『NLG学习』（一）教你用seq2seq训练一个chatbot

Abstract（摘要）

众所周知，深度神经网络(dnns)是一种强大的模型，在困难的学习任务上取得了优异的性能。虽然dnns在大型标记训练集中工作得很好，但它们不能用于将序列映射到序列。在本文中，作者提出了一种通用的端到端序列学习方法seq2seq，即使用多层长短期记忆(lstm)将输入序列映射到一个固定维的向量，然后使用另一个深度lstm从向量解码至目标序列。最后，作者发现，在所有源句（但不是目标句）中反转单词的顺序显著提高了lstm的性能，因为这样做在源句和目标句之间引入了许多短期依赖关系，这使得优化问题更容易。

Introduction（介绍）

本文的seq2seq由encoder与decoder组成，首先将源语句输入至encoder编码为一个向量，我们称为上下文向量，它可以视为整个输入句子的抽象表示。然后，该向量由第二个LSTM解码，该LSTM通过一次生成一个单词来学习输出目标语句。下面给出一个文本翻译的栗子

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

源语句被输入至embedding层（黄色），然后被输入编码器（绿色），我们还分别将序列的开始（）和序列的结束（）标记附加到句子的开始和结尾，sos为start of sentence，eos为end of sentence。在每一个时间步，我们输入给encoder当前的单词以及上一个时间步的隐藏状态h_t-1，encoder吐出新的h_t，这个tensor可以视为目前为止的句子的抽象表示。这个RNN可以表示为一个方程： ht=EncoderRNN(emb(xt),ht-1) 这里的RNN可以是LSTM或GRU或任何RNN的变体。在最后一个时间步，我们将h_T赋给z，作为decoder的输入。

在每个时间步，解码器RNN（蓝色）的输入是当前单词的嵌入，以及上一个时间步的隐藏状态，其中初始解码器隐藏状态就是上下文向量，即初始解码器隐藏状态是最终编码器隐藏状态。因此，方程为 s_t=DecoderRNN(emb(y_t,x_t-1) ,然后在每一个时间步，我们将s_t输入给线形层（紫色），得到y_t_hat,即 y_t_hat=f(s_t) ,而后用y_hat与y进行交叉熵计算，得到损失，并优化参数。

The Model（模型）

Encoder（编码器）

在前向计算中，我们传入源语句，并使用嵌入层将其转换为密集向量，然后应用dropout。 然后将这些嵌入传递到RNN。 当我们将整个序列传递给RNN时，它将为我们自动对整个序列进行隐藏状态的递归计算。请注意，我们没有将初始的隐藏状态或单元状态传递给RNN。 这是因为，如paddle文档中所述，如果没有任何隐藏/单元状态传递给RNN，它将自动创建初始隐藏/单元状态作为全零的张量。

立即进入“豆包AI人工智官网入口”；

立即学习“豆包AI人工智能在线问答入口”；

模型参数：

input_dim:输入张量的维度，即字典的大小emb_dim:嵌入层的维度hid_dim:隐藏状态与单元状态的维度n_layers:RNN的层数dropout:丢弃的概率，防止过拟合

Decoder（解码器）

解码器执行解码的单个步骤，即，每个时间步输出单个token。 第一层将从上一时间步中接收到一个隐藏的单元格状态，并将其与当前嵌入的token一起通过LSTM馈送，以产生一个新的隐藏的单元格状态。 后续层将使用下一层的隐藏状态，以及其图层中先前的隐藏状态和单元格状态。

Decoder的参数与encoder类似，但要注意它们的hid_dim要相同，否则矩阵无法运算。

seq2seq（序列到序列）

Implement（实作）

读取数据集与数据预处理

In [13]

