大模型基础补全计划(三)---RNN实例与测试

PS:要转载请注明出处,本人版权所有。

PS: 这个只是基于《我自己》的理解,

如果和你的原则及想法相冲突,请谅解,勿喷。

环境说明

前言


本文是这个系列第三篇,它们是:

在CV世界里,卷积神经网络一直是主流。在以前,NLP的世界里,循环神经网络是主流,站在今天大模型时代,Transformer 及相关变体,是当今的NLP的绝对主流。但是我们要了解Transformer提出的原因,还需要回到循环神经网络,了解其历史变迁。当然,在循环神经网络中,一些主流的概念当前也还在使用,例如:token、词表等等。

因此,如本文题目所示,本文主要简单介绍一下RNN,并尝试用RNN训练一个简单的文本续写模型。

RNN (Recurrent Neural Network)


RNN的意义

在提到rnn之前,我们还是有必要先提一下cnn,cnn的应用目标是指定一个输入,获得一个模型输出,多次输入之间是没有必然联系。然而,在日常生活中,我们还有许多其他的任务是多个输入之间是有前后关系的。例如:机翻、对话模型等等,这些任务都有明显的特征,那就是输入数据是一个序列,前面输入的数据会对后面的输出产生了影响,因此有了rnn模型结构。

RNN的结构

如图(注意,此图找不到来源出处,看到网络大部分文章都引用了此图,若有侵权,联系删除)rnn的基础结构就三层:输入层、隐藏层、输出层,:

从图中可以知道,W是一个隐藏参数,是作为来至于上一次模型计算值\(S_{t-1}\)的参数。V是输出的参数,U是输入的参数。那么我们就可以简单定义模型结构是:\(S_t = U*X_t + W*S_{t-1} + b_i\)和 \(O_t = V*S_t + b_o\)

对于输入层来说,其是一个输入序列,我们输出的内容也是一个序列。

注意,这里的核心就是\(S_t\),前面的输入\(X_t\)对应一个\(S_t\),那么在计算\(O_{t+1}\)的时候,会用到\(S_t\)。这样对于这个模型来说,\(X_t\)对\(O_{t+1}\)是有影响的,也就意味着,模型可能可以学习到\(X_t\)和\(X_{t+1}\)的关系。

基于RNN训练一个简单的文字序列输出模型


文本预处理
python 复制代码
import collections
# [
#     [line0],
#     [line1],
#     .....
# ]
def read_data_from_txt():
    with open('诛仙 (萧鼎).txt', 'r', encoding='utf-8') as f:
        lines = f.readlines()
    
    return [line.strip() for line in lines]

# 下面的tokenize函数将文本行列表(lines)作为输入, 列表中的每个元素是一个文本序列(如一条文本行)。 
# 每个文本序列又被拆分成一个词元列表,词元(token)是文本的基本单位。 最后,返回一个由词元列表组成的列表,
# 其中的每个词元都是一个字符串(string)。
# [
#     [line0-char0, line0-char1, line0-char2, ....],
#     [line1-char0, line1-char1, line1-char2, ....],
#     .....
# ]
def tokenize(lines, token='char'):  #@save
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误:未知词元类型:' + token)


# 词元的类型是字符串,而模型需要的输入是数字,因此这种类型不方便模型使用。 现在,让我们构建一个字典,
# 通常也叫做词表(vocabulary), 用来将字符串类型的词元映射到从开始的数字索引中。
def count_corpus(tokens):  #@save
    """统计词元的频率"""
    # 这里的tokens是1D列表或2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        # 将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)

# 返回类似{'l': 3, 'o': 2, 'h': 1, 'e': 1, ' ': 1, 'w': 1, 'r': 1, 'd': 1}的一个字典
class Vocab:
    """文本词表"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        # 按出现频率排序
        # 对于Counter("hello world"),结果如下
        # Counter({'l': 3, 'o': 2, 'h': 1, 'e': 1, ' ': 1, 'w': 1, 'r': 1, 'd': 1})
        counter = count_corpus(tokens)
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                   reverse=True)
        # 未知词元的索引为0
        self.idx_to_token = ['<unk>'] + reserved_tokens
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

