上一篇：《用谷歌经典ML方法方法来设计生成式人工智能语言模型》
序言：市场上所谓的开源大语言模型并不完全开源，通常只提供权重和少量工具，而架构、训练数据集、训练方法及代码等关键内容并未公开。因此，要真正掌握人工智能模型，仍需从基础出发。本篇文章将通过传统方法重新构建一个语言模型，以帮助大家理解语言模型的本质：它并不神秘，主要区别在于架构设计。目前主流架构是谷歌在论文《Attention Is All You Need》中提出的 Transformer，而本文选择采用传统的 RNN（LSTM）方法构建模型，其最大局限在于不支持高效并行化，因而难以扩展。
创建模型
现在让我们创建一个简单的模型，用来训练这些输入数据。这个模型由一个嵌入层、一个 LSTM 层和一个全连接层组成。对于嵌入层，你需要为每个单词生成一个向量，因此参数包括总单词数和嵌入的维度数。在这个例子中，单词数量不多，所以用八个维度就足够了。
你可以让 LSTM 成为双向的，步数可以是序列的长度，也就是我们的最大长度减去 1（因为我们从末尾去掉了一个 token 用作标签）。
最后，输出层将是一个全连接层，其参数为总单词数，并使用 softmax 激活。该层的每个神经元表示下一个单词匹配相应索引值单词的概率：
model = Sequential()
model.add(Embedding(total_words, 8))
model.add(Bidirectional(LSTM(max_sequence_len-1)))
model.add(Dense(total_words, activation='softmax'))
使用分类损失函数（例如分类交叉熵）和优化器（例如 Adam）编译模型。你还可以指定要捕获的指标：
python
Copy code
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
这是一个非常简单的模型，数据量也不大，因此可以训练较长时间，比如 1,500 个 epoch：
history = model.fit(xs, ys, epochs=1500, verbose=1)
经过 1,500 个 epoch 后，你会发现模型已经达到了非常高的准确率（见图 8-6）。
图 8-6：训练准确率
当模型的准确率达到 95% 左右时，我们可以确定，如果输入一段它已经见过的文本，它预测下一个单词的准确率约为 95%。然而请注意，当生成文本时，它会不断遇到以前没见过的单词，因此尽管准确率看起来不错，网络最终还是会迅速生成一些无意义的文本。我们将在下一节中探讨这个问题。
文本生成
现在你已经训练了一个可以预测序列中下一个单词的网络，接下来的步骤是给它一段文本序列，让它预测下一个单词。我们来看看具体怎么做。
预测下一个单词
首先，你需要创建一个称为种子文本（seed text）的短语。这是网络生成内容的基础，它会通过预测下一个单词来完成这一点。
从网络已经见过的短语开始，例如：
seed_text = "in the town of athy"
接下来，用 texts_to_sequences 对其进行标记化。即使结果只有一个值，这个方法也会返回一个数组，因此你需要取这个数组的第一个元素：
python
Copy code
token_list = tokenizer.texts_to_sequences([seed_text])[0]
然后，你需要对该序列进行填充，使其形状与用于训练的数据相同：
token_list = pad_sequences([token_list],
maxlen=max_sequence_len-1, padding='pre')
现在，你可以通过对该序列调用 model.predict 来预测下一个单词。这将返回语料库中每个单词的概率，因此需要将结果传递给 np.argmax 来获取最有可能的单词：
predicted = np.argmax(model.predict(token_list), axis=-1)
print(predicted)
这应该会输出值 68。如果查看单词索引表，你会发现这对应的单词是 "one"：
'town': 66, 'athy': 67, 'one': 68, 'jeremy': 69, 'lanigan': 70,
你可以通过代码在单词索引中搜索这个值，并将其打印出来：
for word, index in tokenizer.word_index.items():
if index == predicted:
print(word)
break
因此，从文本 "in the town of athy" 开始，网络预测下一个单词是 "one"。如果你查看训练数据，会发现这是正确的，因为这首歌的开头是：
In the town of Athy one Jeremy Lanigan
Battered away til he hadn't a pound
现在你已经确认模型可以正常工作，可以尝试一些不同的种子文本。例如，当我使用种子文本 "sweet jeremy saw dublin" 时，模型预测的下一个单词是 "then"。（这段文本的选择是因为其中的所有单词都在语料库中。至少在开始时，如果种子文本中的单词在语料库中，你应该可以期待更准确的预测结果。）
通过递归预测生成文本
在上一节中，你已经学会了如何用模型根据种子文本预测下一个单词。现在，为了让神经网络生成新的文本，你只需重复预测的过程，每次添加新的单词即可。
例如，之前我使用短语 "sweet jeremy saw dublin"，模型预测下一个单词是 "then"。你可以在种子文本后添加 "then"，形成 "sweet jeremy saw dublin then"，然后进行下一次预测。重复这个过程，就可以生成一段由 AI 创造的文本。
以下是上一节代码的更新版，这段代码会循环执行多次，循环次数由 next_words 参数决定：
seed_text = "sweet jeremy saw dublin"
next_words = 10
for _ in range(next_words):
token_list = tokenizer.texts_to_sequences([seed_text])[0]
token_list = pad_sequences([token_list], maxlen=max_sequence_len-1, padding='pre')
predicted = model.predict_classes(token_list, verbose=0)
output_word = ""
for word, index in tokenizer.word_index.items():
if index == predicted:
output_word = word
break
seed_text += " " + output_word
print(seed_text)
运行这段代码后，可能会生成类似这样的字符串：
sweet jeremy saw dublin then got there as me me a call doing me
文本很快会变得无意义。为什么会这样？
-
训练文本量太小：文本语料库的规模非常有限，因此模型几乎没有足够的上下文来生成合理的结果。
-
预测依赖性：序列中下一个单词的预测高度依赖于之前的单词。如果前几个单词的匹配度较差，即使最佳的"下一个"预测单词的概率也会很低。当将这个单词添加到序列后，再预测下一个单词时，其匹配概率进一步降低，因此最终生成的单词序列看起来会像随机拼凑的结果。
例如，虽然短语 "sweet jeremy saw dublin" 中的每个单词都在语料库中，但这些单词从未以这种顺序出现过。在第一次预测时，模型选择了概率最高的单词 "then"，其概率高达 89%。当把 "then" 添加到种子文本中，形成 "sweet jeremy saw dublin then" 时，这个新短语也从未在训练数据中出现过。因此，模型将概率最高的单词 "got"（44%）作为预测结果。继续向句子中添加单词会使新短语与训练数据的匹配度越来越低，从而导致预测的准确率下降，生成的单词序列看起来越来越随机。
这就是为什么 AI 生成的内容随着时间推移会变得越来越不连贯的原因。例如，可以参考优秀的科幻短片《Sunspring》。这部短片完全由一个基于 LSTM 的网络生成，类似于你正在构建的这个模型，它的训练数据是科幻电影剧本。模型通过种子内容生成新的剧本。结果令人捧腹：尽管开头的内容尚且可以理解，但随着情节推进，生成的内容变得越来越不可理喻。
总结：本篇中，我们成功构建了一个语言模型，虽然未采用当前流行的 Transformer 架构，但这一实践让我们深刻理解了人工智能模型的多样性。即使是当下耗资巨大的 Transformer 模型，也可能很快被更新的架构取代。因此，我们的目标是紧跟技术前沿，掌握模型设计的核心理念。下一篇我们将诗歌如何通过扩展数据集来提高模型的准确度。