这可能是国内最全面的char RNN注释
作者：凌逆战
博客园地址：https://www.cnblogs.com/LXP-Never/p/11543152.html
char RNN代码来源于https://github.com/hzy46/Char-RNN-TensorFlow
前言
本人在学习char RNN的过程中，遇到了很多的问题，但是依然选择一行代码一行代码的啃下来，并且注释好，我在啃代码的过程中，就想要是有一位大神在我旁边就好了，我在看代码的过程中，不懂那里，就问那里，可是现实中并没有，所有问题都要自己解决，今日我终于把代码全部弄懂了，也把代码分享给下一位想要学习char RNN的人。开源才能进步，中国加油。觉有有用希望大家可以点个赞，关注我，这将给我莫大的动力。如果我文中有错误的地方，欢迎指出，我也需要学习和进步。多一点包容，多一点努力。
RNN原理不熟悉的同学建议参考这篇博客：循环神经网络(RNN)原理
代码基础不熟悉的同学建议参考这篇博客： TensorFlow中实现RNN，彻底弄懂time_step
详细代码注释
train.py
# -*- coding:utf-8 -*- import tensorflow as tf from read_utils import TextConverter, batch_generator from model import CharRNN import os import codecs FLAGS = tf.flags.FLAGS tf.flags.DEFINE_string('name', 'default', '模型名') tf.flags.DEFINE_integer('num_seqs', 32, '一个batch里面的序列数量') # 32 tf.flags.DEFINE_integer('num_steps', 26, '序列的长度') # 26 tf.flags.DEFINE_integer('lstm_size', 128, 'LSTM隐层的大小') tf.flags.DEFINE_integer('num_layers', 2, 'LSTM的层数') tf.flags.DEFINE_boolean('use_embedding', False, '是否使用 embedding') tf.flags.DEFINE_integer('embedding_size', 128, 'embedding的大小') tf.flags.DEFINE_float('learning_rate', 0.001, '学习率') tf.flags.DEFINE_float('train_keep_prob', 0.5, '训练期间的dropout比率') tf.flags.DEFINE_string('input_file', '', 'utf8编码过的text文件') tf.flags.DEFINE_integer('max_steps', 10000, '一个step 是运行一个batch， max_steps固定了最大的运行步数') tf.flags.DEFINE_integer('save_every_n', 1000, '每隔1000步会将模型保存下来') tf.flags.DEFINE_integer('log_every_n', 10, '每隔10步会在屏幕上打出曰志') # 使用的字母（汉字）的最大个数。默认为3500 。程序会自动挑选出使用最多的字，井将剩下的字归为一类，并标记为＜unk＞ tf.flags.DEFINE_integer('max_vocab', 10000, '最大字符数量') # python train.py --use_embedding --input_file data/poetry.txt --name poetry --learning_rate 0.005 --num_steps 26 --num_seqs 32 --max_steps 10000 # python train.py \ # --use_embedding \ # --input_file data/poetry.txt \ # --name poetry \ # --learning_rate 0.005 \ # --num_steps 26 \ # --num_seqs 32 \ # --max_steps 10000 def main(_): model_path = os.path.join('model', FLAGS.name) if os.path.exists(model_path) is False: os.makedirs(model_path) with codecs.open(FLAGS.input_file, encoding='utf-8') as f: # 打开训练数据集poetry.txt text = f.read() converter = TextConverter(text, FLAGS.max_vocab) # 最大字符数量10000 converter.save_to_file(os.path.join(model_path, 'converter.pkl')) arr = converter.text_to_arr(text) g = batch_generator(arr, FLAGS.num_seqs, FLAGS.num_steps) # 句子数量、句子长度 print(converter.vocab_size) # 3501 model = CharRNN(converter.vocab_size, num_seqs=FLAGS.num_seqs, num_steps=FLAGS.num_steps, lstm_size=FLAGS.lstm_size, num_layers=FLAGS.num_layers, learning_rate=FLAGS.learning_rate, train_keep_prob=FLAGS.train_keep_prob, use_embedding=FLAGS.use_embedding, embedding_size=FLAGS.embedding_size) model.train(g, FLAGS.max_steps, model_path, FLAGS.save_every_n, FLAGS.log_every_n) if __name__ == '__main__': tf.app.run()
生成英文
将使用的训练文件shakespeare.txt保存在项目的data/文件夹下，对应的训练的命令为：
python train.py --input_file data/shakespeare.txt --name shakespeare --num_steps 50 --num_seqs 32 --learning_rate 0.01 --max_steps 20000