import numpy as npimport re#将无效字符去掉with open("data/data86810/human_chat.txt","r",encoding="utf-8") as f:    data=f.read().replace("Human 1"," ").replace("Human 2"," ").replace("."," ").replace("*"," ").replace("@"," ").replace("^"," ").replace("&"," ").replace("!"," ").replace("#"," ").replace("$"," ").replace("?"," ").replace(";"," ").replace(":"," ").replace(","," ").replace('"',' ').replace("%"," ").replace("/"," ").replace("@"," ").replace("("," ").replace(")"," ").replace("'"," ").lower()data=list(data.split("n"))#print(len(data))lst=[]#分割出单词，连成序列for obj in data:    sen=list(obj.split(" "))    lst.append(sen)#print(len(lst))#将字符连接起来，制作字典string=" ".join(data)#将特殊字符添入string1="pad sos eos"#合并字符串string=string+string1#string=string.replace(''," ")#使用正则分割，防止有多个空格words=re.split(" +",string)#使用集合，防止单词重复words=list(set(words))print(len(words))#获取字典dic=dict([(word,i) for i,word in enumerate(words)])#存储对话序列index_data=[]#每句话的长度，短句添加"pad",长句切至10sen_len=10for i,sen in enumerate(lst):    #token映射至index，并防止出现空字符    sen=[dic[word] for word in sen if word!='']    #在开头添加"sos"    sen.insert(0,dic["sos"])    while len(sen)<sen_len-1:        #填充"pad",防止长度不够        sen.append(dic["pad"])    #切取sen_len-1个词    sen=sen[:sen_len-1]    #末尾添加"eos"    sen.append(dic["eos"])    #将ask与answer分割    if i%2==0:        one=[]        one.append(sen)    else:        one.append(sen)        index_data.append(one)#print(len(index_data))index_data=np.array(index_data)print(index_data.shape)print(index_data[0])#挑一个看看效果ask,ans=index_data[3]#将index序列转化为字符串ask_str=[words[i] for i in ask]ans_str=[words[i] for i in ans]print(ask_str)print(ans_str)#print(dic)

定义数据读取器

In [14]

import paddlefrom paddle.io import Dataset,DataLoaderimport paddle.nn as nnimport random#batch大小batch_size=128class Mydataset(Dataset):    def __init__(self,index_data,dic):        super(Mydataset, self).__init__()        self.index_data=index_data        self.dic=dic    def __getitem__(self,index):        ask_data,ans_data=self.index_data[index]        #ask部分倒序，引入更多短期依赖关系        ask_data,ans_data=ask_data[:][::-1],ans_data        return ask_data,ans_data    def __len__(self):        return self.index_data.shape[0]#实例化读取器dataset=Mydataset(index_data,dic)#封装为迭代器dataloader=DataLoader(dataset,batch_size=batch_size,shuffle=True,drop_last=True)#看看效果for _,__ in dataloader():    #print(_,__)    break

定义Encoder

In [15]

class Encoder(nn.Layer):    def __init__(self,vocab_size,emb_dim,hid_dim,drop_out,n_layers):        #vocab_size:输入张量的维度，即字典的大小        #emb_dim:嵌入层的维度        #hid_dim:隐藏状态与单元状态的维度        #n_layers:RNN的层数        #dropout:丢弃的概率，防止过拟合        super(Encoder, self).__init__()        self.hid_dim=hid_dim        self.n_layers=n_layers                self.emb=nn.Embedding(vocab_size,emb_dim)        #[batch_size,vocab_size,hid_dim]        self.lstm=nn.LSTM(emb_dim,hid_dim,n_layers)        self.drop=nn.Dropout(drop_out)    def forward(self,x):        #src:[batch_size,sen_len]        x=self.drop(self.emb(x))        #x:[batch_size,sen_len,emb_dim]        y,(h,c)=self.lstm(x)        #y:[batch size,sen_len,hid dim*n_directions]        #h:[n layers*n_directions,batch_size,hid_dim]        #c:[n layers*n_directions,batch size,hid_dim]        return h,cvocab_size=len(dic)emb_dim=128hid_dim=256drop_out=0.7n_layers=2#实例化encoderencoder=Encoder(vocab_size,emb_dim,hid_dim,drop_out,n_layers)x=paddle.randint(0,1000,[batch_size,sen_len])h,c=encoder(x)#看看形状print(h.shape,c.shape)

