语言模型 language model

时序数据的采样

在训练中我们需要每次随机读取小批量样本和标签。与之前章节的实验数据不同的是，时序数据的一个样本通常包含连续的字符。假设时间步数为5，样本序列为5个字符，即“想”“要”“有”“直”“升”。该样本的标签序列为这些字符分别在训练集中的下一个字符，即“要”“有”“直”“升”“机”，即X=“想要有直升”，Y=“要有直升机”。

现在我们考虑序列“想要有直升机，想要和你飞到宇宙去”，如果时间步数为5，有以下可能的样本和标签：

• X：“想要有直升”，Y：“要有直升机”
• X：“要有直升机”，Y：“有直升机，”
• X：“有直升机，”，Y：“直升机，想”
• ...
• X：“要和你飞到”，Y：“和你飞到宇”
• X：“和你飞到宇”，Y：“你飞到宇宙”
• X：“你飞到宇宙”，Y：“飞到宇宙去”

可以看到，如果序列的长度为T，时间步数为n，那 么一共有T−n个合法的样本，但是这些样本有大量的重合，我们通常采用更加高效的采样方式。我们有两种方式对时序数据进行采样，分别是随机采样和相邻采样。

随机采样

每次从数据里随机采样一个小批量。其中批量大小batch_size是每个小批量的样本数，num_steps是每个样本所包含的时间步数。 在随机采样中，每个样本是原始序列上任意截取的一段序列&#x