运行本目录下的范例模型需要安装PaddlePaddle 2.0-rc版。如果您的 PaddlePaddle 安装版本低于此要求，请按照[安装文档](https://www.paddlepaddle.org.cn/#quick-start)中的说明更新 PaddlePaddle 安装版本。 # Variational Autoencoder (VAE) for Text Generation 以下是本范例模型的简要目录结构及说明： ```text . ├── README.md # 文档 ├── args.py # 训练、预测以及模型参数配置程序 ├── data.py # 数据读入程序 ├── download.py # 数据下载程序 ├── train.py # 训练主程序 ├── predict.py # 预测主程序 └── model.py # VAE模型组网部分，以及Metric等 ``` ## 简介 本目录下此范例模型的实现，旨在展示如何用Paddle 2.0-rc 构建用于文本生成的VAE示例，其中LSTM作为编码器和解码器。分别对官方PTB数据和yahoo数据集进行训练。 关于VAE的详细介绍参照： [(Bowman et al., 2015) Generating Sentences from a Continuous Space](https://arxiv.org/pdf/1511.06349.pdf) ## 数据介绍 本教程使用了两个文本数据集： PTB数据集由华尔街日报的文章组成，包含929k个训练tokens，词汇量为10k。下载地址为: https://dataset.bj.bcebos.com/imikolov%2Fsimple-examples.tgz。 Yahoo数据集来自[(Yang et al., 2017) Improved Variational Autoencoders for Text Modeling using Dilated Convolutions](https://arxiv.org/pdf/1702.08139.pdf)，该数据集从原始Yahoo Answer数据中采样100k个文档，数据集的平均文档长度为78，词汇量为200k。下载地址为：https://paddlenlp.bj.bcebos.com/datasets/yahoo-answer-100k.tar.gz ### 数据获取 ``` python download.py --task ptb # 下载ptb数据集 python download.py --task yahoo # 下载yahoo数据集 ``` ## 模型训练 如果使用ptb数据集训练，可以通过下面命令配置： ``` export CUDA_VISIBLE_DEVICES=0 python train.py \ --batch_size 32 \ --init_scale 0.1 \ --max_grad_norm 5.0 \ --dataset ptb \ --model_path ptb_model\ --use_gpu True \ --max_epoch 50 \ ``` 如果需要多卡运行，可以运行如下命令： ``` export CUDA_VISIBLE_DEVICES=0,1,2,3 python -m paddle.distributed.launch train.py \ --batch_size 32 \ --init_scale 0.1 \ --max_grad_norm 5.0 \ --dataset ptb \ --model_path ptb_model \ --use_gpu True \ --max_epoch 50 \ ``` 如果需要使用yahoo数据集进行多卡运行，可以将参数配置如下： ``` export CUDA_VISIBLE_DEVICES=0,1,2,3 python -m paddle.distributed.launch train.py \ --batch_size 32 \ --embed_dim 512 \ --hidden_size 550 \ --init_scale 0.1 \ --max_grad_norm 5.0 \ --dataset yahoo \ --model_path yahoo_model \ --use_gpu True \ --max_epoch 50 \ ``` **NOTE:** 如需恢复模型训练，则`init_from_ckpt`只需指定到文件名即可，不需要添加文件尾缀。如`--init_from_ckpt=ptb_model/49`即可，程序会自动加载模型参数`ptb_model/49.pdparams`，也会自动加载优化器状态`ptb_model/49.pdopt`。 ## 模型预测 当模型训练完成之后，可以选择加载模型保存目录下的第 50 个epoch的模型进行预测，生成batch_size条短文本。生成的文本位于参数`infer_output_file`指定的路径下。如果使用ptb数据集，可以通过下面命令配置： ``` export CUDA_VISIBLE_DEVICES=0 python predict.py \ --batch_size 32 \ --init_scale 0.1 \ --max_grad_norm 5.0 \ --dataset ptb \ --use_gpu True \ --infer_output_file infer_output.txt \ --init_from_ckpt ptb_model/49 \ ``` 使用yahoo数据集，需要配置embed_dim和hidden_size： ``` python predict.py \ --batch_size 32 \ --init_scale 0.1 \ --embed_dim 512 \ --hidden_size 550 \ --max_grad_norm 5.0 \ --dataset yahoo \ --use_gpu True \ --infer_output_file infer_output.txt \ --init_from_ckpt yahoo_model/49 \ ``` ## 效果评价 ||Test PPL|Test NLL| |:-|:-:|:-:| |ptb dataset|108.71|102.76| |yahoo dataset|78.38|349.48| ## 生成样例 shareholders were spent about N shares to spend $ N million to ual sell this trust stock last week new york stock exchange composite trading trading outnumbered closed at $ N a share down N cents the company cited pressure to pursue up existing facilities in the third quarter was for and four N million briefly stocks for so-called unusual liability people had down out the kind of and much why your relationship are anyway there are a historic investment giant chips which ran the benefit the attempting to original maker