模型概述
序列建模seq2seq,给定一个序列A，模型生产另一个序列B，然后模型再由序列B生成C,以此一直持续下去。
基本工作流程如下：
序列A中的每一个单词通过word_embedding操作以后，作为input进seq2seq入模型，模型生成同样维度的序列A_out
训练的时候，模型的输出序列A_out与序列B之间的交叉熵作为模型的目标函数，采用clip控制过的梯度进行收敛；
生成的时候，首先给定一个种子序列作为模型输入，初始化模型，让模型可以自循环，并生产指定长度的序列
模型数据流
第一部分：生成数据
数据源 JayLyrics.txt
dataGenerator.py
定义参数
log_dir = './logs'
seq_length = 20 # 每一个序列的长度
batch_size = 32 #每一个batch的长度
datafiles = 'JayLyrics.txt'
读取文本，进行词频统计，将文本与数字进行一一对应，方便进行处理
with open(datafiles, encoding='utf-8') as f:
data = f.read()
total_len = len(data)
words = list(set(data))
words.sort()
vocab_size = len(words)
char2id_dict = {w: i for i, w in enumerate(words)}
id2char_dict = {i: w for i, w in enumerate(words)}
进行这一步之后可以得到
将上面的数据对应表进行存储，注意tsv与csv格式不同，是以tab进行分隔的
_pointer = 0
def char2id( c):
return char2id_dict[c]
def id2char(id):
return id2char_dict[id]
metadata = 'metadata2.tsv'
def save_metadata(file):
with open(file, 'w') as f:
f.write('id\tchar\n')
for i in range(vocab_size):
c = id2char(i)
f.write('{}\t{}\n'.format(i, c))
save_metadata(metadata)
下面进行关键的将原始文本转换为输入数据序列和输入标签
我们可以看到,文本数据与训练数据集是如何进行转换的。
def next_batch():
_pointer = 0
x_batches = []
y_batches = []
for i in range(batch_size):
if _pointer + seq_length + 1 >= total_len:
_pointer = 0
bx = data[_pointer: _pointer + seq_length]
by = data[_pointer +
1: _pointer + seq_length + 1]
_pointer += seq_length # update pointer position
# convert to idss
bx = [char2id(c) for c in bx]
by = [char2id(c) for c in by]
x_batches.append(bx)
y_batches.append(by)
return x_batches, y_batches
data[_pointer: _pointer + seq_length]
Out[22]: '作词：黄俊郎 \n作曲：周杰伦\n编曲：黄雨'
# 以上是 bx
data[_pointer +1: _pointer + seq_length + 1]
Out[23]: '词：黄俊郎 \n作曲：周杰伦\n编曲：黄雨勛'
# 以上是 by
再将上面的数据转化为数字
eg = next_batch()
# 一个batch 就这样生成了
#应注意到输入数据是一个32*20维的数据矩阵
#输入标签同样是一个32*20维的数据矩阵
[char2id(c) for c in bx]
第二部分 构建模型逻辑
构建seq2seq模型
3层LSTMCell 每一层100个神经元
state_size = 100
num_layers = 3
#定义神经网络
cell = rnn_cell.BasicLSTMCell(state_size)
cell = rnn_cell.MultiRNNCell([cell] * num_layers)
# 神经元的初始状态,将神经元设置为全零状态
initial_state = cell.zero_state(
batch_size, tf.float32)
将输入数据传递的seq2seq模型中
采用tf.nn.dynamic_rnn
inputs: The RNN inputs.
Tensor of shape: [batch_size, max_time, ...]
dynamic_rnn 返回
outputs: The RNN outputTensor.
If time_major == False (default), this will be aTensorshaped:
[batch_size, max_time, cell.output_size].
state: The final state. Ifcell.state_sizeis an int, this
will be shaped [batch_size, cell.state_size].
with tf.variable_scope('rnnlm'):
with tf.device("/cpu:0"):
embedding = tf.get_variable(
'embedding', [vocab_size, state_size])
inputs = tf.nn.embedding_lookup(embedding, input_data)
