混合前端seq2seq模型部署
混合前端seq2seq模型部署
本文介绍，如何将seq2seq模型转换为PyTorch可用的前端混合Torch脚本。要转换的模型来自于聊天机器人教程Chatbot tutorial。
1.混合前端
在一个基于深度学习项目的研发阶段, 使用像PyTorch这样即时eager、命令式的界面进行交互能带来很大便利。这使用户能够在使用Python数据结构、控制流操作、打印语句和调试实用程序时，通过熟悉的、惯用的Python脚本编写。
尽管即时性界面，对于研究和试验应用程序是一个有用的工具，但是对于生产环境中部署模型时，使用基于图形graph-based的模型表示将更加适用的。 一个延迟的图型展示，意味着可以优化，比如无序执行操作，以及针对高度优化的硬件架构的能力。 此外，基于图形的表示支持框架无关的模型导出。PyTorch提供了将即时模式的代码增量，转换为Torch脚本的机制，Torch脚本是一个在Python中的静态可分析和可优化的子集，Torch使用它来在Python运行时，独立进行深度学习。
在Torch中的torch.jit模块可以找到，将即时模式的PyTorch程序转换为Torch脚本的API。 这个模块有两个核心模式用于将即时模式模型转换为Torch脚本图形表示: 跟踪tracing 以及 脚本化scripting。
torch.jit.trace 函数接受一个模块或者一个函数和一组示例的输入，然后通过函数或模块运行输入示例，同时跟跟踪遇到的计算步骤，然后输出一个可以展示跟踪流程的基于图形的函数。跟踪Tracing对于不涉及依赖于数据的控制流的直接的模块和函数非常有用，就比如标准的卷积神经网络。
然而，如果一个有数据依赖的if语句和循环的函数被跟踪，则只记录示例输入沿执行路径调用的操作。换句话说，控制流本身并没有被捕获。要将带有数据依赖控制流的模块和函数进行转化，已提供了一个脚本化机制。脚本显式地将模块或函数代码转换为Torch脚本，包括所有可能的控制流路径。如需使用脚本模式script mode， 要确定继承了 torch.jit.ScriptModule基本类 (取代torch.nn.Module) ，并且增加 torch.jit.script 装饰器到你的Python函数或者 torch.jit.script_method 装饰器到你的模块方法。
使用脚本化的一个警告是，它只支持Python的一个受限子集。要获取与支持的特性相关的所有详细信息，参考 Torch Script language reference。为了达到最大的灵活性，可以组合Torch脚本的模式来表示整个程序，并且可以增量地应用这些技术。
2.预备环境
首先，导入所需的模块以及设置一些常量。如果想使用自己的模型，需要保证MAX_LENGTH常量设置正确。 提醒：这个常量定义了在训练过程中允许的最大句子长度，以及模型能够产生的最大句子长度输出。
source-python
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
from __future__ import unicode_literals
import torch
import torch.nn as nn
import torch.nn.functional as F
import re
import os
import unicodedata
import numpy as np
device = torch.device("cpu")
MAX_LENGTH = 10 # Maximum sentence length
# 默认的词向量
PAD_token = 0 # Used for padding short sentences
SOS_token = 1 # Start-of-sentence token
EOS_token = 2 # End-of-sentence token
3.模型概述
正如前文所言，使用的sequence-to-sequence (seq2seq) 模型。这种类型的模型用于输入，是可变长度序列的情况，输出也是一个可变长度序列，不一定是一对一输入映射。seq2seq 模型由两个递归神经网络(RNNs)组成：编码器 encoder和解码器decoder.