    @property
    def unk(self):  # 未知词元的索引为0
        return 0

    @property
    def token_freqs(self):
        return self._token_freqs    

# 将传入的数据集映射为一个索引表
# 返回传入文本的索引、词表
def load_dataset(max_tokens=-1):

    lines = read_data_from_txt()
    print(f'# 文本总行数: {len(lines)}')
    # print(lines[0])
    # print(lines[10])

    tokens = tokenize(lines)
    # for i in range(11):
    #     print(tokens[i])

    vocab = Vocab(tokens, reserved_tokens=['<pad>', '<bos>', '<eos>'])

    # print(list(vocab.token_to_idx.items())[:10])

    # for i in [0, 10]:
    #     print('文本:', tokens[i])
    #     print('索引:', vocab[tokens[i]])


    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab

上面代码做了如下事情:

  • 首先我们随便找了一部中文小说,然后读取其所有的行,然后得到一个包含所有行的二维列表。
  • 然后我们对每一行进行文字切割,得到了一个二维列表,列表中的每一行又被分割为一个个中文文字,也就得到了一个个token。(特别注意,站在当前的时刻,这里的token和现在主流的大语言模型的token概念是一样的,但是不是一样的实现。)
  • 由于模型不能直接处理文字,我们需要将文字转换为数字,那么直接的做法就是将一个个token编号即可,这个时候我们得到了词表(vocabulary)。
  • 然后我们根据我们得到的词表,对原始数据集进行数字化,得到一个列表,列表中每个元素就是一个个token对应的索引。
构造数据集及加载器
python 复制代码
# 以num_steps为步长,从随机的起始位置开始,返回
# x1=[ [random_offset1:random_offset1 + num_steps], ... , [random_offset_batchsize:random_offset_batchsize + num_steps] ]
# y1=[ [random_offset1 + 1:random_offset1 + num_steps + 1], ... , [random_offset_batchsize + 1:random_offset_batchsize + num_steps + 1] ]
def seq_data_iter_random(corpus, batch_size, num_steps):  #@save
    """使用随机抽样生成一个小批量子序列"""
    # 从随机偏移量开始对序列进行分区,随机范围包括num_steps-1
    corpus = corpus[random.randint(0, num_steps - 1):]
    # 减去1,是因为我们需要考虑标签
    num_subseqs = (len(corpus) - 1) // num_steps
    # 长度为num_steps的子序列的起始索引
    # [0, num_steps*1, num_steps*2, num_steps*3, ...]
    initial_indices = list(range(0, num_subseqs * num_steps, num_steps))
    # 在随机抽样的迭代过程中,
    # 来自两个相邻的、随机的、小批量中的子序列不一定在原始序列上相邻
    random.shuffle(initial_indices)

    def data(pos):
        # 返回从pos位置开始的长度为num_steps的序列
        return corpus[pos: pos + num_steps]

    num_batches = num_subseqs // batch_size
    for i in range(0, batch_size * num_batches, batch_size):
        # 在这里,initial_indices包含子序列的随机起始索引
        initial_indices_per_batch = initial_indices[i: i + batch_size]
        X = [data(j) for j in initial_indices_per_batch]
        Y = [data(j + 1) for j in initial_indices_per_batch]
        yield torch.tensor(X), torch.tensor(Y)

# 以num_steps为步长,从随机的起始位置开始,返回
# x1=[:, random_offset1:random_offset1 + num_steps]
# y1=[:, random_offset1 + 1:random_offset1 + num_steps + 1]

def seq_data_iter_sequential(corpus, batch_size, num_steps):  #@save
    """使用顺序分区生成一个小批量子序列"""
    # 从随机偏移量开始划分序列
    offset = random.randint(0, num_steps)
    num_tokens = ((len(corpus) - offset - 1) // batch_size) * batch_size
    # 重新根据corpus建立X_corpus, Y_corpus,两者之间差一位。注意X_corpus, Y_corpus的长度是batch_size的整数倍
    Xs = torch.tensor(corpus[offset: offset + num_tokens])
    Ys = torch.tensor(corpus[offset + 1: offset + 1 + num_tokens])