# 将输入数据传递的seq2seq模型中
# 采用tf.nn.dynamic_rnn
# inputs: The RNN inputs.
# Tensor of shape: [batch_size, max_time, ...]
outputs, last_state = tf.nn.dynamic_rnn(cell, inputs, initial_state=initial_state)
embedding input 的详细解释 下面是看到的比较好的解释
引用自http://blog.csdn.net/mydear_11000/article/details/52414342
我们预处理了数据之后得到的是一个二维array，每个位置的元素表示这个word在vocabulary中的index。但是传入graph的数据不能讲word用index来表示，这样词和词之间的关系就没法刻画了。我们需要将word用dense vector表示，这也就是广为人知的word embedding。paper中并没有使用预训练的word embedding，所有的embedding都是随机初始化，然后在训练过程中不断更新embedding矩阵的值。
123
with tf.device("/cpu:0"):
embedding = tf.get_variable("embedding", vocab_size, state_size])
inputs = tf.nn.embedding_lookup(embedding, self._input_data)
首先要明确几点：
既然我们要在训练过程中不断更新embedding矩阵，那么embedding必须是tf.Variable并且trainable=True（default）
目前tensorflow对于lookup embedding的操作只能再cpu上进行
embedding矩阵的大小是多少：每个word都需要有对应的embedding vector，总共就是vocab_size那么多个embedding，每个word embed成多少维的vector呢？因为我们input embedding后的结果就直接输入给了第一层cell，刚才我们知道cell的hidden units size，因此这个embedding dim要和hidden units size对应上（这也才能和内部的各种门的W和b完美相乘）。因此，我们就确定下来
embedding matrix shape=[vocab_size, hidden_units_size]
最后生成真正的inputs节点，也就是从embedding_lookup之后得到的结果，这个tensor的shape=[batch_size, num_stemps, size]
第三部分 构建模型损失函数和收敛方法
先定义参数w（1002636）和b（2636）
再将output 展开成[-1state_size]维即是[-1100]
再用(outputw)+b获得输出序列logits
下面便可以使用sequence_loss_by_example将模型输出logits和训练标签targets计算序列交叉熵
with tf.name_scope('model'):
with tf.variable_scope('rnnlm'):
w = tf.get_variable( 'softmax_w', [state_size, vocab_size])
b = tf.get_variable('softmax_b', [vocab_size])
with tf.name_scope('loss'):
output = tf.reshape(outputs, [-1, state_size])
logits = tf.matmul(output, w) + b
probs = tf.nn.softmax(logits)
last_state = last_state
targets = tf.reshape(target_data, [-1])
# 将targets 展平 维度从（32*20）转化为640
# pass '[-1]' to flatten 't'
#reshape(t, [-1]) ==> [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5, 6, 6, 6]
loss = seq2seq.sequence_loss_by_example([logits],
[targets],
[tf.ones_like(targets, dtype=tf.float32)])
cost = tf.reduce_sum(loss) / batch_size
#下面采用scalar 是用来在tensorboard 显示数据的
tf.summary.scalar('loss', cost)
第四部分 优化器设定
首先 定义lr 是不可训练的
关键地方 clip_by_global_norm的作用
设置梯度的最大范数
Gradient Clipping的方法，控制梯度的最大范数。
可以防止梯度爆炸的问题，如果梯度不加限制，则可能因为迭代中梯度过大导致训练难以收敛。
optimizer.apply_gradients则将前面clip过的梯度应用到所有可以训练的tvars上
with tf.name_scope('optimize'):
lr = tf.placeholder(tf.float32, [])
tf.summary.scalar('learning_rate', lr)
optimizer = tf.train.AdamOptimizer(lr)
#获取全部可以训练的参数tvars
tvars = tf.trainable_variables()
# 提前计算梯度
grads = tf.gradients(cost, tvars)
#显示在tensorboard
for g in grads:
tf.summary.histogram(g.name, g)
# 由它们的范数之和之比求多个张量的值
grads, _ = tf.clip_by_global_norm(grads, grad_clip)
# 将前面clip过的梯度应用到可训练的参数上
train_op = optimizer.apply_gradients(zip(grads, tvars))
merged_op = tf.summary.merge_all()
第五部分 训练
启动模型，设定tensorboard，导入数据，记录数据
with tf.Session() as sess:
#启动模型
sess.run(tf.global_variables_initializer())
saver = tf.train.Saver()
writer = tf.summary.FileWriter(log_dir, sess.graph)
# 设定tensorboard
# Add embedding tensorboard visualization. Need tensorflow version
# >= 0.12.0RC0
config = projector.ProjectorConfig()
embed = config.embeddings.add()
embed.tensor_name = 'rnnlm/embedding:0'
embed.metadata_path = metadata
projector.visualize_embeddings(writer, config)
# 导入数据
max_iter = n_epoch * \
(data.total_len // seq_length) // batch_size
for i in range(max_iter):
learning_rate = learning_rate * \
(decay_rate ** (i // decay_steps))
x_batch, y_batch = data.next_batch()
feed_dict = {model.input_data: x_batch,
model.target_data: y_batch, model.lr: learning_rate}
train_loss, summary, _, _ = sess.run([model.cost, model.merged_op, model.last_state, model.train_op],
feed_dict)
# 记录数据
if i % 10 == 0:
writer.add_summary(summary, global_step=i)
print('Step:{}/{}, training_loss:{:4f}'.format(i,
max_iter, train_loss))
if i % 2000 == 0 or (i + 1) == max_iter:
saver.save(sess, os.path.join(
log_dir, 'lyrics_model.ckpt'), global_step=i)
第五部分 生成文本
首先从保存的模型中取出参数，初始化模型
再设定种子
将种子进行处理
初始化模型
按照设定的生成数量生成文本
#首先从保存的模型中取出参数，初始化模型
saver = tf.train.Saver()
with tf.Session() as sess:
ckpt = tf.train.latest_checkpoint(args.log_dir)
print(ckpt)
saver.restore(sess, ckpt)
# 再设定种子
# initial phrase to warm RNN
prime = u'你要离开我知道很简单'
state = sess.run(cell.zero_state(1, tf.float32))
# 将种子进行处理
# 初始化模型
for word in prime[:-1]:
x = np.zeros((1, 1))
x[0, 0] = char2id(word)
feed = {input_data: x, initial_state: state}
state = sess.run(last_state, feed)
# 按照设定的生成数量生成文本
word = prime[-1]
lyrics = prime
for i in range(args.gen_num):
x = np.zeros([1, 1])
x[0, 0] = char2id(word)
feed_dict = {input_data: x, initial_state: state}
probs, state = sess.run([probs, last_state], feed_dict)
p = probs[0]
word = id2char(np.argmax(p))
print(word, end='')
sys.stdout.flush()
time.sleep(0.05)
lyrics += word
return lyrics
代码还是很复杂很复杂的，看了好几天，还是有些不明白的，
有些只能等以后再慢慢专研，现在主干是抓住了。
