###前提・実現したいこと現在ChainerのLSTMで予測モデルを作り、それを使って語義曖昧性解消の予測を行うということをやっております。その中でpickle.loadを行う際に引数に関するエラーが発生し、どうしても解決できなかったため、どなたか助けていただけると幸いです。 ###発生している問題・エラーメッセージ ``` $ python lstm_prediction.py Traceback (most recent call last): File "lstm_prediction.py", line 139, in main() File "lstm_prediction.py", line 112, in main lstm = pickle.load(fl) TypeError: __init__() takes from 2 to 4 positional arguments but 5 were given ``` ###予測モデルを作成するソースコード ```lstm.py import argparse import os import sys import numpy as np import chainer from chainer import optimizers import chainer.functions as F import chainer.links as L import pickle # import cupy global vocab global n_vocab global inv_vocab vocab = {'<$>':0, '':1, '':2} n_vocab = len(vocab) inv_vocab = {0:'<$>', 1:'', 2:''} #逆引き辞書 n_units = 512 # 隠れ層のユニット数 # LSTMのネットワーク定義 class LSTM(chainer.Chain): state = {} def __init__(self, n_vocab, n_units): print(n_vocab, n_units) super(LSTM, self).__init__( l1_embed = L.EmbedID(n_vocab, n_units), l1_x = L.Linear(n_units, 4 * n_units), l1_h = L.Linear(n_units, 4 * n_units), l2_embed = L.EmbedID(n_vocab, n_units), l2_x = L.Linear(n_units, 4 * n_units), l2_h = L.Linear(n_units, 4 * n_units), l3_embed = L.EmbedID(n_vocab, n_units), l3_x = L.Linear(n_units, 4 * n_units), l3_h = L.Linear(n_units, 4 * n_units), l4_embed = L.EmbedID(n_vocab, n_units), l4_x = L.Linear(n_units, 4 * n_units), l4_h = L.Linear(n_units, 4 * n_units), l5_embed = L.EmbedID(n_vocab, n_units), l5_x = L.Linear(n_units, 4 * n_units), l5_h = L.Linear(n_units, 4 * n_units), l_umembed = L.Linear(n_units, n_vocab) ) def forward(self, x1, x2, x3, x4, x5, t, train=True, dropout_ratio=0.5): h1 = self.l1_embed(chainer.Variable(np.asarray([x1], dtype=np.int32))) c1, y1 = F.lstm(chainer.Variable(np.zeros((1, n_units), dtype=np.float32)), F.dropout(self.l1_x(h1), ratio=dropout_ratio, train=train ) + self.l1_h(self.state['y1'])) h2 = self.l2_embed(chainer.Variable(np.asarray([x2]))) c2, y2 = F.lstm(self.state['c1'], F.dropout(self.l2_x(h2), ratio=dropout_ratio, train=train) + self.l2_h(self.state['y2'])) h3 = self.l3_embed(chainer.Variable(np.asarray([x3]))) c3, y3 = F.lstm(self.state['c2'], F.dropout(self.l3_x(h3), ratio=dropout_ratio, train=train) + self.l3_h(self.state['y3'])) h4 = self.l4_embed(chainer.Variable(np.asarray([x4]))) c4, y4 = F.lstm(self.state['c3'], F.dropout(self.l4_x(h4), ratio=dropout_ratio, train=train) + self.l4_h(self.state['y4'])) h5 = self.l5_embed(chainer.Variable(np.asarray([x5]))) c5, y5 = F.lstm(self.state['c4'], F.dropout(self.l5_x(h5), ratio=dropout_ratio, train=train) + self.l5_h(self.state['y5'])) self.state = {'c1': c1, 'y1': y1, 'h1': h1, 'c2': c2, 'y2': y2, 'h2': h2, 'c3': c3, 'y3': y3, 'h3': h3, 'c4': c4, 'y4': y4, 'h4': h4, 'c5': c5, 'y5': y5, 'h5': h5} y = self.l_umembed(y5) #print('y:',vars(y)) #print('ans:', np.asarray([t]), 'pred:', np.argmax(y.data)) if train: return F.softmax_cross_entropy(y, np.asarray([t])) else: return F.softmax(y5), y5.data def initialize_state(self, n_units, batchsize=1, train=True): for name in ('c1', 'y1', 'h1', 'c2', 'y2', 'h2', 'c3', 'y3', 'h3', 'c4', 'y4', 'h4', 'c5', 'y5', 'h5'): self.state[name] = chainer.Variable(np.zeros((batchsize, n_units), dtype=np.float32), volatile=not train) ~~~~~~ def main(): p = 5 # 文字列長 w = 2 # 前後の単語の数 epoch = 2 #繰り返し回数 total_loss = 0 # 誤差関数の値を入れる変数 # 引数の処理 parser = argparse.ArgumentParser() parser.add_argument('--gpu', '-g', default=-1, type=int, help='GPU ID (negative value indicates CPU)') args = parser.parse_args() # 訓練データ、評価データ、テストデータの読み込み os.chdir('/Users/suguruoki/practice/chainer/examples/ptb') train_data = load_data('last4.dat') pickle.dump(vocab, open('vocab.bin', 'wb')) pickle.dump(inv_vocab, open('inv_vocab.bin', 'wb')) n_vocab = len(vocab) #print(train_data[0:1000]) # モデルの準備 # 入力は単語数、中間層はmain関数冒頭で定義 lstm = LSTM(n_vocab, n_units) lstm.initialize_state(n_units) model = L.Classifier(lstm) model.compute_accuracy = False if args.gpu >= 0: xp = cupy else: np if args.gpu >= 0: cupy.get_device(args.gpu).use() model.to_gpu() # optimizerの設定 optimizer = optimizers.Adam() optimizer.setup(model) seq = [] seq_append = seq.append # ５単語毎に分ける for i in range(epoch): # 同じデータをepoch数繰り返す print('Epoch =', i+1, file=sys.stderr) length = len(train_data) # 単語を順番に走査 for t in range(length): print("{}/{}".format(t, length)) # 文頭、文末を考慮する for k in range(t-w, t+w+1): if k >= 0: if k == t: seq.append(vocab['<$>']) elif k > len(train_data)-1: seq.append(vocab['']) else: seq.append(train_data[k]) else: seq.append(vocab['']) seq.append(train_data[t]) # print('t =', t,', seq :', seq) tmp = np.array(seq, dtype='i') seq = [] # seq: 周辺単語のリスト loss = lstm.forward(tmp[0], tmp[1], tmp[2], tmp[3], tmp[4], tmp[5]) tmp = [] # 出力する時はlossを記憶 if i%epoch==0: total_loss += loss.data # 最適化の実行 model.cleargrads() loss.backward() optimizer.update() # 学習結果を1epochごとにファイルに保存する # model.to_cpu() pickle.dump(model, open('LSTMmodel.pkl', 'wb')) pickle.dump(lstm, open('LSTMlstm.pkl', 'wb')) ~~~~省略 ``` ↑の全ソースは[こちら](http://plsk.net/lstmwsd) # 予測を行うソースコード(エラーが出ているのはこちらのファイルです) ```lstm_prediction.py ~~~~省略 n_units = 512 # 隠れ層のユニット数 # LSTMのネットワーク定義 class LSTM(chainer.Chain): state = {} def __init__(self, n_vocab, n_units): #print(n_vocab, n_units) super(LSTM, self).__init__( l1_embed = L.EmbedID(n_vocab, n_units), l1_x = L.Linear(n_units, 4 * n_units), l1_h = L.Linear(n_units, 4 * n_units), l2_embed = L.EmbedID(n_vocab, n_units), l2_x = L.Linear(n_units, 4 * n_units), l2_h = L.Linear(n_units, 4 * n_units), l3_embed = L.EmbedID(n_vocab, n_units), l3_x = L.Linear(n_units, 4 * n_units), l3_h = L.Linear(n_units, 4 * n_units), l4_embed = L.EmbedID(n_vocab, n_units), l4_x = L.Linear(n_units, 4 * n_units), l4_h = L.Linear(n_units, 4 * n_units), l5_embed = L.EmbedID(n_vocab, n_units), l5_x = L.Linear(n_units, 4 * n_units), l5_h = L.Linear(n_units, 4 * n_units), l_umembed = L.Linear(n_units, n_vocab) ) ~~~~省略 def initialize_state(self, n_units, batchsize=1, train=True): for name in ('c1', 'y1', 'h1', 'c2', 'y2', 'h2', 'c3', 'y3', 'h3', 'c4', 'y4', 'h4', 'c5', 'y5', 'h5'): self.state[name] = chainer.Variable(np.zeros((batchsize, n_units), dtype=np.float32), volatile=not train) ~~~~省略 def main(): ''' main関数 ''' p = 5 # 文字列長 w = 2 # 前後の単語の数 total_loss = 0 # 誤差関数の値を入れる変数 vocab = {} n_vocab = len(vocab) inv_vocab={} #逆引き辞書 # 引数の処理 parser = argparse.ArgumentParser() parser.add_argument('--gpu', '-g', default=-1, type=int, help='GPU ID (negative value indicates CPU)') args = parser.parse_args() # cuda環境では以下のようにすればよい xp = cuda.cupy if args.gpu >= 0 else np if args.gpu >= 0: cuda.get_device(args.gpu).use() model.to_gpu() with open('vocab.bin', 'rb') as fv: vocab = pickle.load(fv) with open('inv_vocab.bin', 'rb') as fi: inv_vocab = pickle.load(fi) # 訓練データ、評価データ、テストデータの読み込み os.chdir('/Users/suguruoki/practice/chainer/examples/ptb/') test_data = load_data('117-test-data.dat', vocab, inv_vocab) n_vocab = len(vocab) # モデルの準備 # 入力は単語数、中間層はmain関数冒頭で定義 lstm = LSTM(n_vocab , n_units) lstm.initialize_state(n_units) model = L.Classifier(lstm) model.compute_accuracy = False with open('LSTMlstm.pkl', 'rb') as fl: lstm = pickle.load(fl) # =>エラーが出ているのはこの行です。 with open('LSTMmodel.pkl', 'rb') as fm: model = pickle.load(fm) ~~~~省略 ``` ↑の全ソースコードは[こちら](http://plsk.net/lstmwsd_prediction) ###補足情報(言語/FW/ツール等のバージョンなど) - Python => Python 3.5.2 :: Anaconda custom (x86_64) - chainer => 1.9.0 また何か必要な情報があれば、教えていただけると幸いです。よろしくお願いいたします。

	@@ -1,1 +1,1 @@
1	- ~~Python~~ Pickle.loadの引数エラー
1	+ 機械学習でのPickle.loadの引数エラー

質問編集履歴