n",
    "    predict = [rev_dictionary_to[i] for i in logits[i] if rev_dictionary_to[i] not in rejected]\n",
    "    actual = [rev_dictionary_to[i] for i in batch_y[i] if rev_dictionary_to[i] not in rejected]\n",
    "    print(i, 'predict:', ' '.join(predict))\n",
    "    print(i, 'actual:', ' '.join(actual))\n",
    "    print()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "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": "3.6.8"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}