运行本目录下的程序示例需要使用PaddlePaddle v0.10.0版本。如果您的PaddlePaddle安装版本低于此�要求,请按照安装文档中的说明更新PaddlePaddle安装版本。
基于编码器-解码器(encoder-decoder)神经网络模型,利用全唐诗进行诗句-诗句(sequence to sequence)训练,实现给定诗句后,生成下一诗句。
模型中的编码器、解码器均使用堆叠双向LSTM (stacked bi-directional LSTM),默认均为3层,带有注意力单元(attention)。
以下是本例的简要目录结构及说明:
.
├── data # 存储训练数据及字典
│ ├── download.sh # 下载原始数据
├── README.md # 文档
├── index.html # 文档(html格式)
├── preprocess.py # 原始数据预处理
├── generate.py # 生成诗句脚本
├── network_conf.py # 模型定义
├── reader.py # 数据读取接口
├── train.py # 训练脚本
└── utils.py # 定义实用工具函数
本例使用中华古诗词数据库中收集的全唐诗作为训练数据,共有约5.4万首唐诗。
cd data && ./download.sh && cd ..
python preprocess.py --datadir data/raw --outfile data/poems.txt --dictfile data/dict.txt
上述脚本执行完后将生成处理好的训练数据poems.txt和字典dict.txt。字典的构建以字为单位,使用出现频数至少为10的字构建字典。
poems.txt中每行为一首唐诗的信息,分为三列,分别为题目、作者、诗内容。在诗内容中,诗句之间用.
分隔。
训练数据示例:
登鸛雀樓 王之渙 白日依山盡.黃河入海流.欲窮千里目.更上一層樓
觀獵 李白 太守耀清威.乘閑弄晚暉.江沙橫獵騎.山火遶行圍.箭逐雲鴻落.鷹隨月兔飛.不知白日暮.歡賞夜方歸
晦日重宴 陳嘉言 高門引冠蓋.下客抱支離.綺席珍羞滿.文場翰藻摛.蓂華彫上月.柳色藹春池.日斜歸戚里.連騎勒金羈
模型训练时,使用每一诗句作为模型输入,下一诗句作为预测目标。
训练脚本train.py中的命令行参数可以通过python train.py --help
查看。主要参数说明如下:
num_passes
: 训练pass数batch_size
: batch大小use_gpu
: 是否使用GPUtrainer_count
: trainer数目,默认为1save_dir_path
: 模型存储路径,默认为当前目录下models目录encoder_depth
: 模型中编码器LSTM深度,默认为3decoder_depth
: 模型中解码器LSTM深度,默认为3train_data_path
: 训练数据路径word_dict_path
: 数据字典路径init_model_path
: 初始模型路径,从头训练时无需指定
python train.py \
--num_passes 50 \
--batch_size 256 \
--use_gpu True \
--trainer_count 1 \
--save_dir_path models \
--train_data_path data/poems.txt \
--word_dict_path data/dict.txt \
2>&1 | tee train.log
每个pass训练结束后,模型参数将保存在models目录下。训练日志保存在train.log中。
寻找cost最小的pass,使用该pass对应的模型参数用于后续预测。
python -c 'import utils; utils.find_optiaml_pass("./train.log")'
使用generate.py脚本对输入诗句生成下一诗句,命令行参数可通过python generate.py --help
查看。
主要参数说明如下:
model_path
: 训练好的模型参数文件word_dict_path
: 数据字典路径test_data_path
: 输入数据路径batch_size
: batch大小,默认为1beam_size
: beam search中搜索范围大小,默认为5save_file
: 输出保存路径use_gpu
: 是否使用GPU
例如将诗句 孤帆遠影碧空盡
保存在文件 input.txt
中作为预测下句诗的输入,执行命令:
python generate.py \
--model_path models/pass_00049.tar.gz \
--word_dict_path data/dict.txt \
--test_data_path input.txt \
--save_file output.txt
生成结果将保存在文件 output.txt
中。对于上述示例输入,生成的诗句如下:
-9.6987 萬 壑 清 風 黃 葉 多
-10.0737 萬 里 遠 山 紅 葉 深
-10.4233 萬 壑 清 波 紅 一 流
-10.4802 萬 壑 清 風 黃 葉 深
-10.9060 萬 壑 清 風 紅 葉 多