    # 直接根据batchsize划分X_corpus, Y_corpus
    Xs, Ys = Xs.reshape(batch_size, -1), Ys.reshape(batch_size, -1)
    # 计算出需要多少次才能取完数据
    num_batches = Xs.shape[1] // num_steps
    for i in range(0, num_steps * num_batches, num_steps):
        X = Xs[:, i: i + num_steps]
        Y = Ys[:, i: i + num_steps]
        yield X, Y


class SeqDataLoader:  #@save
    """加载序列数据的迭代器"""
    def __init__(self, batch_size, num_steps, use_random_iter, max_tokens):
        if use_random_iter:
            self.data_iter_fn = seq_data_iter_random
        else:
            self.data_iter_fn = seq_data_iter_sequential
        self.corpus, self.vocab = dateset.load_dataset(max_tokens)
        self.batch_size, self.num_steps = batch_size, num_steps

    def __iter__(self):
        return self.data_iter_fn(self.corpus, self.batch_size, self.num_steps)
    
def load_data_epoch(batch_size, num_steps,  #@save
                           use_random_iter=False, max_tokens=10000):
    """返回时光机器数据集的迭代器和词表"""
    data_iter = SeqDataLoader(
        batch_size, num_steps, use_random_iter, max_tokens)
    return data_iter, data_iter.vocab

上面的代码主要作用是:在训练的时候,从我们在文本预处理数据中,以随机顺序或者相邻顺序抽取其中的部分数据作为随机批量数据。每次抽取的数据维度是:(batch_size, num_steps)

搭建RNN训练框架

按照原来的经验,我们要设计一个训练框架,第一步就要搭建网络,此网络用于接收一个输入,输出一个输出。

python 复制代码
def rnn(inputs, state, params):
    # inputs的形状:(时间步数量,批量大小,词表大小)
    # inputs的形状:(num_steps,batch_size,词表大小)
    # W_xh的形状: (词表大小, num_hiddens)
    # W_hh的形状:(num_hiddens, num_hiddens)
    # b_h 的形状:(num_hiddens)
    # W_hq的形状:(num_hiddens, 词表大小)
    # b_q 的形状:(词表大小)
    W_xh, W_hh, b_h, W_hq, b_q = params
    # H的形状:(batch_size, num_hiddens)
    H, = state
    outputs = []
    # X的形状:(批量大小,词表大小)
    # X的形状:(batch_size,词表大小)
    for X in inputs:
        # H是上一次预测的一个参数,每次计算隐藏层值后,更新H的值
        # H = tanh(X*W_xh + H*W_hh + b_h) 
        H = torch.tanh(torch.mm(X, W_xh) + torch.mm(H, W_hh) + b_h)
        # Y是输出值,每次rnn输出的时候,都会输出从开始到当前的所有值,因此我们需要保存所有的输出值
        # Y = H * W_hq + b_q
        # Y的形状:(batch_size,词表大小)
        Y = torch.mm(H, W_hq) + b_q
        outputs.append(Y)
    return torch.cat(outputs, dim=0), (H,)

class RNNModelScratch: #@save
    """从零开始实现的循环神经网络模型"""
    def __init__(self, vocab_size, num_hiddens, device,
                 get_params, init_state, forward_fn):
        self.vocab_size, self.num_hiddens = vocab_size, num_hiddens
        # 初始化了隐藏参数 W_xh, W_hh, b_h,  W_hq, b_q
        self.params = get_params(vocab_size, num_hiddens, device)
        self.init_state, self.forward_fn = init_state, forward_fn

    def __call__(self, X, state):
        # X的形状:(batch_size, num_steps)
        # X one_hot之后的形状:(num_steps,batch_size,词表大小)
        X = F.one_hot(X.T, self.vocab_size).type(torch.float32)
        return self.forward_fn(X, state, self.params)

    def begin_state(self, batch_size, device):
        return self.init_state(batch_size, self.num_hiddens, device)

# 用框架
#@save
class RNNModel(nn.Module):
    """循环神经网络模型"""
    def __init__(self, rnn_layer, vocab_size, device, **kwargs):
        super(RNNModel, self).__init__(**kwargs)
        self.rnn = rnn_layer
        self.vocab_size = vocab_size
        self.num_hiddens = self.rnn.hidden_size
        # 如果RNN是双向的(之后将介绍),num_directions应该是2,否则应该是1
        if not self.rnn.bidirectional:
            self.num_directions = 1
            self.linear = nn.Linear(self.num_hiddens, self.vocab_size, device=device)
        else:
            self.num_directions = 2
            self.linear = nn.Linear(self.num_hiddens * 2, self.vocab_size, device=device)

