实现的步骤如下：
- 构建词典
- 构建数据对象
- 构建文本生成模型
- 编写训练函数
- 编写预测函数
import torch import torch.nn as nn import jieba from torch.utils.data import DataLoader import torch.optim as optim import time import torch.nn.functional as F
1. 构建词典
我们在进行文本生成任务之前，首先就要构建词典，通过词典实现将词到索引的映射，或者通过索引到词的映射。我们构建词典使用的训练数据是周杰伦的歌词，文本内容如下：
想要有直升机 想要和你飞到宇宙去 想要和你融化在一起 融化在宇宙里 我每天每天每天在想想想想著你 这样的甜蜜 让我开始相信命运 感谢地心引力 让我碰到你 漂亮的让我面红的可爱女人 温柔的让我心疼的可爱女人 透明的让我感动的可爱女人 坏坏的让我疯狂的可爱女人 坏坏的让我疯狂的可爱女人 漂亮的让我面红的可爱女人 温柔的让我心疼的可爱女人 透明的让我感动的可爱女人 坏坏的让我疯狂的可爱女人 坏坏的让我疯狂的可爱女人 ......
共 5819 行歌词，接下来，我们就基于上面的语料来构建词典，我们最终会产生以下 4 个返回值：
- index_to_word
- word_to_index
示例代码如下：
def build_vocab():
file_name = 'data/jaychou_lyrics.txt'
# 1. 清洗文本
clean_sentences = []
for line in open(file_name, 'r'):
line = line.replace('〖韩语Rap译文〗','')
# 去除中文、英文、数字、部分标点符号外的其他字符
line = re.sub(r'[^\u4e00-\u9fa5 a-zA-Z0-9!?,]', '', line)
# 连续空格替换成1个
line = re.sub(r'[ ]{2,}', '', line)
# 去除两侧空格、换行
line = line.strip()
# 去除单字的行
if len(line) <= 1:
continue
# 去除重复行
if line not in clean_sentences:
clean_sentences.append(line)
# 2. 预料分词
index_to_word, all_sentences = [], []
for line in clean_sentences:
words = jieba.lcut(line)
all_sentences.append(words)
for word in words:
if word not in index_to_word:
index_to_word.append(word)
# 词到索引映射
word_to_index = {word: idx for idx, word in enumerate(index_to_word)}
# 词的数量
word_count = len(index_to_word)
# 句子索引表示
corpus_idx = []
for sentence in all_sentences:
temp = []
for word in sentence:
temp.append(word_to_index[word])
# 在每行歌词之间添加空格隔开
temp.append(word_to_index[' '])
corpus_idx.extend(temp)
return index_to_word, word_to_index, word_count, corpus_idx
def test01():
index_to_word, word_to_index, word_count, corpus_idx = build_vocab()
print(word_count)
print(index_to_word)
print(word_to_index)
print(corpus_idx)
程序的输出结果:
5682
['想要', '有', '直升机', '和', '你', '飞到' ......]
{'想要': 0, '有': 1, '直升机': 2, '和': 3, '你': 4, '飞到': 5 ......}
[0, 1, 2, 39, 0, 3, 4, 5, 6, 7, 39, 0, 3, 4, 8, 9, 10, 39, 8, 9, 6, 11, 39 ......]
