导语
PaddlePaddle提供了丰富的运算单元,帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里,我们针对常见的机器学习任务,提供了不同的神经网络模型供大家学习和使用。本周推文目录如下:
周三:【词向量】Hsigmoid加速词向量训练
周四:【词向量】 噪声对比估计加速词向量训练
周五:【RNN】使用RNN语言模型生成文本
使用RNN语言模型生成文本
语言模型(Language Model)是一个概率分布模型,简单来说,就是用来计算一个句子的概率的模型。利用它可以确定哪个词序列的可能性更大,或者给定若干个词,可以预测下一个最可能出现的词。语言模型是自然语言处理领域里一个重要的基础模型。
|1.应用场景
语言模型被应用在很多领域,如:
自动写作:语言模型可以根据上文生成下一个词,递归下去可以生成整个句子、段落、篇章。
QA:语言模型可以根据Question生成Answer。
机器翻译:当前主流的机器翻译模型大多基于Encoder-Decoder模式,其中Decoder就是一个待条件的语言模型,用来生成目标语言。
拼写检查:语言模型可以计算出词序列的概率,一般在拼写错误处序列的概率会骤减,可以用来识别拼写错误并提供改正候选集。
词性标注、句法分析、语音识别.....
|2. 关于本例
本例实现基于RNN的语言模型,以及利用语言模型生成文本,本例的目录结构如下:
.
├── data
│ └── train_data_examples.txt # 示例数据,可参考示例数据的格式,提供自己的数据
├── config.py # 配置文件,包括data、train、infer相关配置
├── generate.py # 预测任务脚本,即生成文本
├── beam_search.py # beam search 算法实现
├── network_conf.py # 本例中涉及的各种网络结构均定义在此文件中,希望进一步修改模型结构,请修改此文件
├── reader.py # 读取数据接口
├── README.md
├── train.py # 训练任务脚本
└── utils.py # 定义通用的函数,例如:构建字典、加载字典等
|3.RNN 语言模型
(1)简介
RNN是一个序列模型,基本思路是:在时刻t,将前一时刻t−1的隐藏层输出和t时刻的词向量一起输入到隐藏层从而得到时刻t的特征表示,然后用这个特征表示得到t时刻的预测输出,如此在时间维上递归下去。可以看出RNN善于使用上文信息、历史知识,具有“记忆”功能。理论上RNN能实现“长依赖”(即利用很久之前的知识),但在实际应用中发现效果并不理想,研究提出了LSTM和GRU等变种,通过引入门机制对传统RNN的记忆单元进行了改进,弥补了传统RNN在学习长序列时遇到的难题。本例模型使用了LSTM或GRU,可通过配置进行修改。下图是RNN(广义上包含了LSTM、GRU等)语言模型“循环”思想的示意图:
(2)模型实现
本例中RNN语言模型的实现简介如下:
定义模型参数:config.py中定义了模型的参数变量。
定义模型结构:network_conf.py中的rnn_lm函数中定义了模型的结构,如下:
输入层:将输入的词(或字)序列映射成向量,即词向量层: embedding。
中间层:根据配置实现RNN层,将上一步得到的embedding向量序列作为输入。
输出层:使用softmax归一化计算单词的概率。
loss:定义多类交叉熵作为模型的损失函数。
训练模型:train.py中的main方法实现了模型的训练,实现流程如下:
准备输入数据:建立并保存词典、构建train和test数据的reader。
初始化模型:包括模型的结构、参数。
构建训练器:demo中使用的是Adam优化算法。
定义回调函数:构建event_handler来跟踪训练过程中loss的变化,并在每轮训练结束时保存模型的参数。
训练:使用trainer训练模型。
生成文本:generate.py实现了文本的生成,实现流程如下:
加载训练好的模型和词典文件。
读取gen_file文件,每行是一个句子的前缀,用柱搜索算法(Beam Search)根据前缀生成文本。
将生成的文本及其前缀保存到文件gen_result。
|4. 使用说明
运行本例的方法如下:
运行python train.py命令,开始train模型(默认使用LSTM),待训练结束。
运行python generate.py运行文本生成。(输入的文本默认为data/train_data_examples.txt,生成的文本默认保存到data/gen_result.txt中。)
如果需要使用自己的语料、定制模型,需要修改config.py中的配置,细节和适配工作详情如下:
(1)语料适配
清洗语料:去除原文中空格、tab、乱码,按需去除数字、标点符号、特殊符号等。
内容格式:每个句子占一行;每行中的各词之间使用一个空格符分开。
按需要配置config.py中的如下参数:
train_file = "data/train_data_examples.txt"
test_file =""
