transformers生成式对话机器人

灯下夜无眠

已于 2024-02-29 14:26:41 修改

阅读量1.1k

点赞数 26

分类专栏： nlp 文章标签：机器人 python transformer 生成式

于 2024-02-29 11:02:21 首次发布

本文链接：https://blog.csdn.net/LLMUZI123456789/article/details/136364882

版权

nlp 专栏收录该内容

16 篇文章 0 订阅

订阅专栏

本文介绍了生成式对话机器人的核心技术，如Transformer架构、自回归模型、注意力机制等，展示了如何使用HuggingFace的transformers库搭建和训练一个简单的对话机器人，包括数据预处理、模型创建和训练过程。

摘要由CSDN通过智能技术生成

生成式对话机器人是一种人工智能技术，它通过学习大量自然语言数据，模拟人类进行开放、连贯和创造性的对话。这种类型的对话系统并不局限于预定义的回答集，而是能够根据上下文动态生成新的回复内容。其核心组件和技术包括：

1、神经网络架构：现代生成式对话机器人通常基于深度学习框架，特别是Transformer架构（如GPT-3、BERT等）或其他循环神经网络（RNN），如长短期记忆网络（LSTM）。

2、自回归模型：在生成回复时，模型按词或子词单元顺序预测下一个单元，直到生成完整的回复句子。这允许模型处理文本序列的连续性和上下文依赖性。

3、训练数据：为了实现高质量的对话生成，需要大量的对话数据集来训练模型，这些数据可以是电影剧本、社交媒体对话、论坛帖子、客服记录等。

4、注意力机制：尤其是在Transformer中，多头注意力机制让模型能够更好地关注输入序列中的重要部分，从而生成更相关和连贯的回复。

5、强化学习：有时会结合强化学习策略来优化对话机器人的行为，使其能适应不断变化的环境，并根据用户的反馈调整对话策略以达到更好的交互效果。

6、对话管理：除了基本的回复生成之外，一个完整的对话机器人还需要对话管理模块来跟踪对话状态，确保对话流程的连贯性以及适时切换话题或结束对话。

7、后处理与控制：为了保证生成内容的质量和安全，可能还会包含一些后处理步骤，比如对生成回复进行过滤或调整，避免产生不恰当或误导性内容。

Transformer生成式对话机器人是当前对话系统技术的前沿代表之一，下面介绍一下如何使用transformers简单搭建一个生成式对话机器人。

# 导包
from datasets import Dataset
from transformers import AutoTokenizer, AutoModelForCausalLM, DataCollatorForSeq2Seq, TrainingArguments, Trainer

ds = Dataset.load_from_disk("/alpaca_data_zh")
print(ds[:3])

# 数据预处理
tokenizer = AutoTokenizer.from_pretrained("../models/bloom-389m-zh")
# 数据处理函数
def process_func(example):
    MAX_LENGTH = 256
    input_ids, attention_mask, labels = [], [], []
    instruction = tokenizer("\n".join(["Human: " + example["instruction"], example["input"]]).strip() + "\n\nAssistant: ")
    response = tokenizer(example["output"] + tokenizer.eos_token)
    input_ids = instruction["input_ids"] + response["input_ids"]
    attention_mask = instruction["attention_mask"] + response["attention_mask"]
    labels = [-100] * len(instruction["input_ids"]) + response["input_ids"]
    if len(input_ids) > MAX_LENGTH:
        input_ids = input_ids[:MAX_LENGTH]
        attention_mask = attention_mask[:MAX_LENGTH]
        labels = labels[:MAX_LENGTH]
    return {
        "input_ids": input_ids,
        "attention_mask": attention_mask,
        "labels": labels
    }
# 数据处理
tokenized_ds = ds.map(process_func, remove_columns=ds.column_names)
tokenized_ds

# 创建模型
model = AutoModelForCausalLM.from_pretrained("../models/bloom-389m-zh")

# 配置训练参数
args = TrainingArguments(
    output_dir="./chatboot",
    per_device_train_batch_size=4,
    gradient_accumulation_steps=8,
    logging_steps=10,
    num_train_epochs=2
)

# 创建训练器
trainer = Trainer(
    args=args,
    model=model,
    train_dataset=tokenized_ds,
    data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True)
)

# 模型训练
trainer.train()

# 模型推理
from transformers import pipeline

pipe = pipeline("text-generation", model=model, tokenizer=tokenizer)

inputs = "Human: {}\n{}".format("重庆南岸区怎么玩？", "").strip() + "\n\nAssistant: "
pipe(inputs, max_length=256, do_sample=True)