--input_file：用于训练的文本数据。程序要求训练的文本必须为使用utf-8编码的文件。
--name：指定模型的名称，该名称决定了模型的保存位置。如这里指定模型的名称为shakespeare，那么训练中模型的保存位置是在model/shakespeare目录下。
--num_steps、--num_seqs：这两个参数决定了一个batch内序列的个数（相当于batch_size）和单个序列的长度。其中--num_steps对应序列长度，--num_seqs对应序列个数。
--learning_rate：训练时使用的学习率。
--max_steps：一个step是运行一个batch,--max_steps固定了最大的运行步数。
运行后，模型会被保存在model/shakespeare目录下。
用机器写诗
对应的训练的命令为：
python train.py --use_embedding --input_file data/poetry.txt --name potry --learning_rate 0.005 --num_steps 26 --num_seqs 32 --max_steps 10000
--use_embedding：为输入数据加入一个embedding层。默认是使用独热编码而不使用embedding的，这里对汉字生成加入embedding层，可以获得更好的效果。
C代码生成
对应的训练的命令为：
python train.py --input_file data/linux.txt --num_steps 100 --name linux --learning_rate 0.01 --num_seqs 32 --max_steps 20000
这里使用了更大的序列长度100（即num_steps参数）。对于代码来说，依赖关系可能在较长的序列中才能体现出来（如函数的大括号等）。代码同样采用单个字母或符号输入，因此没有必要使用embedding层。
model.py
# coding: utf-8 import os import time import numpy as np import tensorflow as tf def pick_top_n(preds, vocab_size, top_n=5): p = np.squeeze(preds) # p[np.argsort(p)]将p从小到大排序 p[np.argsort(p)[:-top_n]] = 0 # 将除了top_n个预测值的位置都置为0 p = p / np.sum(p) # 归一化概率 # 以p的概率从vocab_size中随机选取一个字符，p是列表,vocab_size也是列表，p代表vocab_size中每个字的概率 c = np.random.choice(vocab_size, 1, p=p)[0] return c class CharRNN: def __init__(self, num_classes, num_seqs=32, num_steps=26, lstm_size=128, num_layers=2, learning_rate=0.001, grad_clip=5, sampling=False, train_keep_prob=0.5, use_embedding=False, embedding_size=128): if sampling is True: # 如果是测试 num_seqs, num_steps = 1, 1 else: num_seqs, num_steps = num_seqs, num_steps self.num_classes = num_classes # 一共分3501类，每个字是一类，判断下一个字出现的概率，是下一个类的概率，分类任务 self.num_seqs = num_seqs # 一个batch里面句子的数量32 self.num_steps = num_steps # 句子的长度26 self.lstm_size = lstm_size # 隐藏层大小 （batch_size, state_size） self.num_layers = num_layers # LSTM层数量 self.learning_rate = learning_rate # 学习率 self.grad_clip = grad_clip self.train_keep_prob = train_keep_prob self.use_embedding = use_embedding self.embedding_size = embedding_size # embedding的大小128 tf.reset_default_graph() self.build_inputs() self.build_lstm() self.build_loss() self.build_optimizer() self.saver = tf.train.Saver() def build_inputs(self): with tf.name_scope('inputs'): # shape = (batch_size, num_steps) = (句子数量，句子长度)=(32, 26) self.inputs = tf.placeholder(tf.int32, shape=(self.num_seqs, self.num_steps), name='inputs') # 输出shape=输入shape，内容是self.inputs每个字母对应的下一个字母(32, 26) self.targets = tf.placeholder(tf.int32, shape=(self.num_seqs, self.num_steps), name='targets') self.keep_prob = tf.placeholder(tf.float32, name='keep_prob') # 对于汉字生成，使用embedding层会取得更好的效果。 # 英文字母没有必要用embedding层 if self.use_embedding is False: self.lstm_inputs = tf.one_hot(self.inputs, self.num_classes) else: with tf.device("/cpu:0"): # 先定义一个embedding变量，embedding才是我们的训练数据(字的总类别，每个字的向量)=(3501, 128) embedding = tf.get_variable('embedding', [self.num_classes, self.embedding_size]) # 使用tf.nn.embedding lookup查找embedding，让self.input从embedding中查数据 # 请注意embedding变量也是可以训练的，因此是通过训练得到embedding的具体数值。 # embedding.shape=[self.num_classes, self.embedding_size]=(3501, 128) # self.inputs.shape=(num_seqs, num_steps)=(句子数量，句子长度)=(32, 26) # self.lstm_inputs是直接输入LSTM的数据。 # self.lstm_inputs.shape=(batch_size, time_step, input_size)=(num_seqs, num_steps, embedding_size)=(句子数量，句子长度，词向量)=(32, 26, 128) self.lstm_inputs = tf.nn.embedding_lookup(embedding, self.inputs) def build_lstm(self): """定义多层N vs N LSTM模型""" # 创建单个cell函数 def get_a_cell(lstm_size, keep_prob): lstm = tf.nn.rnn_cell.BasicLSTMCell(lstm_size) drop = tf.nn.rnn_cell.DropoutWrapper(lstm, output_keep_prob=keep_prob) return drop # 将LSTMCell进行堆叠 with tf.name_scope('lstm'): cell = tf.nn.rnn_cell.MultiRNNCell( [get_a_cell(self.lstm_size, self.keep_prob) for _ in range(self.num_layers)]) # 隐藏层的初始化 shape=batch_size，计入笔记中，你的博客漏掉了 self.initial_state = cell.zero_state(self.num_seqs, tf.float32) # (batch_size, state_size) print("self.initial_state.shape", self.initial_state) # (LSTMStateTuple( # c= <tf.Tensor 'lstm/MultiRNNCellZeroState/DropoutWrapperZeroState/BasicLSTMCellZeroState/zeros:0' shape = (32, 128) dtype = float32 >, # h = < tf.Tensor 'lstm/MultiRNNCellZeroState/DropoutWrapperZeroState/BasicLSTMCellZeroState/zeros_1:0' shape = (32, 128) dtype = float32 >), # LSTMStateTuple( # c= < tf.Tensor 'lstm/MultiRNNCellZeroState/DropoutWrapperZeroState_1/BasicLSTMCellZeroState/zeros:0' shape = (32, 128) dtype = float32 >, # h = < tf.Tensor 'lstm/MultiRNNCellZeroState/DropoutWrapperZeroState_1/BasicLSTMCellZeroState/zeros_1:0' shape = (32, 128) dtype = float32 >)) # 将我们创建的LSTMCell通过dynamic_rnn对cell展开时间维度，不然只是在时间上走"一步" # inputs_shape = (batch_size, time_steps, input_size) # initial_state_shape = (batch_size, cell.state_size) # output_shape=(batch_size, time_steps, cell.output_size)=(32, 26, 128) time_steps步里所有输出，是个列表 self.lstm_outputs, self.final_state = tf.nn.dynamic_rnn(cell, self.lstm_inputs, initial_state=self.initial_state) # 通过lstm_outputs得到概率 seq_output = tf.concat(self.lstm_outputs, 1) # 合并所有time_step得到输出,lstm_outputs只有一个，因此还是原shape=32, 26, 128) x = tf.reshape(seq_output, [-1, self.lstm_size]) # (batch_size*time_steps, cell.output_size)=(32*26, 128) # softmax层 with tf.variable_scope('softmax'): softmax_w = tf.Variable(tf.truncated_normal([self.lstm_size, self.num_classes], stddev=0.1)) softmax_b = tf.Variable(tf.zeros(self.num_classes)) self.logits = tf.matmul(x, softmax_w) + softmax_b # 预测值 self.proba_prediction = tf.nn.softmax(self.logits, name='predictions') # 变成下一个词出现的概率 def build_loss(self): with tf.name_scope('loss'): y_one_hot = tf.one_hot(self.targets, self.num_classes) y_reshaped = tf.reshape(y_one_hot, self.logits.get_shape()) loss = tf.nn.softmax_cross_entropy_with_logits(logits=self.logits, labels=y_reshaped) self.loss = tf.reduce_mean(loss) def build_optimizer(self): # 使用截断梯度下降 clipping gradients tvars = tf.trainable_variables() grads, _ = tf.clip_by_global_norm(tf.gradients(self.loss, tvars), self.grad_clip) train_op = tf.train.AdamOptimizer(self.learning_rate) self.optimizer = train_op.apply_gradients(zip(grads, tvars)) def train(self, batch_generator, max_steps, save_path, save_every_n, log_every_n): self.session = tf.Session() with self.session as sess: sess.run(tf.global_variables_initializer()) # Train network step = 0 new_state = sess.run(self.initial_state) for x, y in batch_generator: step += 1 start = time.time() feed = {self.inputs: x, self.targets: y, self.keep_prob: self.train_keep_prob, self.initial_state: new_state} batch_loss, new_state, _ = sess.run([self.loss, self.final_state, self.optimizer], feed_dict=feed) end = time.time() # control the print lines if step % log_every_n == 0: print('step: {}/{}... '.format(step, max_steps), 'loss: {:.4f}... '.format(batch_loss), '{:.4f} sec/batch'.format((end - start))) if step % save_every_n == 0: self.saver.save(sess, os.path.join(save_path, 'model'), global_step=step) if step >= max_steps: break self.saver.save(sess, os.path.join(save_path, 'model'), global_step=step) def sample(self, n_samples, prime, vocab_size): """ :param n_samples: 生成多少词 :param prime: 开始字符串 :param vocab_size: 一共有多少字符 """ samples = [c for c in prime] # [6, 14]=[风, 水] sess = self.session new_state = sess.run(self.initial_state) preds = np.ones((vocab_size,)) # for prime=[] for c in prime: print("输入的单词是：", c) x = np.zeros((1, 1)) # 输入单个字符 x[0, 0] = c feed = {self.inputs: x, self.keep_prob: 1., self.initial_state: new_state} # preds是概率， preds, new_state = sess.run([self.proba_prediction, self.final_state], feed_dict=feed) c = pick_top_n(preds, vocab_size) print("预测出的词是", c) # 18-->中 samples.append(c) # 添加字符到samples中 # 不断生成字符，直到达到指定数目 for i in range(n_samples): # 30 x = np.zeros((1, 1)) x[0, 0] = c feed = {self.inputs: x, self.keep_prob: 1., self.initial_state: new_state} preds, new_state = sess.run([self.proba_prediction, self.final_state], feed_dict=feed) c = pick_top_n(preds, vocab_size) # c 为词索引 samples.append(c) return np.array(samples) def load(self, checkpoint): self.session = tf.Session() self.saver.restore(self.session, checkpoint) print('Restored from: {}'.format(checkpoint))
下面我挑重点讲
模型的定义主要放在model.py文件中
输入数据的定义
def build_inputs(self): with tf.name_scope('inputs'): # shape = (batch_size, num_steps) = (句子数量，句子长度)=(32, 26) self.inputs = tf.placeholder(tf.int32, shape=(self.num_seqs, self.num_steps), name='inputs') # 输出shape=输入shape，内容是self.inputs每个字母对应的下一个字母(32, 26) self.targets = tf.placeholder(tf.int32, shape=(self.num_seqs, self.num_steps), name='targets') self.keep_prob = tf.placeholder(tf.float32, name='keep_prob') # 对于汉字生成，使用embedding层会取得更好的效果。 # 英文字母没有必要用embedding层 if self.use_embedding is False: self.lstm_inputs = tf.one_hot(self.inputs, self.num_classes) else: with tf.device("/cpu:0"): # 先定义一个embedding变量，embedding才是我们的训练数据(字的总类别，每个字的向量)=(3501, 128) embedding = tf.get_variable('embedding', [self.num_classes, self.embedding_size]) # 使用tf.nn.embedding lookup查找embedding，让self.input从embedding中查数据 # 请注意embedding变量也是可以训练的，因此是通过训练得到embedding的具体数值。 # embedding.shape=[self.num_classes, self.embedding_size]=(3501, 128) # self.inputs.shape=(num_seqs, num_steps)=(句子数量，句子长度)=(32, 26) # self.lstm_inputs是直接输入LSTM的数据。 # self.lstm_inputs.shape=(batch_size, time_step, input_size)=(num_seqs, num_steps, embedding_size)=(句子数量，句子长度，词向量)=(32, 26, 128) self.lstm_inputs = tf.nn.embedding_lookup(embedding, self.inputs)
