tensorflow代码全解析 -3- seq2seq 自动生成文本

模型概述

序列建模seq2seq,给定一个序列A，模型生产另一个序列B，然后模型再由序列B生成C,以此一直持续下去。

基本工作流程如下：
序列A中的每一个单词通过word_embedding操作以后，作为input进seq2seq入模型，模型生成同样维度的序列A_out
训练的时候，模型的输出序列A_out与序列B之间的交叉熵作为模型的目标函数，采用clip控制过的梯度进行收敛；
生成的时候，首先给定一个种子序列作为模型输入，初始化模型，让模型可以自循环，并生产指定长度的序列

模型数据流

自己手写的，凑合看下，注意向量和tensor列表之间的区别

第一部分：生成数据

数据源 JayLyrics.txt

dataGenerator.py
定义参数

log_dir = './logs'
seq_length = 20 # 每一个序列的长度
batch_size = 32 #每一个batch的长度
datafiles = 'JayLyrics.txt'

读取文本，进行词频统计，将文本与数字进行一一对应，方便进行处理

with open(datafiles, encoding='utf-8') as f:
    data = f.read()
total_len = len(data)
words = list(set(data))
words.sort()
vocab_size = len(words)
char2id_dict = {w: i for i, w in enumerate(words)}
id2char_dict = {i: w for i, w in enumerate(words)}

进行这一步之后可以得到

将上面的数据对应表进行存储，注意tsv与csv格式不同，是以tab进行分隔的

_pointer = 0
def char2id( c):
    return char2id_dict[c]

def id2char(id):
    return id2char_dict[id]

metadata = 'metadata2.tsv'
def save_metadata(file):
    with open(file, 'w') as f:
        f.write('id\tchar\n')
        for i in range(vocab_size):
            c = id2char(i)
            f.write('{}\t{}\n'.format(i, c))
save_metadata(metadata)

下面进行关键的将原始文本转换为输入数据序列和输入标签
我们可以看到,文本数据与训练数据集是如何进行转换的。

def next_batch():
    _pointer = 0
    x_batches = []
    y_batches = []
    for i in range(batch_size):
        if _pointer + seq_length + 1 >= total_len:
            _pointer = 0
        bx = data[_pointer: _pointer + seq_length]
        by = data[_pointer +
                       1: _pointer + seq_length + 1]
        _pointer += seq_length  # update pointer position

        # convert to idss
        bx = [char2id(c) for c in bx]
        by = [char2id(c) for c in by]
        x_batches.append(bx)
        y_batches.append(by)
    return x_batches, y_batches

data[_pointer: _pointer + seq_length]
Out[22]: '作词：黄俊郎 \n作曲：周杰伦\n编曲：黄雨'
# 以上是 bx
data[_pointer +1: _pointer + seq_length + 1]
Out[23]: '词：黄俊郎 \n作曲：周杰伦\n编曲：黄雨勛'
# 以上是 by

再将上面的数据转化为数字

eg = next_batch()
# 一个batch 就这样生成了
#应注意到输入数据是一个32*20维的数据矩阵
#输入标签同样是一个32*20维的数据矩阵

[char2id(c) for c in bx]

第二部分 构建模型逻辑

构建seq2seq模型

3层LSTMCell 每一层100个神经元

    state_size = 100
    num_layers = 3
    #定义神经网络
    cell = rnn_cell.BasicLSTMCell(state_size)
    cell = rnn_cell.MultiRNNCell([cell] * num_layers)
    # 神经元的初始状态,将神经元设置为全零状态
    initial_state = cell.zero_state(
        batch_size, tf.float32)

将输入数据传递的seq2seq模型中

采用tf.nn.dynamic_rnn
inputs: The RNN inputs.
Tensor of shape: [batch_size, max_time, ...]

dynamic_rnn 返回
outputs: The RNN output Tensor.
If time_major == False (default), this will be a Tensor shaped:
[batch_size, max_time, cell.output_size].
state: The final state. If cell.state_size is an int, this

will be shaped [batch_size, cell.state_size].

   with tf.variable_scope('rnnlm'):
        with tf.device("/cpu:0"):
            embedding = tf.get_variable(
                'embedding', [vocab_size, state_size])
            inputs = tf.nn.embedding_lookup(embedding, input_data)
    # 将输入数据传递的seq2seq模型中
    # 采用tf.nn.dynamic_rnn
    # inputs: The RNN inputs.
    # Tensor of shape: [batch_size, max_time, ...]
    outputs, last_state = tf.nn.dynamic_rnn(cell, inputs, initial_state=initial_state)

embedding input 的详细解释 下面是看到的比较好的解释

引用自http://blog.csdn.net/mydear_11000/article/details/52414342

我们预处理了数据之后得到的是一个二维array，每个位置的元素表示这个word在vocabulary中的index。但是传入graph的数据不能讲word用index来表示，这样词和词之间的关系就没法刻画了。我们需要将word用dense vector表示，这也就是广为人知的word embedding。paper中并没有使用预训练的word embedding，所有的embedding都是随机初始化，然后在训练过程中不断更新embedding矩阵的值。
123

with tf.device("/cpu:0"): 
    embedding = tf.get_variable("embedding", vocab_size, state_size]) 
    inputs = tf.nn.embedding_lookup(embedding, self._input_data)

首先要明确几点：
既然我们要在训练过程中不断更新embedding矩阵，那么embedding必须是tf.Variable并且trainable=True（default）
目前tensorflow对于lookup embedding的操作只能再cpu上进行
embedding矩阵的大小是多少：每个word都需要有对应的embedding vector，总共就是vocab_size那么多个embedding，每个word embed成多少维的vector呢？因为我们input embedding后的结果就直接输入给了第一层cell，刚才我们知道cell的hidden units size，因此这个embedding dim要和hidden units size对应上（这也才能和内部的各种门的W和b完美相乘）。因此，我们就确定下来
embedding matrix shape=[vocab_size, hidden_units_size]