（1）编码器(Encoder)
编码器RNN在输入语句中每次迭代一个标记(例如单词)，每次步骤输出一个“输出”向量和一个“隐藏状态”向量。”隐藏状态“向量在之后，则传递到下一个步骤，同时记录输出向量。编码器将序列中每个坐标代表的文本，转换为高维空间中的一组坐标，解码器将使用这些坐标，为给定的任务生成有意义的输出。
（2）解码器(Decoder)
解码器RNN以逐个令牌的方式生成响应语句。使用来自于编码器的文本向量和内部隐藏状态，来生成序列中的下一个单词。继续生成单词，直到输出表示句子结束的EOS语句。在解码器中使用专注机制attention mechanism，帮助在输入的某些部分生成输出时"保持专注"。对于的模型，实现了 Luong et al等人的“全局关注Global attention”模块，并将其作为解码模型中的子模块。
4.数据处理
尽管的模型在概念上处理标记序列，但在现实中，与所有机器学习模型一样处理数字。在这种情况下，在训练之前建立的模型词汇表中的每个单词都映射到一个整数索引。使用Voc对象来包含从单词到索引的映射，以及词汇表中的单词总数。将在运行模型之前加载对象。
此外，为了能够进行评估，必须提供一个处理字符串输入的工具。normalizeString函数将字符串中的所有字符转换为小写，并删除所有非字母字符。indexesFromSentence函数接受一个单词的句子，并返回相应的单词索引序列。
class Voc:
def __init__(self, name):
self.name = name
self.trimmed = False
self.word2index = {}
self.word2count = {}
self.index2word = {PAD_token: "PAD", SOS_token: "SOS", EOS_token: "EOS"}
self.num_words = 3 # 统计SOS, EOS, PAD
def addSentence(self, sentence):
for word in sentence.split(' '):
self.addWord(word)
def addWord(self, word):
if word not in self.word2index:
self.word2index[word] = self.num_words
self.word2count[word] = 1
self.index2word[self.num_words] = word
self.num_words += 1
else:
self.word2count[word] += 1
# Remove words below a certain count threshold
def trim(self, min_count):
if self.trimmed:
return
self.trimmed = True
keep_words = []
for k, v in self.word2count.items():
if v >= min_count:
keep_words.append(k)
print('keep_words {} / {} = {:.4f}'.format(
len(keep_words), len(self.word2index), len(keep_words) / len(self.word2index)
))
# Reinitialize dictionaries
self.word2index = {}
self.word2count = {}
self.index2word = {PAD_token: "PAD", SOS_token: "SOS", EOS_token: "EOS"}
self.num_words = 3 # 统计默认的令牌
for word in keep_words:
self.addWord(word)
# 小写并删除非字母字符
def normalizeString(s):
s = s.lower()
s = re.sub(r"([.!?])", r" \1", s)
s = re.sub(r"[^a-zA-Z.!?]+", r" ", s)
return s
# 使用字符串句子，返回单词索引的句子
def indexesFromSentence(voc, sentence):
return [voc.word2index[word] for word in sentence.split(' ')] + [EOS_token]
5.定义编码器
通过torch.nn.GRU模块实现编码器的RNN。本模块接受一批语句(嵌入单词的向量)的输入，它在内部遍历这些句子，每次一个标记，计算隐藏状态。将这个模块初始化为双向的，这意味着有两个独立的GRUs: 一个按时间顺序遍历序列，另一个按相反顺序遍历序列。 最终返回这两个GRUs输出和。由于模型是使用批处理进行训练的，所以，EncoderRNN模型的forward函数需要一个填充的输入批处理。为了批量处理可变长度的句子，通过MAX_LENGTH令牌允许一个句子中支持的最大长度，并且批处理中所有小于MAX_LENGTH 令牌的句子，都使用专用的PAD_token令牌填充在最后。要使用带有PyTorch RNN模块的批量填充，必须把转发forward密令，在调用torch.nn.utils.rnn.pack_padded_sequence和torch.nn.utils.rnn.pad_packed_sequence数据转换时进行打包。注意，forward 函数还接受一个input_length列表，其中包含批处理中每个句子的长度。该输入在填充时通过torch.nn.utils.rnn.pack_padded_sequence使用。
- 混合前端笔记 由于编码器的转发函数forward不包含任何依赖于数据的控制流，因此将使用跟踪tracing，转换为脚本模式script mode。在跟踪模块时， 可以保持模块定义不变。在运行评估之前，将在本文末尾初始化所有模型。
class EncoderRNN(nn.Module):
def __init__(self, hidden_size, embedding, n_layers=1, dropout=0):
super(EncoderRNN, self).__init__()
self.n_layers = n_layers
self.hidden_size = hidden_size
self.embedding = embedding
