NLP实践------LLM生成过程中防止重复
- [1. 准备工作](#1. 准备工作)
- [2. 问题分析](#2. 问题分析)
- [3. 创建processor](#3. 创建processor)
-
- [3.1 防止重复生成的processor](#3.1 防止重复生成的processor)
- [3.2 防止数字无规则循环的processor](#3.2 防止数字无规则循环的processor)
- [4. 使用](#4. 使用)
本文介绍如何使用LogitsProcessor避免大模型在生成过程中出现重复的问题。
1. 准备工作
首先实例化一个大模型,以GLM2为例:
python3
import re
import os
import json
import random
from typing import *
from copy import deepcopy
import torch
from transformers import AutoModel, AutoTokenizer, AutoModelForCausalLM
from transformers.generation.logits_process import LogitsProcessor, LogitsProcessorList
from transformers.generation.stopping_criteria import StoppingCriteriaList, MaxNewTokensCriteria, StoppingCriteria
创建模型:
python3
tokenizer = AutoTokenizer.from_pretrained(".../ChatGLM2/", trust_remote_code=True)
model = AutoModel.from_pretrained(".../ChatGLM2/", trust_remote_code=True).half()
model.to('cuda:0')
2. 问题分析
接下来思考一下,如何防止模型不停的重复呢?重复分为几种情况,一个字符循环出现,或者多个字符循环出现,例如:
'abcdeeeeee'
'abcdededede'
从生成的过程来考虑,防止模型生成重复的内容,第一步自然是要判断模型陷入了重复,第二步就是打断它重复的过程,也就是将重复的token,在当前step生成的时候,将其概率设置为-inf,那么重复的过程自然就停止了。
3. 创建processor
3.1 防止重复生成的processor
先来解决如何判定重复。这里直接去leetcode上找一个题,获取一个字符串中最大的重复片段,解法如下:
python3
def longest_dup_substring(s: str) -> str:
# 生成两个进制
a1, a2 = random.randint(26, 100), random.randint(26, 100)
# 生成两个模
mod1, mod2 = random.randint(10**9+7, 2**31-1), random.randint(10**9+7, 2**31-1)
n = len(s)
# 先对所有字符进行编码
arr = [ord(c)-ord('a') for c in s]
# 二分查找的范围是[1, n-1]
l, r = 1, n-1
length, start = 0, -1
while l <= r:
m = l + (r - l + 1) // 2
idx = check(arr, m, a1, a2, mod1, mod2)
# 有重复子串,移动左边界
if idx != -1:
l = m + 1
length = m
start = idx
# 无重复子串,移动右边界
else:
r = m - 1
return s[start:start+length] if start != -1 else ""
def check(arr, m, a1, a2, mod1, mod2):
n = len(arr)
aL1, aL2 = pow(a1, m, mod1), pow(a2, m, mod2)
h1, h2 = 0, 0
for i in range(m):
h1 = (h1 * a1 + arr[i]) % mod1
h2 = (h2 * a2 + arr[i]) % mod2
# 存储一个编码组合是否出现过
seen = {(h1, h2)}
for start in range(1, n - m + 1):
h1 = (h1 * a1 - arr[start - 1] * aL1 + arr[start + m - 1]) % mod1
h2 = (h2 * a2 - arr[start - 1] * aL2 + arr[start + m - 1]) % mod2
# 如果重复,则返回重复串的起点
if (h1, h2) in seen:
return start
seen.add((h1, h2))
# 没有重复,则返回-1
return -1
效果如下:
python3
longestDupSubstring('埃尔多安经济学可以重振经济,土耳其土耳其')
# '土耳其'
那么我们就可以写一个processor,在每一个step即将生成的时候,判定一下,是否之前已经生成的结果中,出现了重复。以及,如果出现了重复,则禁止重复部分的第一个token(例如上面例子中,土耳其的土字),在当前step被生成。
针对实际使用中由这个processor引发的一些其他的问题,我又对这个processor增加了一点规则限制,一个比较好用的版本如下。
其中的参数threshold是判断重复多少的情况算作循环,例如将threshold设置为10,那么如果重复部分的长度是3,重复了3次,3×3=9,则不被判定为陷入了循环,而如果重复了4次,3×4=12,则被判定为循环,此时processor将发挥效果了。
python3
class ForbidDuplicationProcessor(LogitsProcessor):
"""
防止生成的内容陷入循环。
当循环内容与循环次数之乘积大于指定次数
则在生成下一个token时将循环内容的第一个token概率设置为0
---------------