最后生成真正的inputs节点，也就是从embedding_lookup之后得到的结果，这个tensor的shape=[batch_size, num_stemps, size]

第三部分 构建模型损失函数和收敛方法

先定义参数w（1002636）和b（2636）
再将output 展开成[-1state_size]维即是[-1100]
再用(outputw)+b获得输出序列logits
下面便可以使用sequence_loss_by_example将模型输出logits和训练标签targets计算序列交叉熵

with tf.name_scope('model'):
    with tf.variable_scope('rnnlm'):
        w = tf.get_variable( 'softmax_w', [state_size, vocab_size])
        b = tf.get_variable('softmax_b', [vocab_size])

with tf.name_scope('loss'):
    output = tf.reshape(outputs, [-1, state_size])
    logits = tf.matmul(output, w) + b
    probs = tf.nn.softmax(logits)
    last_state = last_state

    targets = tf.reshape(target_data, [-1])
# 将targets 展平 维度从（32*20）转化为640
# pass '[-1]' to flatten 't'
#reshape(t, [-1]) ==> [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5, 6, 6, 6]

    loss = seq2seq.sequence_loss_by_example([logits],
                                            [targets],
                                            [tf.ones_like(targets, dtype=tf.float32)])
    cost = tf.reduce_sum(loss) / batch_size
  #下面采用scalar 是用来在tensorboard 显示数据的
    tf.summary.scalar('loss', cost)

第四部分 优化器设定

首先 定义lr 是不可训练的
关键地方 clip_by_global_norm的作用
设置梯度的最大范数
Gradient Clipping的方法，控制梯度的最大范数。
可以防止梯度爆炸的问题，如果梯度不加限制，则可能因为迭代中梯度过大导致训练难以收敛。

optimizer.apply_gradients则将前面clip过的梯度应用到所有可以训练的tvars上

with tf.name_scope('optimize'):
    lr = tf.placeholder(tf.float32, [])
    tf.summary.scalar('learning_rate', lr)

    optimizer = tf.train.AdamOptimizer(lr)
  #获取全部可以训练的参数tvars
    tvars = tf.trainable_variables()
# 提前计算梯度
    grads = tf.gradients(cost, tvars)

#显示在tensorboard
    for g in grads:
        tf.summary.histogram(g.name, g)

    # 由它们的范数之和之比求多个张量的值
    grads, _ = tf.clip_by_global_norm(grads, grad_clip)
 # 将前面clip过的梯度应用到可训练的参数上
    train_op = optimizer.apply_gradients(zip(grads, tvars))
    merged_op = tf.summary.merge_all()

第五部分 训练

启动模型，设定tensorboard，导入数据，记录数据

with tf.Session() as sess:

    #启动模型
    sess.run(tf.global_variables_initializer())
    saver = tf.train.Saver()
    writer = tf.summary.FileWriter(log_dir, sess.graph)

    # 设定tensorboard
    # Add embedding tensorboard visualization. Need tensorflow version
    # >= 0.12.0RC0
    config = projector.ProjectorConfig()
    embed = config.embeddings.add()
    embed.tensor_name = 'rnnlm/embedding:0'
    embed.metadata_path = metadata
    projector.visualize_embeddings(writer, config)

# 导入数据
    max_iter = n_epoch * \
               (data.total_len // seq_length) // batch_size
    for i in range(max_iter):
        learning_rate = learning_rate * \
                        (decay_rate ** (i // decay_steps))
        x_batch, y_batch = data.next_batch()
        feed_dict = {model.input_data: x_batch,
                     model.target_data: y_batch, model.lr: learning_rate}
        train_loss, summary, _, _ = sess.run([model.cost, model.merged_op, model.last_state, model.train_op],
                                             feed_dict)
# 记录数据
        if i % 10 == 0:
            writer.add_summary(summary, global_step=i)
            print('Step:{}/{}, training_loss:{:4f}'.format(i,
                                                           max_iter, train_loss))
        if i % 2000 == 0 or (i + 1) == max_iter:
            saver.save(sess, os.path.join(
                log_dir, 'lyrics_model.ckpt'), global_step=i)

第五部分 生成文本

首先从保存的模型中取出参数，初始化模型
再设定种子
将种子进行处理
初始化模型
按照设定的生成数量生成文本

#首先从保存的模型中取出参数，初始化模型
saver = tf.train.Saver()
with tf.Session() as sess:
    ckpt = tf.train.latest_checkpoint(args.log_dir)
    print(ckpt)
    saver.restore(sess, ckpt)
    # 再设定种子
    # initial phrase to warm RNN
    prime = u'你要离开我知道很简单'
    state = sess.run(cell.zero_state(1, tf.float32))

 # 将种子进行处理
# 初始化模型
    for word in prime[:-1]:
        x = np.zeros((1, 1))
        x[0, 0] = char2id(word)
        feed = {input_data: x, initial_state: state}
        state = sess.run(last_state, feed)

# 按照设定的生成数量生成文本
    word = prime[-1]
    lyrics = prime
    for i in range(args.gen_num):
        x = np.zeros([1, 1])
        x[0, 0] = char2id(word)
        feed_dict = {input_data: x, initial_state: state}
        probs, state = sess.run([probs, last_state], feed_dict)
        p = probs[0]
        word = id2char(np.argmax(p))
        print(word, end='')
        sys.stdout.flush()
        time.sleep(0.05)
        lyrics += word
        return lyrics

代码还是很复杂很复杂的，看了好几天，还是有些不明白的，
有些只能等以后再慢慢专研，现在主干是抓住了。