# 初始化GRU;input_size和hidden_size参数都设置为'hidden_size'
# 因为输入的大小是一个有多个特征的词向量== hidden_size
self.gru = nn.GRU(hidden_size, hidden_size, n_layers,
dropout=(0 if n_layers == 1 else dropout), bidirectional=True)
def forward(self, input_seq, input_lengths, hidden=None):
# 将单词索引转换为向量
embedded = self.embedding(input_seq)
# 为RNN模块填充批次序列
packed = torch.nn.utils.rnn.pack_padded_sequence(embedded, input_lengths)
# 正向通过GRU
outputs, hidden = self.gru(packed, hidden)
# 打开填充
outputs, _ = torch.nn.utils.rnn.pad_packed_sequence(outputs)
# 将双向GRU的输出结果总和
outputs = outputs[:, :, :self.hidden_size] + outputs[:, : ,self.hidden_size:]
# 返回输出以及最终的隐藏状态
return outputs, hidden
6. 定义解码器的注意力模块
接下来，将定义注意力模块(Attn)。注意，此模块将用作解码器模型中的子模块。Luong等人考虑了各种“分数函数”score functions， 它们取当前解码器RNN输出和整个编码器输出，并返回关注点“能值”engergies。这个关注能值张量attension energies tensor与编码器输出的大小相同，两者最终相乘，得到一个加权张量，其最大值表示，在特定时间步长解码的查询语句最重要的部分。
# Luong的注意力层
class Attn(torch.nn.Module):
def __init__(self, method, hidden_size):
super(Attn, self).__init__()
self.method = method
if self.method not in ['dot', 'general', 'concat']:
raise ValueError(self.method, "is not an appropriate attention method.")
self.hidden_size = hidden_size
if self.method == 'general':
self.attn = torch.nn.Linear(self.hidden_size, hidden_size)
elif self.method == 'concat':
self.attn = torch.nn.Linear(self.hidden_size * 2, hidden_size)
self.v = torch.nn.Parameter(torch.FloatTensor(hidden_size))
def dot_score(self, hidden, encoder_output):
return torch.sum(hidden * encoder_output, dim=2)
def general_score(self, hidden, encoder_output):
energy = self.attn(encoder_output)
return torch.sum(hidden * energy, dim=2)
def concat_score(self, hidden, encoder_output):
energy = self.attn(torch.cat((hidden.expand(encoder_output.size(0), -1, -1), encoder_output), 2)).tanh()
return torch.sum(self.v * energy, dim=2)
def forward(self, hidden, encoder_outputs):
# 根据给定的方法计算注意力权重（能量）
if self.method == 'general':
attn_energies = self.general_score(hidden, encoder_outputs)
elif self.method == 'concat':
attn_energies = self.concat_score(hidden, encoder_outputs)
elif self.method == 'dot':
attn_energies = self.dot_score(hidden, encoder_outputs)
# 转置max_length和batch_size维度
attn_energies = attn_energies.t()
# 返回softmax归一化概率分数（增加维度）
return F.softmax(attn_energies, dim=1).unsqueeze(1)
7. 定义解码器
类似于EncoderRNN，使用torch.nn.GRU模块作为的解码器RNN。然而，这一次使用单向GRU。需要注意的是，与编码器不同，将向解码器RNN每次提供一个单词。首先得到当前单词的嵌入，应用抛出功能dropout。接下来，将嵌入和最后的隐藏状态，转发给GRU，得到当前的GRU输出和隐藏状态。然后，使用Attn模块，作为一个层来获得专注权重，乘以编码器的输出来获得的参与编码器输出。使用这个参与编码器输出作为文本context张量，表示一个加权和，表示编码器输出的哪些部分需要注意。这里，使用线性层linear layer和softmax normalization 归一化，来选择输出序列中的下一个单词。
- 混合前端笔记 与EncoderRNN类似，此模块不包含任何依赖于数据的控制流。因此，在初始化该模型，并加载其参数之后，可以再次使用跟踪tracing，将其转换为Torch脚本。
class LuongAttnDecoderRNN(nn.Module):
def __init__(self, attn_model, embedding, hidden_size, output_size, n_layers=1, dropout=0.1):
super(LuongAttnDecoderRNN, self).__init__()
# 保持参考
self.attn_model = attn_model
self.hidden_size = hidden_size
