【序列到序列学习】生成古诗词

生成古诗词

序列到序列学习实现两个甚至是多个不定长模型之间的映射，有着广泛的应用，包括：机器翻译、智能对话与问答、广告创意语料生成、自动编码（如金融画像编码）、判断多个文本串之间的语义相关性等。

在序列到序列学习任务中，我们首先以机器翻译任务为例，提供了多种改进模型供大家学习和使用。包括：不带注意力机制的序列到序列映射模型，这一模型是所有序列到序列学习模型的基础；使用Scheduled Sampling改善RNN模型在生成任务中的错误累积问题；带外部记忆机制的神经机器翻译，通过增强神经网络的记忆能力，来完成复杂的序列到序列学习任务。除机器翻译任务之外，我们也提供了一个基于深层LSTM网络生成古诗词，实现同语言生成的模型。

【序列到序列学习】

04

生成古诗词

|1. 简介

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

数据处理

|2.数据处理

A.原始数据来源

本例使用中华古诗词数据库(https://github.com/chinese-poetry/chinese-poetry)中收集的全唐诗作为训练数据，共有约5.4万首唐诗。

B.原始数据下载

cd data && ./download.sh && cd ..

C.数据预处理

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。

|3. 模型训练

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GPU ；
• trainer_count: trainer数目，默认为1；
• save_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3；
• decoder_depth: 模型中解码器LSTM深度，默认为3 ；
• train_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。

A.训练执行

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。

B.最优模型参数

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")'

|4. 生成诗句

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1；
• beam_size: beam search:中搜索范围大小，默认为5 ；
• save_file: 输出保存路径；
• use_gpu: 是否使用GPU。

执行生成

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

今 日 AI 资 讯

（如欲了解详情，在后台回复当日日期数字，例如“316”即可！）

1.百度10.55亿元入股创维酷开。（量子位）

2.显著超越流行长短时记忆网络，阿里提出DFSMN语音识别声学模型。（新智元）

3.进化算法+AutoML，谷歌提出新型神经网络架构搜索方法。（机器之心）