diff --git a/language_model/README.md b/language_model/README.md new file mode 100644 index 0000000000000000000000000000000000000000..dab2ea60ac2bc6c99cf07a01f739cbad511d3f12 --- /dev/null +++ b/language_model/README.md @@ -0,0 +1,204 @@ +# 语言模型 + +## 简介 +语言模型即 Language Model，简称LM，它是一个概率分布模型，简单来说，就是用来计算一个句子的概率的模型。**利用它可以确定哪个词序列的可能性更大，或者给定若干个词，可以预测下一个最可能出现的词语。**它是自然语言处理领域的一个重要的基础模型。 + +## 应用场景 +**语言模型被应用在很多领域**，如： + +* **自动写作**：语言模型可以根据上文生成下一个词，递归下去可以生成整个句子、段落、篇章。 +* **QA**：语言模型可以根据Question生成Answer。 +* **机器翻译**：当前主流的机器翻译模型大多基于Encoder-Decoder模式，其中Decoder就是一个语言模型，用来生成目标语言。 +* **拼写检查**：语言模型可以计算出词语序列的概率，一般在拼写错误处序列的概率会骤减，可以用来识别拼写错误并提供改正候选集。 +* **词性标注、句法分析、语音识别......** + +## 关于本例 +Language Model 常见的实现方式有 N-Gram、RNN、seq2seq。本例中实现了基于N-Gram、RNN的语言模型。**本例的文件结构如下**（`images` 文件夹与使用无关可不关心）： + + +```text +. +├── data # toy、demo数据，用户可据此格式化自己的数据 +│ ├── chinese.test.txt # test用的数据demo +| ├── chinese.train.txt # train用的数据demo +│ └── input.txt # infer用的输入数据demo +├── config.py # 配置文件，包括data、train、infer相关配置 +├── infer.py # 预测任务脚本，即生成文本 +├── network_conf.py # 本例中涉及的各种网络结构均定义在此文件中，希望进一步修改模型结构，请修改此文件 +├── reader.py # 读取数据接口 +├── README.md # 文档 +├── train.py # 训练任务脚本 +└── utils.py # 定义通用的函数，例如：构建字典、加载字典等 +``` + +**注：一般情况下基于N-Gram的语言模型不如基于RNN的语言模型效果好，所以实际使用时建议使用基于RNN的语言模型，本例中也将着重介绍基于RNN的模型，简略介绍基于N-Gram的模型。** + +## RNN 语言模型 +### 简介 + +RNN是一个序列模型，基本思路是：在时刻t，将前一时刻t-1的隐藏层输出和t时刻的词向量一起输入到隐藏层从而得到时刻t的特征表示，然后用这个特征表示得到t时刻的预测输出，如此在时间维上递归下去，如下图所示： + +

+ +可以看出RNN善于使用上文信息、历史知识，具有“记忆”功能。理论上RNN能实现“长依赖”（即利用很久之前的知识），但在实际应用中发现效果并不理想，于是出现了很多RNN的变种，如常用的LSTM和GRU，它们对传统RNN的cell进行了改进，弥补了RNN的不足，下图是LSTM的示意图： + +

+ +本例中即使用了LSTM、GRU。 + +### 模型实现 + +本例中RNN语言模型的实现简介如下： + +* **定义模型参数**：`config.py`中的`Config_rnn`**类**中定义了模型的参数变量。 +* **定义模型结构**：`network_conf.py`中的`rnn_lm`**函数**中定义了模型的**结构**，如下： + * 输入层：将输入的词（或字）序列映射成向量，即embedding。 + * 中间层：根据配置实现RNN层，将上一步得到的embedding向量序列作为输入。 + * 输出层：使用softmax归一化计算单词的概率，将output结果返回 + * loss：定义模型的cost为多类交叉熵损失函数。 +* **训练模型**：`train.py`中的`main`方法实现了模型的训练，实现流程如下： + * 准备输入数据：建立并保存词典、构建train和test数据的reader。 + * 初始化模型：包括模型的结构、参数。 + * 构建训练器：demo中使用的是Adam优化算法。 + * 定义回调函数：构建`event_handler`来跟踪训练过程中loss的变化，并在每轮时结束保存模型的参数。 + * 训练：使用trainer训练模型。 + +* **生成文本**：`infer.py`中的`main`方法实现了文本的生成，实现流程如下： + * 根据配置选择生成方法：RNN模型 or N-Gram模型。 + * 加载train好的模型和词典文件。 + * 读取`input_file`文件（每行为一个sentence的前缀），用启发式图搜索算法`beam_search`根据各sentence的前缀生成文本。 + * 将生成的文本及其前缀保存到文件`output_file`。 + + +## N-Gram 语言模型 + +### 简介 +N-Gram模型也称为N-1阶马尔科夫模型，它有一个有限历史假设：当前词的出现概率仅仅与前面N-1个词相关。一般采用最大似然估计（Maximum Likelihood Estimation，MLE）的方法对模型的参数进行估计。当N取1、2、3时，N-Gram模型分别称为unigram、bigram和trigram语言模型。一般情况下，N越大、训练语料的规模越大，参数估计的结果越可靠，但由于模型较简单、表达能力不强以及数据稀疏等问题。一般情况下用N-Gram实现的语言模型不如RNN、seq2seq效果好。 + +### 模型实现 + +本例中N-Gram语言模型的实现简介如下： + +* **定义模型参数**：`config.py`中的`Config_ngram`**类**中定义了模型的参数变量。 +* **定义模型结构**：`network_conf.py`中的`ngram_lm`**函数**中定义了模型的**结构**，如下： + * 输入层：本例中N取5，将前四个词分别做embedding，然后连接起来作为输入。 + * 中间层：根据配置实现DNN层，将上一步得到的embedding向量序列作为输入。 + * 输出层：使用softmax归一化计算单词的概率，将output结果返回 + * loss：定义模型的cost为多类交叉熵损失函数。 +* **训练模型**：`train.py`中的`main`方法实现了模型的训练，实现流程与上文中RNN语言模型基本一致。 +* **生成文本**：`infer.py`中的`main`方法实现了文本的生成，实现流程与上文中RNN语言模型基本一致，区别在于构建input时本例会取每个前缀的最后4（N-1）个词作为输入。 + +## 使用说明 + +运行本例的方法如下： + +* 1，运行`python train.py`命令，开始train模型（默认使用RNN），待训练结束。 +* 2，运行`python infer.py`命令做prediction。（输入的文本默认为`data/input.txt`，生成的文本默认保存到`data/output.txt`中。） + + +**如果用户需要使用自己的语料、定制模型，需要修改的地方主要是`语料`和`config.py`中的配置，需要注意的细节和适配工作详情如下：** + + +### 语料适配 + +* 清洗语料：去除原文中空格、tab、乱码，按需去除数字、标点符号、特殊符号等。 +* 编码格式：utf-8，本例中已经对中文做了适配。 +* 内容格式：每个句子占一行；每行中的各词之间使用一个空格符分开。 +* 按需要配置`config.py`中对于data的配置： + + ```python + # -- config : data -- + + train_file = 'data/chinese.train.txt' + test_file = 'data/chinese.test.txt' + vocab_file = 'data/vocab_cn.txt' # the file to save vocab + + build_vocab_method = 'fixed_size' # 'frequency' or 'fixed_size' + vocab_max_size = 3000 # when build_vocab_method = 'fixed_size' + unk_threshold = 1 # # when build_vocab_method = 'frequency' + + min_sentence_length = 3 + max_sentence_length = 60 + ``` + + 其中，`build_vocab_method `指定了构建词典的方法：**1，按词频**，即将出现次数小于`unk_threshold `的词视为``；**2，按词典长度**，`vocab_max_size`定义了词典的最大长度，如果语料中出现的不同词的个数大于这个值，则根据各词的词频倒序排，取`top(vocab_max_size)`个词纳入词典。 + + 其中`min_sentence_length`和`max_sentence_length `分别指定了句子的最小和最大长度，小于最小长度的和大于最大长度的句子将被过滤掉、不参与训练。 + + *注：需要注意的是词典越大生成的内容越丰富但训练耗时越久，一般中文分词之后，语料中不同的词能有几万乃至几十万，如果vocab\_max\_size取值过小则导致\占比过高，如果vocab\_max\_size取值较大则严重影响训练速度（对精度也有影响），所以也有“按字”训练模型的方式，即：把每个汉字当做一个词，常用汉字也就几千个，使得字典的大小不会太大、不会丢失太多信息，但汉语中同一个字在不同词中语义相差很大，有时导致模型效果不理想。建议用户多试试、根据实际情况选择是“按词训练”还是“按字训练”。* + +### 模型适配、训练 + +* 按需调整`config.py`中对于模型的配置，详解如下： + + ```python + # -- config : train -- + + use_which_model = 'rnn' # must be: 'rnn' or 'ngram' + use_gpu = False # whether to use gpu + trainer_count = 1 # number of trainer + + + class Config_rnn(object): + """ + config for RNN language model + """ + rnn_type = 'gru' # or 'lstm' + emb_dim = 200 + hidden_size = 200 + num_layer = 2 + num_passs = 2 + batch_size = 32 + model_file_name_prefix = 'lm_' + rnn_type + '_params_pass_' + + + class Config_ngram(object): + """ + config for N-Gram language model + """ + emb_dim = 200 + hidden_size = 200 + num_layer = 2 + N = 5 + num_passs = 2 + batch_size = 32 + model_file_name_prefix = 'lm_ngram_pass_' + ``` + + 其中，`use_which_model`指定了要train的模型，如果使用RNN语言模型则设置为'rnn'，如果使用N-Gram语言模型则设置为'ngram'；`use_gpu`指定了train的时候是否使用gpu；`trainer_count`指定了并行度、用几个trainer去train模型；`rnn_type` 用于配置rnn cell类型，可以取‘lstm’或‘gru’；`hidden_size`配置unit个数；`num_layer`配置RNN的层数；`num_passs`配置训练的轮数；`emb_dim`配置embedding的dimension；`batch_size `配置了train model时每个batch的大小；`model_file_name_prefix `配置了要保存的模型的名字前缀。 + +* 运行`python train.py`命令训练模型，模型将被保存到当前目录。 + +### 按需生成文本 + +* 按需调整`config.py`中对于infer的配置，详解如下： + + ```python + # -- config : infer -- + + input_file = 'data/input.txt' # input file contains sentence prefix each line + output_file = 'data/output.txt' # the file to save results + num_words = 10 # the max number of words need to generate + beam_size = 5 # beam_width, the number of the prediction sentence for each prefix + ``` + + 其中，`input_file`中保存的是带生成的文本前缀，utf-8编码，每个前缀占一行，形如： + + ```text + 我 + 我 是 + ``` + 用户将需要生成的文本前缀按此格式存入文件即可； + `num_words`指定了要生成多少个单词（实际生成过程中遇到结束符会停止生成，所以实际生成的词个数可能会比此值小）；`beam_size`指定了beam search方法的width，即每个前缀生成多少个候选词序列；`output_file`指定了生成结果的存放位置。 + +* 运行`python infer.py`命令生成文本，生成的结果格式如下： + + ```text + 我 + 我 0.107702672482 + 我 爱 。我 中国 中国 0.000177299271939 + 我 爱 中国 。我 是 中国 4.51695544709e-05 + 我 爱 中国 中国 0.000910127729821 + 我 爱 中国 。我 是 0.00015957862922 + ``` + 其中，‘我’是前缀，其下方的五个句子时补全的结果，每个句子末尾的浮点数表示此句子的生成概率。