self.output_size = output_size
self.n_layers = n_layers
self.dropout = dropout
# 定义层
self.embedding = embedding
self.embedding_dropout = nn.Dropout(dropout)
self.gru = nn.GRU(hidden_size, hidden_size, n_layers, dropout=(0 if n_layers == 1 else dropout))
self.concat = nn.Linear(hidden_size * 2, hidden_size)
self.out = nn.Linear(hidden_size, output_size)
self.attn = Attn(attn_model, hidden_size)
def forward(self, input_step, last_hidden, encoder_outputs):
# 注意：这步只运行一次
# 获取当前输入字对应的向量映射
embedded = self.embedding(input_step)
embedded = self.embedding_dropout(embedded)
# 通过单向GRU转发
rnn_output, hidden = self.gru(embedded, last_hidden)
# 通过当前GRU的输出计算注意力权重
attn_weights = self.attn(rnn_output, encoder_outputs)
# 注意力权重乘以编码器输出以获得新的“加权和”上下文向量
context = attn_weights.bmm(encoder_outputs.transpose(0, 1))
# 使用Luong的公式5来连接加权上下文向量和GRU输出
rnn_output = rnn_output.squeeze(0)
context = context.squeeze(1)
concat_input = torch.cat((rnn_output, context), 1)
concat_output = torch.tanh(self.concat(concat_input))
# 使用Luong的公式6来预测下一个单词
output = self.out(concat_output)
output = F.softmax(output, dim=1)
# 返回输出和最终的隐藏状态
return output, hidden
8.定义评估
8.1 贪婪搜索解码器
在聊天机器人中，使用GreedySearchDecoder模块来简化实际的解码过程。该模块将训练好的编码器和解码器模型作为属性，驱动输入语句(词索引向量)的编码过程，并一次一个词(词索引)，迭代地解码输出响应序列。
对输入序列进行编码很简单: 只需将整个序列张量及其对应的长度向量转发给编码器。需要注意的是，这个模块一次只处理一个输入序列， 而不是成批的序列。因此，当常数1用于声明张量大小时，对应于批处理大小为1。要解码给定的解码器输出，必须通过解码器模型，迭代地向前运行，该解码器模型输出softmax分数，该分数对应于每个单词在解码序列中，是正确的下一个单词的概率。将decoder_input 初始化为一个包含SOS_token的张量。在每次通过解码器之后，贪婪地将softmax概率最高的单词追加到decoded_words列表中。 还使用这个单词作为下一个迭代的decoder_input。如果decoded_words列表的长度达到MAX_LENGTH，或者预测的单词是EOS_token， 那么解码过程将终止。
- 混合前端笔记
该模块的forward方法，涉及到在每次解码一个单词的输出序列时，遍历/([0,max/_length]/)的范围。因此，应该使用脚本将这个模块转换为Torch脚本。与可以跟踪的编码器和解码器模型不同，必须对GreedySearchDecoder模块进行一些必要的更改，以便在不出错的情况下初始化对象。换句话说，必须确保模块遵守脚本机制的规则，并且不使用Torch脚本包含的Python子集之外的任何语言特性。
为了了解可能需要的一些操作，将回顾聊天机器人中的GreedySearchDecoder。实现与下面单元中使用的实现之间的区别。注意， 用红色突出显示的行，是从原始实现中删除的行，而用绿色突出显示的行，是新的。
变更事项：
- nn.Module -> torch.jit.ScriptModule 为了在模块上使用PyTorch的脚本化机制, 模型需要从torch.jit.ScriptModule继承。
- 将decoder_n_layers追加到结构参数，这种变化源于这样一个事实，即传递给这个模块的编码器和解码器模型，将是TracedModule(非模块)的子模块。因此，无法使用 decoder.n_layers访问解码器的层数。相反，对此进行计划，并在模块构建过程中传入此值。
- 将新属性作为常量保存在最初的实现中，可以在GreedySearchDecoder的forward方法中，自由地使用来自周围(全局)范围的变量. 然而，现在正在使用脚本，没有这种自由，因为脚本处理的设想4是不一定要保留Python对象，尤其是在导出时。 一个简单的解决方案是，将全局作用域中的这些值作为属性存储到构造函数中的模块中，并将它们添加到一个名为__constants__的特殊列表中，以便在forward 方法中构造图形时，用作文本值。这种用法的一个例子在第19行，取代使用device和SOS_token全局值，使用常量属性 self._device和self._SOS_token。
- 将torch.jit.script_method装饰器添加到forward方法 添加这个装饰器可以让JIT编译器知道所装饰的函数应该是脚本化的。
- 强制forward方法的参数类型 默认情况下，Torch脚本函数的所有参数都假定为张量。如果需要传递不同类型的参数，可以使用PEP 3107中引入的函数类型注释。 此外，还可以使用MyPy-style类型的注释，声明不同类型的参数。