    def forward(self, inputs, state):
        X = F.one_hot(inputs.T.long(), self.vocab_size)
        X = X.to(torch.float32)
        Y, state = self.rnn(X, state)
        # 全连接层首先将Y的形状改为(时间步数*批量大小,隐藏单元数)
        # 它的输出形状是(时间步数*批量大小,词表大小)。
        output = self.linear(Y.reshape((-1, Y.shape[-1])))
        return output, state

    def begin_state(self, device, batch_size=1):
        if not isinstance(self.rnn, nn.LSTM):
            # nn.GRU以张量作为隐状态
            return  torch.zeros((self.num_directions * self.rnn.num_layers,
                                 batch_size, self.num_hiddens),
                                device=device)
        else:
            # nn.LSTM以元组作为隐状态
            return (torch.zeros((
                self.num_directions * self.rnn.num_layers,
                batch_size, self.num_hiddens), device=device),
                    torch.zeros((
                        self.num_directions * self.rnn.num_layers,
                        batch_size, self.num_hiddens), device=device))

上面主要是设计了两个网络类:RNNModelScratch、RNNModel。前者是手搓rnn实现。后者是借用torch框架来实现一个简单的rnn网络。他们的主要做了如下几个事情:

  • 接收(batch_size, num_steps)的输入,并将输入转换为one_hot向量模式,其shape是(num_steps,batch_size,词表大小)
  • 通过rnn的计算,然后通过变换,将最终输出映射到(batch_size * num_steps, 词表大小)

其实我们观察输入和输出,就可以理解一个事情:输入的内容就是输入序列所有的字符对应的one_hot向量。输出的内容就是batch_size * num_steps个向量,代表输出的文字序列信息,每个向量里面的最大值就代表了网络预测的文字id。

有了网络,对于部署角度来说,我们只需要实现预测过程即可:

python 复制代码
def predict_ch8(prefix, num_preds, net, vocab, device):  #@save
    """在prefix后面生成新字符"""
    state = net.begin_state(batch_size=1, device=device)
    outputs = [vocab[prefix[0]]]
    get_input = lambda: torch.tensor([outputs[-1]], device=device).reshape((1, 1))
    for y in prefix[1:]:  # 预热期
        _, state = net(get_input(), state)
        outputs.append(vocab[y])
    for _ in range(num_preds):  # 预测num_preds步
        # y 包含从开始到现在的所有输出
        # state是当前计算出来的隐藏参数
        y, state = net(get_input(), state)
        outputs.append(int(y.argmax(dim=1).reshape(1)))
    return ''.join([vocab.idx_to_token[i] for i in outputs])

由于输出的信息就是batch_size * num_steps个向量,那么只需要计算每一个向量的最大值id就得到了网络输出的tokenid,然后通过词表反向映射回词表,完成了预测文字输出的功能。

有了网络、预测过程,然后就可以搭建训练过程,训练过程最重要的一步就是通过网络得到输入对应的输出,然后根据输出计算loss信息,然后根据loss信息进行梯度下降(这就是通用流程)

python 复制代码
def train_epoch_ch8(net, train_iter, loss, updater, device, use_random_iter):
    """训练网络一个迭代周期(定义见第8章)"""
    state, timer = None, Timer()
    metric = Accumulator(2)  # 训练损失之和,词元数量
    # X的形状:(batch_size, num_steps)
    # Y的形状:(batch_size, num_steps)
    for X, Y in train_iter:
        if state is None or use_random_iter:
            # 在第一次迭代或使用随机抽样时初始化state
            state = net.begin_state(batch_size=X.shape[0], device=device)
        else:
            if isinstance(net, nn.Module) and not isinstance(state, tuple):
                # state对于nn.GRU是个张量
                state.detach_()
            else:
                # state对于nn.LSTM或对于我们从零开始实现的模型是个张量
                for s in state:
                    s.detach_()
        y = Y.T.reshape(-1)
        X, y = X.to(device), y.to(device)
        # y_hat 包含从开始到现在的所有输出
        # y_hat的形状:(batch_size * num_steps, 词表大小)
        # state是当前计算出来的隐藏参数
        y_hat, state = net(X, state)
        # 交叉熵损失函数,传入预测值和标签值,并求平均值
        l = loss(y_hat, y.long()).mean()
        if isinstance(updater, torch.optim.Optimizer):
            updater.zero_grad()
            l.backward()
            grad_clipping(net, 1)
            updater.step()
        else:
            l.backward()
            grad_clipping(net, 1)
            # 因为已经调用了mean函数
            updater(batch_size=1)
        # 这里记录交叉熵损失的值的和,以及记录对应交叉熵损失值的样本个数
        metric.add(l * y.numel(), y.numel())
    # 求交叉熵损失的平均值,再求exp,即可得到困惑度
    return math.exp(metric[0] / metric[1]), metric[1] / timer.stop()


def sgd(params, lr, batch_size):
    """小批量随机梯度下降

    Defined in :numref:`sec_linear_scratch`"""
    with torch.no_grad():
        for param in params:
            param -= lr * param.grad / batch_size
            param.grad.zero_()