self.inputs：外部传入的一个batch内的输入数据，它的形状为(self.num_seqs, self.num_steps)
self.lstm_inputs：是直接输入LSTM的数据
self.num_seqs：一个batch内句子的个数（相当于batch_size）
self.num_steps：每个句子的长度
self.targets是self.inputs对应的训练目标，它的形状和self.inputs相同，内容是self.inputs每个字母对应的下一个字母。
self.keep_prob：后面的模型中有Dropout层，这里的self.keep_prob控制了Dropout层所需要的概率。在训练时，使用self.keep_prob=0.5，在测试时，使用self.keep_prob=1.0。
对于单个的英文字母，一般不使用embedding层，而对于汉字生成，使用embedding层会取得更好的效果。程序中用self.use_embedding参数控制是否使用embedding。
- 当不使用embedding时，会直接对self.inputs做独热编码得到self.lstm_inputs；
- 当使用embedding时，会先定义一个embedding变量，接着使用tf.nn.embedding_lookup查找embedding。
注意：embedding变量也是可以训练的，因此是通过训练得到embedding的具体数值。
定义多层LSTM模型
下面的函数定义了多层的 N VS N LSTM 模型
def build_lstm(self): """定义多层N vs N LSTM模型""" # 创建单个cell函数 def get_a_cell(lstm_size, keep_prob): lstm = tf.nn.rnn_cell.BasicLSTMCell(lstm_size) drop = tf.nn.rnn_cell.DropoutWrapper(lstm, output_keep_prob=keep_prob) return drop # 将LSTMCell进行堆叠 with tf.name_scope('lstm'): cell = tf.nn.rnn_cell.MultiRNNCell( [get_a_cell(self.lstm_size, self.keep_prob) for _ in range(self.num_layers)]) # 隐藏层的初始化 shape=batch_size，计入笔记中，你的博客漏掉了 self.initial_state = cell.zero_state(self.num_seqs, tf.float32) # (batch_size, state_size) print("self.initial_state.shape", self.initial_state) # (LSTMStateTuple( # c= <tf.Tensor 'lstm/MultiRNNCellZeroState/DropoutWrapperZeroState/BasicLSTMCellZeroState/zeros:0' shape = (32, 128) dtype = float32 >, # h = < tf.Tensor 'lstm/MultiRNNCellZeroState/DropoutWrapperZeroState/BasicLSTMCellZeroState/zeros_1:0' shape = (32, 128) dtype = float32 >), # LSTMStateTuple( # c= < tf.Tensor 'lstm/MultiRNNCellZeroState/DropoutWrapperZeroState_1/BasicLSTMCellZeroState/zeros:0' shape = (32, 128) dtype = float32 >, # h = < tf.Tensor 'lstm/MultiRNNCellZeroState/DropoutWrapperZeroState_1/BasicLSTMCellZeroState/zeros_1:0' shape = (32, 128) dtype = float32 >)) # 将我们创建的LSTMCell通过dynamic_rnn对cell展开时间维度，不然只是在时间上走"一步" # inputs_shape = (batch_size, time_steps, input_size) # initial_state_shape = (batch_size, cell.state_size) # output_shape=(batch_size, time_steps, cell.output_size)=(32, 26, 128) time_steps步里所有输出，是个列表 self.lstm_outputs, self.final_state = tf.nn.dynamic_rnn(cell, self.lstm_inputs, initial_state=self.initial_state) # 通过lstm_outputs得到概率 seq_output = tf.concat(self.lstm_outputs, 1) # 合并所有time_step得到输出,lstm_outputs只有一个，因此还是原shape=32, 26, 128) x = tf.reshape(seq_output, [-1, self.lstm_size]) # (batch_size*time_steps, cell.output_size)=(32*26, 128) # softmax层 with tf.variable_scope('softmax'): softmax_w = tf.Variable(tf.truncated_normal([self.lstm_size, self.num_classes], stddev=0.1)) softmax_b = tf.Variable(tf.zeros(self.num_classes)) self.logits = tf.matmul(x, softmax_w) + softmax_b # 预测值 self.proba_prediction = tf.nn.softmax(self.logits, name='predictions') # 变成下一个词出现的概率