- 变更decoder_input的初始化 在原有实现中，用torch.LongTensor([[SOS_token]])初始化了decoder_input的张量。当脚本编写时, 不允许像这样，以一种文字方式初始化张量。取而代之的是，可以用一个显式的torch函数，比如torch.ones来初始化的张量。这种情况下， 可以很方便的复制标量decoder_input和通过将1乘以存在常量中的SOS_token的值self._SOS_token得到的张量。 ```buildoutcfg class GreedySearchDecoder(torch.jit.ScriptModule): def init(self, encoder, decoder, decoder_n_layers): super(GreedySearchDecoder, self).init() self.encoder = encoder self.decoder = decoder self._device = device self._SOS_token = SOS_token self._decoder_n_layers = decoder_n_layers
constants = ['_device', '_SOS_token', '_decoder_n_layers']
@torch.jit.script_method def forward(self, input_seq : torch.Tensor, input_length : torch.Tensor, max_length : int): # 通过编码器模型转发输入 encoder_outputs, encoder_hidden = self.encoder(input_seq, input_length) # 准备编码器的最终隐藏层作为解码器的第一个隐藏输入 decoder_hidden = encoder_hidden[:self._decoder_n_layers] # 使用SOS_token初始化解码器输入 decoder_input = torch.ones(1, 1, device=self._device, dtype=torch.long) * self._SOS_token # 初始化张量以将解码后的单词附加到 all_tokens = torch.zeros([0], device=self._device, dtype=torch.long) all_scores = torch.zeros([0], device=self._device) # 一次迭代地解码一个词令牌 for _ in range(max_length): # 正向通过解码器 decoder_output, decoder_hidden = self.decoder(decoder_input, decoder_hidden, encoder_outputs) # 获得最可能的单词标记及其softmax分数 decoder_scores, decoder_input = torch.max(decoder_output, dim=1) # 记录令牌和分数 all_tokens = torch.cat((all_tokens, decoder_input), dim=0) all_scores = torch.cat((all_scores, decoder_scores), dim=0) # 准备当前令牌作为下一个解码器输入（添加维度） decoder_input = torch.unsqueeze(decoder_input, 0) # 返回词令牌和分数的集合 return all_tokens, all_scores
#### 8.2 输入评估
接下来，定义一些函数来计算输入。求值函数`evaluate`接受一个规范化字符串语句，将其处理为其对应的单词索引张量(批处理大小
为1)，并将该张量传递给一个名为`searcher`的`GreedySearchDecoder`实例，以处理编码/解码过程。检索器返回输出的单词索引向量和
一个分数张量，该张量对应于每个解码的单词标记的`softmax`分数。最后一步是使用`voc.index2word`将每个单词索引转换回其字符串表示形式。
还定义了两个函数来计算输入语句。`evaluateInput`函数提示用户输入，并计算输入。它持续请求另一次输入，直到用户输入“q”或“quit”。
`evaluateExample`函数只接受一个字符串输入语句作为参数，对其进行规范化、计算并输出响应。
```buildoutcfg
def evaluate(encoder, decoder, searcher, voc, sentence, max_length=MAX_LENGTH):
# 格式化输入句子作为批处理
# words -> indexes
indexes_batch = [indexesFromSentence(voc, sentence)]
# 创建长度张量
lengths = torch.tensor([len(indexes) for indexes in indexes_batch])
# 转置批量的维度以匹配模型的期望
input_batch = torch.LongTensor(indexes_batch).transpose(0, 1)
# 使用适当的设备
input_batch = input_batch.to(device)
lengths = lengths.to(device)
# 用earcher解码句子s
tokens, scores = searcher(input_batch, lengths, max_length)
# indexes -> words
decoded_words = [voc.index2word[token.item()] for token in tokens]
return decoded_words
# 评估来自用户输入的输入(stdin)
def evaluateInput(encoder, decoder, searcher, voc):
input_sentence = ''
while(1):
try:
# 获取输入的句子
input_sentence = input('> ')
# Check if it is quit case
if input_sentence == 'q' or input_sentence == 'quit': break
# 规范化句子
input_sentence = normalizeString(input_sentence)
# 评估句子
output_words = evaluate(encoder, decoder, searcher, voc, input_sentence)
# 格式化和打印回复句
output_words[:] = [x for x in output_words if not (x == 'EOS' or x == 'PAD')]
print('Bot:', ' '.join(output_words))
except KeyError:
print("Error: Encountered unknown word.")