#@save
def train_ch8(net, train_iter, vocab, lr, num_epochs, device,
              use_random_iter=False):
    """训练模型(定义见第8章)"""
    loss = nn.CrossEntropyLoss()
    # 新建一个连接客户端
    # 指定 env=u'test1',默认端口为 8097,host 是 'localhost'
    vis = visdom.Visdom(env=u'test1', server="http://127.0.0.1", port=8097)
    animator = vis
    # 初始化
    if isinstance(net, nn.Module):
        updater = torch.optim.SGD(net.parameters(), lr)
    else:
        updater = lambda batch_size: sgd(net.params, lr, batch_size)
    predict = lambda prefix: predict_ch8(prefix, 30, net, vocab, device)
    # 训练和预测
    for epoch in range(num_epochs):
        ppl, speed = train_epoch_ch8(
            net, train_iter, loss, updater, device, use_random_iter)
        


        if (epoch + 1) % 10 == 0:
            # print(predict('你是?'))
            # print(epoch)
            # animator.add(epoch + 1, )

            if epoch == 9:
                # 清空图表:使用空数组来替换现有内容
                vis.line(X=np.array([0]), Y=np.array([0]), win='train_ch8', update='replace')

            vis.line(
                X=np.array([epoch + 1]),
                Y=[ppl],
                win='train_ch8',
                update='append',
                opts={
                    'title': 'train_ch8',
                    'xlabel': 'epoch',
                    'ylabel': 'ppl',
                    'linecolor': np.array([[0, 0, 255]]),  # 蓝色线条
                }
            )
    print(f'困惑度 {ppl:.1f}, {speed:.1f} 词元/秒 {str(device)}')
    print(predict('你是'))
    print(predict('我有一剑'))

其实从上面的代码就可以看到,我们传入数据,得到输出,计算了交叉熵loss,然后使用sgd最小化loss,最终我们计算困惑度,得到了模型的质量。注意,这里面有关于梯度截断的计算,这个我们只需要它是避免梯度爆炸的一个方法即可。

然后我们使用如下的代码就可以开始训练,注意使用net就是自定义rnn,net1就是使用框架的rnn。

python 复制代码
def try_gpu(i=0):
    """如果存在,则返回gpu(i),否则返回cpu()

    Defined in :numref:`sec_use_gpu`"""
    if torch.cuda.device_count() >= i + 1:
        return torch.device(f'cuda:{i}')
    return torch.device('cpu')

if __name__ == '__main__':
    num_epochs, lr = 1000, 0.5
    batch_size, num_steps = 32, 35
    data_iter, vocab  = load_data_epoch(batch_size, num_steps)
    num_hiddens = 512
    device = try_gpu()
    net = RNNModelScratch(len(vocab), num_hiddens, device, get_params,
                        init_rnn_state, rnn)
    
    rnn_layer = nn.RNN(len(vocab), num_hiddens, device=device)
    net1 = RNNModel(rnn_layer, vocab_size=len(vocab),  device=device)
    
    print(predict_ch8('你是', 30, net, vocab, device))

    train_ch8(net, data_iter, vocab, lr, num_epochs, device)

我们分别使用手动构建的rnn和框架构建的rnn进行训练和测试,结果如下:

我们可以看到,模型未训练和训练后的对比,明显训练后能说两句人话,虽然感觉还是胡说八道,但是感觉还是有点效果。

后记


总的来说,未训练的模型和已训练的模型的文字续写效果完全不一样,明显感觉训练之后的模型,文字续写给人一种可以读感觉。

参考文献


打赏、订阅、收藏、丢香蕉、硬币,请关注公众号(攻城狮的搬砖之路)

PS: 请尊重原创,不喜勿喷。

PS: 要转载请注明出处,本人版权所有。

PS: 有问题请留言,看到后我会第一时间回复。