vocab_file = "data/word_vocab.txt"
model_save_dir = "models"
train_file:指定训练数据的路径,需要预先分词。
test_file:指定测试数据的路径,如果训练数据不为空,将在每个 pass 训练结束对指定的测试数据进行测试。
vocab_file:指定字典的路径,如果字典文件不存在,将会对训练语料进行词频统计,构建字典。
model_save_dir:指定模型保存的路径,如果指定的文件夹不存在,将会自动创建。
(2)构建字典的策略
当指定的字典文件不存在时,将对训练数据进行词频统计,自动构建字典config.py中有如下两个参数与构建字典有关:
max_word_num = 51200 - 2
cutoff_word_fre = 0
max_word_num:指定字典中含有多少个词。
cutoff_word_fre:字典中词语在训练语料中出现的最低频率。
加入指定了 max_word_num = 5000,并且 cutoff_word_fre = 10,词频统计发现训练语料中出现频率高于10次的词语仅有3000个,那么最终会取3000个词构成词典。
构建词典时,会自动加入两个特殊符号: :不出现在字典中的词 :句子的结束符
注:需要注意的是,词典越大生成的内容越丰富,但训练耗时越久。一般中文分词之后,语料中不同的词能有几万乃至几十万,如果max_word_num取值过小则导致占比过高,如果max_word_num取值较大,则严重影响训练速度(对精度也有影响)。所以,也有“按字”训练模型的方式,即:把每个汉字当做一个词,常用汉字也就几千个,使得字典的大小不会太大、不会丢失太多信息,但汉语中同一个字在不同词中语义相差很大,有时导致模型效果不理想。建议多试试、根据实际情况选择是“按词训练”还是“按字训练”。
(3)模型适配、训练
按需调整config.py中如下配置,来修改 rnn 语言模型的网络结果:
rnn_type = "lstm" # "gru" or "lstm"
emb_dim = 256
hidden_size = 256
stacked_rnn_num = 2
rnn_type:支持 ”gru“ 或者 ”lstm“ 两种参数,选择使用何种 RNN 单元。
emb_dim:设置词向量的维度。
hidden_size:设置 RNN 单元隐层大小。
stacked_rnn_num:设置堆叠 RNN 单元的个数,构成一个更深的模型。
运行python train.py命令训练模型,模型将被保存到model_save_dir指定的目录。
(4)按需生成文本
按需调整config.py中以下变量,详解如下:
gen_file = "data/train_data_examples.txt"
gen_result = "data/gen_result.txt"
max_gen_len = 25 # the max number of words to generate
beam_size =5
model_path = "models/rnn_lm_pass_00000.tar.gz"
gen_file:指定输入数据文件,每行是一个句子的前缀,需要预先分词。
gen_result:指定输出文件路径,生成结果将写入此文件。
max_gen_len:指定每一句生成的话最长长度,如果模型无法生成出,当生成 max_gen_len 个词语后,生成过程会自动终止。
beam_size:Beam Search 算法每一步的展开宽度。
model_path:指定训练好的模型的路径。
其中,gen_file 中保存的是待生成的文本前缀,每个前缀占一行,形如:
若隐若现 地像 幽灵 , 像 死神
将需要生成的文本前缀按此格式存入文件即可;
运行python generate.py命令运行beam search 算法为输入前缀生成文本,下面是模型生成的结果:
81 若隐若现 地像 幽灵 , 像 死神
-12.2542 一样 。 他 是 个 怪物
-12.6889 一样 。 他 是 个 英雄
-13.9877 一样 。 他 是 我 的 敌人
-14.2741 一样 。 他 是 我 的
-14.6250 一样 。 他 是 我 的 朋友
第一行 81 若隐若现 地像 幽灵 , 像 死神以\t为分隔,共有两列: - 第一列是输入前缀在训练样本集中的序号。 - 第二列是输入的前缀。
2. 第二 ~ beam_size + 1行是生成结果,同样以\t 分隔为两列: - 第一列是该生成序列的对数概率(log probability)。 - 第二列是生成的文本序列,正常的生成结果会以符号结尾,如果没有以结尾,意味着超过了最大序列长度,生成强制终止。
end
*原创贴,版权所有,未经许可,禁止转载
*值班小Paddle:wangp
*欢迎在留言区分享您的观点
*为了方便大家问题的跟进解决,我们采用Github Issue来采集信息和追踪进度。大家遇到问题请搜索Github Issue,问题未解决请优先在Github Issue上提问,有助于问题的积累和沉淀
点击“阅读原文”,访问Github Issue。