模型概述
序列建模seq2seq,给定一个序列A,模型生产另一个序列B,然后模型再由序列B生成C,以此一直持续下去。
基本工作流程如下:
序列A中的每一个单词通过word_embedding操作以后,作为input进seq2seq入模型,模型生成同样维度的序列A_out
训练的时候,模型的输出序列A_out与序列B之间的交叉熵作为模型的目标函数,采用clip控制过的梯度进行收敛;
生成的时候,首先给定一个种子序列作为模型输入,初始化模型,让模型可以自循环,并生产指定长度的序列
模型数据流
第一部分:生成数据
数据源 JayLyrics.txt
dataGenerator.py
定义参数
log_dir = './logs'
seq_length = 20 # 每一个序列的长度
batch_size = 32 #每一个batch的长度
datafiles = 'JayLyrics.txt'
读取文本,进行词频统计,将文本与数字进行一一对应,方便进行处理
with open(datafiles, encoding='utf-8') as f:
data = f.read()
total_len = len(data)
words = list(set(data))
words.sort()
vocab_size = len(words)
char2id_dict = {w: i for i, w in enumerate(words)}
id2char_dict = {i: w for i, w in enumerate(words)}
进行这一步之后可以得到
将上面的数据对应表进行存储,注意tsv与csv格式不同,是以tab进行分隔的
_pointer = 0
def char2id( c):
return char2id_dict[c]
def id2char(id):
return id2char_dict[id]
metadata = 'metadata2.tsv'
def save_metadata(file):
with open(file, 'w') as f:
f.write('id\tchar\n')
for i in range(vocab_size):
c = id2char(i)
f.write('{}\t{}\n'.format(i, c))
save_metadata(metadata)
下面进行关键的将原始文本转换为输入数据序列和输入标签
我们可以看到,文本数据与训练数据集是如何进行转换的。