2. 构建数据对象
我们可以编写 LyricsDataset 类，该类用于产生一条样本，该类需要实现 __init__、__len__、 __getitem__ 方法，示例代码如下：
class LyricsDataset:
def __init__(self, corpus_idx, num_chars):
# 语料数据
self.corpus_idx = corpus_idx
# 语料长度
self.num_chars = num_chars
# 词的数量
self.word_count = len(self.corpus_idx)
# 句子数量
self.number = self.word_count // self.num_chars
def __len__(self):
return self.number
def __getitem__(self, idx):
# 修正索引值到: [0, self.word_count - 1]
start = min(max(idx, 0), self.word_count - self.num_chars - 2)
x = self.corpus_idx[start: start + self.num_chars]
y = self.corpus_idx[start + 1: start + 1 + self.num_chars]
return torch.tensor(x), torch.tensor(y)
def test02():
_, _, _, corpus_idx = build_vocab()
lyrics = LyricsDataset(corpus_idx, 5)
lyrics_dataloader = DataLoader(lyrics, shuffle=False, batch_size=1)
for x, y in lyrics_dataloader:
print('x:', x)
print('y:', y)
break
程序结果如下：
x: tensor([[ 0, 1, 2, 39, 0]]) y: tensor([[ 1, 2, 39, 0, 3]])
3. 构建文本生成模型
class TextGenerator(nn.Module):
def __init__(self, vocab_size):
super(TextGenerator, self).__init__()
# 初始化词嵌入层
self.ebd = nn.Embedding(vocab_size, 128)
# 循环网络层
self.rnn = nn.RNN(128, 128, 1)
# 输出层
self.out = nn.Linear(128, vocab_size)
def forward(self, inputs, hidden):
# 输出维度: (1, 5, 128)
embed = self.ebd(inputs)
# 正则化层
embed = F.dropout(embed, p=0.2)
# 修改维度: (5, 1, 128)
output, hidden = self.rnn(embed.transpose(0, 1), hidden)
# 正则化层
embed = F.dropout(output, p=0.2)
# 输入维度: (5, 128)
# 输出维度: (5, 5682)
output = self.out(output.squeeze())
return output, hidden
def init_hidden(self):
return torch.zeros(1, 1, 128)
4. 编写训练函数
def train():
# 构建词典
index_to_word, word_to_index, word_count, corpus_idx = build_vocab()
# 数据集
lyrics = LyricsDataset(corpus_idx, 32)
# 初始化模型
model = TextGenerator(word_count)
# 损失函数
criterion = nn.CrossEntropyLoss()
# 优化方法
optimizer = optim.Adam(model.parameters(), lr=1e-3)
# 训练轮数
epoch = 200
# 迭代打印
iter_num = 300
# 训练日志
train_log = 'lyrics_training.log'
file = open(train_log, 'w')
# 开始训练
for epoch_idx in range(epoch):
# 数据加载器
lyrics_dataloader = DataLoader(lyrics, shuffle=True, batch_size=1)
# 训练时间
start = time.time()
# 迭代次数
iter_num = 0
# 训练损失
total_loss = 0.0
for x, y in lyrics_dataloader:
# 隐藏状态
hidden = model.init_hidden()
# 模型计算
output, hidden = model(x, hidden)
# 计算损失
loss = criterion(output, y.squeeze())
# 梯度清零
optimizer.zero_grad()
# 反向传播
loss.backward()
# 参数更新
optimizer.step()
iter_num += 1
total_loss += loss.item()
message = 'epoch %3s loss: %.5f time %.2f' % \
(epoch_idx + 1,
total_loss / iter_num,
time.time() - start)
print(message)
file.write(message + '\n')
file.close()
# 模型存储
torch.save(model.state_dict(), 'model/lyrics_model_%d.bin' % epoch)
5. 编写预测函数
def predict(start_word, sentence_length):
# 构建词典
index_to_word, word_to_index, word_count, _ = build_vocab()
# 构建模型
model = TextGenerator(vocab_size=word_count)
# 加载参数
model.load_state_dict(torch.load('model/lyrics_model_200.bin'))
# 隐藏状态
hidden = model.init_hidden()
# 词转换为索引
word_idx = word_to_index[start_word]
generate_sentence = [word_idx]
for _ in range(sentence_length):
output, hidden = model(torch.tensor([[word_idx]]), hidden)
word_idx = torch.argmax(output)
generate_sentence.append(word_idx)
for idx in generate_sentence:
print(index_to_word[idx], end='')
print()
冀公网安备13050302001966号