定义Decoder

In [16]

class Decoder(nn.Layer):    def __init__(self,vocab_size,emb_dim,hid_dim,drop_out,n_layers):        super(Decoder, self).__init__()        self.vocab_size=vocab_size        self.emb_dim=emb_dim        self.hid_dim=hid_dim        self.emb=nn.Embedding(vocab_size,emb_dim)        self.lstm=nn.LSTM(emb_dim,hid_dim,n_layers)        self.drop=nn.Dropout(drop_out)        self.fc=nn.Linear(hid_dim,vocab_size)    def forward(self,x,hidden,cell):        #x = [batch_size]        #hidden = [n_layers*n_directions, batch_size, hid_dim]        #cell = [n_layers*n_directions, batch_size, hid_dim]        #扩维        x=paddle.unsqueeze(x,axis=1)        #x=[batch_size,1]        x=self.drop(self.emb(x))        #x=[batch_size,emb_dim]        output,(h,c)=self.lstm(x,(hidden,cell))        #output = [batch_size,1, hid_dim * n_directions]        #hidden = [n_layers * n_directions, batch_size, hid_dim]        #cell = [n_layers * n_directions, batch_size, hid_dim]        prediction=self.fc(output.squeeze(1))        #prediction=[batch_size,vocab_size]        return prediction,h,cdecoder=Decoder(vocab_size,emb_dim,hid_dim,drop_out,n_layers)x=paddle.randint(0,1000,[batch_size])y,h,c=decoder(x,h,c)print(y.shape)

定义Seq2Seq

In [17]

import randomclass seq2seq(nn.Layer):    def __init__(self,encoder,decoder):        super(seq2seq, self).__init__()        nn.initializer.set_global_initializer(nn.initializer.XavierNormal(),nn.initializer.Constant(0.))        self.encoder=encoder        self.decoder=decoder    def forward(self,source,target,teacher_forcing_ratio=0.5):        #src = [batch_size,src_len]        #trg = [batch_size,trg_len]        #teacher_forcing_ratio is probability to use teacher forcing        target_len=target.shape[1]        batch_size=target.shape[0]        outputs=paddle.zeros([target_len,batch_size,decoder.vocab_size])        #outputs=[tar_len,batch_size,vocab_size]        hidden,cell=self.encoder(source)        #x为第一个词"sos"        x=target[:,0]        #loop (tar_len-1)次        for t in range(1,target_len):            output,hidden,cell=self.decoder(x,hidden,cell)            #保存token的张量            outputs[t]=output            #判断是否动用teacher_forcing            flag=random.random()<teacher_forcing_ratio            #目标token            top1=paddle.argmax(output,axis=1)            #x为下一个输入token            x=target[:,t] if flag else top1        return outputsx=paddle.randint(0,1000,[20,sen_len])y=paddle.randint(0,1000,[20,sen_len])model=seq2seq(encoder,decoder)predict=model(x,y)print(predict.shape)

定义初始化函数

In [18]

#截断梯度@paddle.no_grad()def init_weights(m):    for name, param in m.named_parameters():        #均匀分布初始化        param.data=paddle.uniform(min=-0.2,max=0.2,shape=param.shape)#模型初始化model.apply(init_weights)

定义测试函数

In [19]

def check(str_lst):    index_set=set(str_lst)    #筛掉重复的单词    lst=list(index_set)    #重复次数    zeros=[0 for index in lst]    #组合为字典    index_dic=dict(zip(lst,zeros))    index_list=[]    #找出重复的index地方    for i in range(len(str_lst)):        index=str_lst[i]        if index in index_set:            index_dic[index]+=1            if index_dic[index]>1:                index_list.append(i)    #删除重复处    str_lst=np.delete(str_lst,index_list)    str_lst=paddle.to_tensor(str_lst,dtype="int64")    return str_lstarr=np.array([1,2,3,4,1,1,2,2])print(check(arr))

   In [20]