在这段代码中，定义了一个多层的BasicLSTMCell。并且在这里对每个BasicLSTMCell使用了tf.nn.rnn_cell.DropoutWrapper函数，即加入了一层Dropout，以减少过拟合。
定义了cell后，使用tf.nn.dynamic_rnn函数展开了时间维度。tf.nn.dynamic_rnn的输入为cell、self.lstm_inputs、self.initial_state。其中cell已经解释过了，self.inputs是在上一节中的输出层定义的，self.initial_state是通过调用cell.zero_state得到的一个全0的Tensor，表示初始的隐层状态。
tf.nn.dynamic_rnn的输出为self.outputs和self.final_state。self.outputs是多层LSTM的隐层h，因此需要得到最后的分类概率，还需要再定义一层Softmax层才可以。这里经过一次类似于Wx+b的变换后得到self.logits，再做Softmax处理，输出为self.proba_prediction。
定义损失
得到self.proba_prediction后，可以使用它和self.targets的独热编码做交叉熵得到损失。另外，也可以使用tf.nn.softmax_cross_entropy_with_logits函数，通过self.logits直接定义损失，对应的代码如下：
def build_loss(self): with tf.name_scope('loss'): y_one_hot = tf.one_hot(self.targets, self.num_classes) y_reshaped = tf.reshape(y_one_hot, self.logits.get_shape()) loss = tf.nn.softmax_cross_entropy_with_logits(logits=self.logits, labels=y_reshaped) self.loss = tf.reduce_mean(loss)
sample.py
# Author:凌逆战 # -*- coding:utf-8 -*- import tensorflow as tf from read_utils import TextConverter from model import CharRNN import os FLAGS = tf.flags.FLAGS tf.flags.DEFINE_integer('lstm_size', 128, 'size of hidden state of lstm') tf.flags.DEFINE_integer('num_layers', 2, 'number of lstm layers') tf.flags.DEFINE_boolean('use_embedding', False, 'whether to use embedding') tf.flags.DEFINE_integer('embedding_size', 128, 'size of embedding') tf.flags.DEFINE_string('converter_path', '', 'model/name/converter.pkl') tf.flags.DEFINE_string('checkpoint_path', '', 'checkpoint path') tf.flags.DEFINE_string('start_string', '', 'use this string to start generating') tf.flags.DEFINE_integer('max_length', 30, 'max length to generate') # --use_embedding --start_string "风水" --converter_path model/poetry/converter.pkl --checkpoint_path model/poetry/ --max_length 30 def main(_): FLAGS.start_string = FLAGS.start_string converter = TextConverter(filename=FLAGS.converter_path) if os.path.isdir(FLAGS.checkpoint_path): FLAGS.checkpoint_path = tf.train.latest_checkpoint(FLAGS.checkpoint_path) model = CharRNN(converter.vocab_size, sampling=True, lstm_size=FLAGS.lstm_size, num_layers=FLAGS.num_layers, use_embedding=FLAGS.use_embedding, embedding_size=FLAGS.embedding_size) model.load(FLAGS.checkpoint_path) start = converter.text_to_arr(FLAGS.start_string) arr = model.sample(FLAGS.max_length, start, converter.vocab_size) print("arr装的是每个单词的位置", arr) print(converter.arr_to_text(arr)) if __name__ == '__main__': tf.app.run()
莎士比亚诗集测试命令
python sample.py --converter_path model/shakespeare/converter.pkl --checkpoint_path model/shakespeare/ --max_length 1000
对应参数的含义为：
--converter_path：其实神经网络生成的是字母类别id，并不是字母。这些类别id在输入模型时是通过一个converter转换的，程序会自动把converter保存在model/shakespeare目录下。在输出时需要使用converter将类别id转换回字母。
--checkpoint_path：模型的保存路径。
--max_length：生成的序列长度。
唐诗测试命令