ver: 2023-08-17
by: changhongyu
"""
def __init__(self, tokenizer, threshold: int = 10):
self.tokenizer = tokenizer
self.threshold = threshold
def __call__(self, input_ids: torch.LongTensor, scores: torch.FloatTensor) -> torch.FloatTensor:
current_sequence = self.tokenizer.decode(input_ids[0][current_token_len: ])
current_dup_str = longest_dup_substring(current_sequence)
if len(current_dup_str):
# 如果存在重复子序列,则根据其长度与重复次数判断是否禁止循环
if len(current_dup_str) > 1 or (len(current_dup_str) == 1 and current_dup_str * self.threshold in current_sequence):
if len(current_dup_str) * current_sequence.count(current_dup_str) >= self.threshold:
token_ids = self.tokenizer.encode(current_dup_str)
# 获取截止目前的上一个token
last_token = input_ids[0][-1].detach().cpu().numpy().tolist()
if len(token_ids) and last_token == token_ids[-1]:
# 如果截止目前的上一个token,与重复部分的最后一个token一致
# 说明即将触发重复, 先把重复部分的第一个token禁掉
scores[:, token_ids[0]] = 0
# 然后按出现比率判断是否重复部分内还有其他重复
for token_id in token_ids:
if token_ids.count(token_id) * len(token_ids) > 1.2:
scores[:, token_id] = 0
return scores
需要注意的是,为了获取当前的序列已经生成的长度,需要在processor的外部,也就是与model.generate同级的结构处,定义一个全局变量current_token_len
。
python3
global current_token_len
3.2 防止数字无规则循环的processor
出了上述的情况,还有一种常见的循环,无法利用上面的规则解决,即数字无规则循环的情况。针对这个场景,创建另一个processor,只要连续出现的数字出现次数,大于一定的阈值,则禁止当前step再次生成数字。
python3
class MaxConsecutiveProcessor(LogitsProcessor):
"""
给定一个集合,集合中的字符最多连续若干次
下一次生成时不能再出现该集合中的字符
---------------
ver: 2023-08-17
by: changhongyu
---------------
修复bug
ver: 2023-09-11
"""
def __init__(self, consecutive_token_ids, max_num: int = 10):
self.consecutive_token_ids = consecutive_token_ids
self.max_num = max_num
def __call__(self, input_ids: torch.LongTensor, scores: torch.FloatTensor) -> torch.FloatTensor:
input_ids_list = input_ids.squeeze(0).detach().cpu().numpy().tolist()
cur_num = 0
for token in input_ids_list[::-1]:
if token in self.consecutive_token_ids:
cur_num += 1
else:
break
if cur_num >= self.max_num:
# 如果连续次数超过阈值,那集合中的所有token在下一个step都不可以再出现
for token_id in self.consecutive_token_ids:
scores[..., token_id] = 0
return scores
4. 使用
使用方法非常简单,首先创建processor容器。对processor不熟悉的同学,可以去看之前的文章,有非常详细的介绍。
python3
logits_processor = LogitsProcessorList()
然后对于ChatGLM而言,需要先添加其默认的processor:
python3
logits_processor.append(InvalidScoreLogitsProcessor())
接下来,再添加防止陷入循环的两个processor:
python3
number_tokens = [str(i) for i in range(10)] + ['.', '-']
number_token_ids = [tokenizer.convert_tokens_to_ids(tok) for tok in number_tokens]
logits_processor.append(ForbidDuplicationProcessor(tokenizer))
logits_processor.append(MaxConsecutiveProcessor(number_token_ids))
最后在调用generate的时候,把logits_processor作为参数传进去就可以了。
以上便是使用logits_processor来防止大模型在生成过程中陷入循环的方法。经过我的反复调整,基本可以覆盖大多数情景,如果在使用中遇到了bug,也欢迎指出。