#测试函数def evaluate(model,ask_sen=ask):    ask_sen=paddle.to_tensor(ask_sen).unsqueeze(axis=0)    #tar设为全零张量    tar=paddle.zeros([1,sen_len])    #第一个token设为"sos"    tar[0,0]=dic["sos"]    tar=tar.astype("int64")    #获取answer    ans=model(ask_sen,tar,0)    #压扁batch_size层    ans=ans.squeeze(axis=1)    #获取概率最大的token    ans=ans.argmax(axis=1)    ans=check(ans.numpy())    #获取字符串    ans_str=[words[i] for i in ans]    #连接字符串    string=" ".join(ans_str)    return stringprint(evaluate(model,ask))

开启训练

In [ ]

learning_rate=2e-4epoch_num=1000#梯度裁剪，防止LSTM梯度爆炸clip_grad=nn.ClipGradByNorm(1)#设定loss，并忽略"pad"这个tokenloss=nn.CrossEntropyLoss(ignore_index=dic["pad"])#实例化优化器optimize=paddle.optimizer.Momentum(learning_rate,parameters=model.parameters(),grad_clip=clip_grad)model.train()for epoch in range(epoch_num):    for i,(user_data,assist_data) in enumerate(dataloader()):        #清除梯度        optimize.clear_grad()        #获取预测张量        predict=model(user_data,assist_data,0)        #将predict展开，并去掉第一个词        predict=paddle.reshape(predict[1:],[-1,vocab_size])        #将assist_data展开，并去掉第一个词        assist_data=paddle.reshape(assist_data[:,1:],[-1])        #原predict=[0,y_hat1,y_hat2...]        #原assist_data=["sos",y1,y2...]        #因此要将第一个词去掉        predict=paddle.to_tensor(predict,dtype="float32")        str_predict=predict.argmax(axis=1)        str_del=check(str_predict.numpy())        #print("predict:",str_predict)        #print("del:",str_del)        num=str_predict.shape[0]-str_del.shape[0]        assist_data=paddle.to_tensor(assist_data,dtype="int64")        #获取损失值        avg_loss=loss(predict,assist_data)        #print(avg_loss.numpy(),num)        avg_loss+=num        #反向传播求梯度        avg_loss.backward()        #优化参数        optimize.minimize(avg_loss)        #清除梯度        optimize.clear_grad()        if i%10==0:            print("epoch:%d,i:%d,loss:%f"%(epoch,i,avg_loss.numpy()))            print(evaluate(model,index_data[random.randint(0,500)][0]))    if epoch%10==0:        #保存模型参数        paddle.save(model.state_dict(),"work/seq2seq.pdparams")

载入参数

In [22]

encoder=Encoder(vocab_size,emb_dim,hid_dim,drop_out,n_layers)decoder=Decoder(vocab_size,emb_dim,hid_dim,drop_out,n_layers)model=seq2seq(encoder,decoder)state_dict=paddle.load("work/seq2seq.pdparams")model.load_dict(state_dict)

结果展示

In [23]

def transform(index_tensor):    string=[words[i] for i in index_tensor]    return " ".join(string)

   In [24]

print("human 1:",transform(index_data[0][0]))print("human 2",evaluate(model,index_data[0][0]))print("human 1",transform(index_data[100][0]))print("human 2",evaluate(model,index_data[100][0]))print("human 1",transform(index_data[200][0]))print("human 2",evaluate(model,index_data[200][0]))

human 1: sos hi pad pad pad pad pad pad pad eoshuman 2  forgot chopping storm yet helloooooo know difficulthuman 1 sos lol ok pad pad pad pad pad pad eoshuman 2  common minimalist humid listen bad used scarehuman 1 sos nice do you refer to work or anything eoshuman 2  owner copying rarely beyonce japanese laughter managed come

       emmmm，第一个说你好，AI的回应里面好歹也有一个hello，也算贴合主题。第二个说lol。。。是英雄联盟？意思是英雄联盟很OK，AI回答常见的极简主义听上去很辣鸡。。。AI在评价lol很辣鸡？第三个说你指的是工作还是其它的。AI回应说自己的拷贝很少，连日本人都笑了。大概是想说自己的代码拷贝很少，蛮好的

总的来看，AI的回应还算切合主题，结果还行。

以上就是『NLG学习』（一）教你用seq2seq训练一个chatbot的详细内容，更多请关注创想鸟其它相关文章！