# 规范化输入句子并调用evaluate()
def evaluateExample(sentence, encoder, decoder, searcher, voc):
print("> " + sentence)
# 规范化句子
input_sentence = normalizeString(sentence)
# 评估句子
output_words = evaluate(encoder, decoder, searcher, voc, input_sentence)
output_words[:] = [x for x in output_words if not (x == 'EOS' or x == 'PAD')]
print('Bot:', ' '.join(output_words))
9.加载预训练参数
9.1 使用托管模型
托管模型使用步骤:
1.下载模型
2.设置loadFilename变量，作为下载的检查点文件的路径
3.将checkpoint = torch.load(loadFilename)行取消注释，表示托管模型在CPU上训练。
9.2 使用自己的模型
加载自己的预训练模型设计步骤:
1.将loadFilename变量设置为希望加载的检查点文件的路径。注意，如果遵循从chatbot tutorial中保存模型的协议，这会涉及更改 model_name、encoder_n_layers、decoder_n_layers、hidden_size和checkpoint_iter(因为这些值在模型路径中使用到)。
2.如果在CPU上训练，确保在checkpoint = torch.load(loadFilename)行打开了检查点。如果在GPU上训练，并且在CPU运行，解除checkpoint = torch.load(loadFilename, map_location=torch.device('cpu'))的注释。
- 混合前端笔记
注意，像往常一样初始化，将参数加载到编码器和解码器模型中。另外，在跟踪模型之前，必须调用.to(device)来设置模型的设备选项，调用.eval()来设置抛出层dropout layer为test mode。TracedModule对象不继承to或eval方法。
save_dir = os.path.join("data", "save")
corpus_name = "cornell movie-dialogs corpus"
# 配置模型
model_name = 'cb_model'
attn_model = 'dot'
#attn_model = 'general'
#attn_model = 'concat'
hidden_size = 500
encoder_n_layers = 2
decoder_n_layers = 2
dropout = 0.1
batch_size = 64
# 如果你加载的是自己的模型
# 设置要加载的检查点
checkpoint_iter = 4000
# loadFilename = os.path.join(save_dir, model_name, corpus_name,
# '{}-{}_{}'.format(encoder_n_layers, decoder_n_layers, hidden_size),
# '{}_checkpoint.tar'.format(checkpoint_iter))
# 如果你加载的是托管模型
loadFilename = 'data/4000_checkpoint.tar'
# 加载模型
# 强制CPU设备选项（与本教程中的张量匹配）
checkpoint = torch.load(loadFilename, map_location=torch.device('cpu'))
encoder_sd = checkpoint['en']
decoder_sd = checkpoint['de']
encoder_optimizer_sd = checkpoint['en_opt']
decoder_optimizer_sd = checkpoint['de_opt']
embedding_sd = checkpoint['embedding']
voc = Voc(corpus_name)
voc.__dict__ = checkpoint['voc_dict']
print('Building encoder and decoder ...')
# 初始化词向量
embedding = nn.Embedding(voc.num_words, hidden_size)
embedding.load_state_dict(embedding_sd)
# 初始化编码器和解码器模型
encoder = EncoderRNN(hidden_size, embedding, encoder_n_layers, dropout)
decoder = LuongAttnDecoderRNN(attn_model, embedding, hidden_size, voc.num_words, decoder_n_layers, dropout)
# 加载训练模型参数
encoder.load_state_dict(encoder_sd)
decoder.load_state_dict(decoder_sd)
# 使用适当的设备
encoder = encoder.to(device)
decoder = decoder.to(device)
# 将dropout层设置为eval模式
encoder.eval()
decoder.eval()
print('Models built and ready to go!')
- 输出
Building encoder and decoder ...
Models built and ready to go!