python sample.py --use_embeding --converter_path model/poetry/converter.pkl --checkpoint_path model/poetry/ --max_length 300
因为在训练时使用了--use_embedding。所以在测试时也必须使用--use_embedding，这样才能成功载入参数。生成诗歌的效果为：
C代码测试命令
python sample.py --converter_path model/lonux/converter.pkl --checkpoint_path model/linux --max_length 1000
多次运行测试命令可以生成完全不一样的程序段。
read_utils.py
# Author:凌逆战 # -*- coding:utf-8 -*- import numpy as np import copy import pickle def batch_generator(arr, n_seqs, n_steps): """ :param arr: 训练集数据 :param n_seqs:一个batch的句子数量，32 :param n_steps: 句子长度，26 :return: x, y 的生成器 """ arr = copy.copy(arr) # 把数据备份一份 batch_size = n_seqs * n_steps # 一个batch的句子数量*句子长度=一个batch的总字数 n_batches = int(len(arr) / batch_size) # 取到了batch的整数 arr = arr[:batch_size * n_batches] # [:n_seqs * n_steps * n_batches] arr = arr.reshape((n_seqs, -1)) # # [n_seqs: n_steps * n_batches] while True: np.random.shuffle(arr) # 每次循环是一次batch for n in range(0, arr.shape[1], n_steps): x = arr[:, n:n + n_steps] # 一个句子，句子的每个词 y = np.zeros_like(x) # y[:, -1]所有行的最后一列=x[:, 0] 所有行的第0列 y[:, :-1], y[:, -1] = x[:, 1:], x[:, 0] yield x, y class TextConverter(object): def __init__(self, text=None, max_vocab=5000, filename=None): if filename is not None: with open(filename, 'rb') as f: self.vocab = pickle.load(f) else: vocab = set(text) # 变成集和，去重 print("数据集总共用到了多少词", len(vocab)) # 5387 # max_vocab_process # 计算每个词出现的次数 vocab_count = {} for word in vocab: vocab_count[word] = 0 for word in text: vocab_count[word] += 1 vocab_count_list = [] # [(词，词数量), (词，词数量)...] for word in vocab_count: # 字典循环，得到的是键 vocab_count_list.append((word, vocab_count[word])) vocab_count_list.sort(key=lambda x: x[1], reverse=True) # 按照词数量倒序 大-->小 if len(vocab_count_list) > max_vocab: vocab_count_list = vocab_count_list[:max_vocab] vocab = [x[0] for x in vocab_count_list] self.vocab = vocab # 装载所有词的列表 self.word_to_int_table = {c: i for i, c in enumerate(self.vocab)} self.int_to_word_table = dict(enumerate(self.vocab)) # {(索引，单词),(索引，单词)...} for item in list(self.int_to_word_table.items())[:50]: # 遍历字典中的元素 print(item) # (0, '，') # (1, '。') # (2, '\n') # (3, '不') # (4, '人') # (5, '山') # (6, '风') # (7, '日') # (8, '云') # (9, '无') # (10, '何') # (11, '一') # (12, '春') # (13, '月') # (14, '水') # (15, '花') @property def vocab_size(self): return len(self.vocab) + 1 def word_to_int(self, word): if word in self.word_to_int_table: return self.word_to_int_table[word] # 返回这是第几个词 else: return len(self.vocab) def int_to_word(self, index): if index == len(self.vocab): return '<unk>' elif index < len(self.vocab): return self.int_to_word_table[index] # 返回第几个词所对应的词 else: raise Exception('Unknown index!') def text_to_arr(self, text): arr = [] for word in text: arr.append(self.word_to_int(word)) # text中的词，出现在vocab中的索引 return np.array(arr) def arr_to_text(self, arr): words = [] for index in arr: words.append(self.int_to_word(index)) return "".join(words) def save_to_file(self, filename): with open(filename, 'wb') as f: pickle.dump(self.vocab, f)
因为在训练时使用了--use_embedding。所以在测试时也必须使用--use_embedding，这样才能成功载入参数。