10.将模型转换为 Torch 脚本
10.1 编码器
正如前文所述，要将编码器模型转换为Torch脚本，需要使用跟踪Tracing。跟踪任何需要通过模型的forward方法，运行一个示例输入，以及跟踪数据相遇时的图形计算。编码器模型接收一个输入序列和一个长度相关的张量。因此，创建一个输入序列test_seq， 配置合适的大小(MAX_LENGTH,1)包含适当范围内的数值([0,voc.num_words])以及搭配的类型(int64)。还创建了test_seq_length 标量，该标量实际包含与test_seq中单词数量对应的值。下一步，使用torch.jit.trace函数来跟踪模型。注意，传递的第一个参数要跟踪的模块，第二个参数是模块forward方法的参数元组。
10.2 解码器
对解码器的跟踪过程与对编码器的跟踪过程相同。注意，对traced_encoder的一组随机输入调用forward，以获得解码器所需的输出。这不是必需的，因为也可以简单地生成一个形状、类型和值范围正确的张量。这种方法是可行的，因为在的例子中，对张量的值没有任何约束，因为没有任何操作可能导致超出范围的输入出错。
10.3 贪婪搜索解码器
回想一下，由于存在依赖于数据的控制流，为搜索器模块编写了脚本。在脚本化的情况下，通过添加修饰符，确保实现符合脚本规则，预先完成转换工作。初始化脚本搜索器的方式与初始化未脚本化变量的方式相同。
### 转换编码器模型
# 创建人工输入
test_seq = torch.LongTensor(MAX_LENGTH, 1).random_(0, voc.num_words).to(device)
test_seq_length = torch.LongTensor([test_seq.size()[0]]).to(device)
# 跟踪模型
traced_encoder = torch.jit.trace(encoder, (test_seq, test_seq_length))
### 转换解码器模型
# 创建并生成人工输入
test_encoder_outputs, test_encoder_hidden = traced_encoder(test_seq, test_seq_length)
test_decoder_hidden = test_encoder_hidden[:decoder.n_layers]
test_decoder_input = torch.LongTensor(1, 1).random_(0, voc.num_words)
# 跟踪模型
traced_decoder = torch.jit.trace(decoder, (test_decoder_input, test_decoder_hidden, test_encoder_outputs))
### 初始化searcher模块
scripted_searcher = GreedySearchDecoder(traced_encoder, traced_decoder, decoder.n_layers)
11.图形打印
现在的模型是Torch脚本形式的，可以打印每个模型的图形，确保适当地捕获计算图形。因为scripted_searcher包含 traced_encoder和traced_decoder，所以这些图将以内联方式打印。
- 输出
scripted_searcher graph:
graph(%input_seq : Tensor,
%input_length : Tensor,
%max_length : int,
%126 : Tensor,
%127 : Tensor,
%128 : Tensor,
%129 : Tensor,
%130 : Tensor,
%131 : Tensor,
%132 : Tensor,
%133 : Tensor,
%134 : Tensor,
%135 : Tensor,
%136 : Tensor,
%137 : Tensor,
%138 : Tensor,
%139 : Tensor,
%140 : Tensor,
%141 : Tensor,
%142 : Tensor,
%143 : Tensor,
%144 : Tensor,
%145 : Tensor,
%146 : Tensor,
%147 : Tensor,
%148 : Tensor,
%149 : Tensor,
%150 : Tensor,
%151 : Tensor,
%152 : Tensor,
%153 : Tensor,
%154 : Tensor,
%155 : Tensor):
%4 : bool? = prim::Constant()
%5 : int? = prim::Constant()
%6 : int = prim::Constant[value=9223372036854775807](), scope: EncoderRNN
%7 : float = prim::Constant[value=0](), scope: EncoderRNN
%8 : float = prim::Constant[value=0.1](), scope: EncoderRNN/GRU[gru]
%9 : int = prim::Constant[value=2](), scope: EncoderRNN/GRU[gru]
%10 : bool = prim::Constant[value=1](), scope: EncoderRNN/GRU[gru]
%11 : int = prim::Constant[value=6](), scope: EncoderRNN/GRU[gru]
%12 : int = prim::Constant[value=500](), scope: EncoderRNN/GRU[gru]
%13 : int = prim::Constant[value=4](), scope: EncoderRNN
%14 : Device = prim::Constant[value="cpu"](), scope: EncoderRNN
%15 : bool = prim::Constant[value=0](), scope: EncoderRNN/Embedding[embedding]
%16 : int = prim::Constant[value=-1](), scope: EncoderRNN/Embedding[embedding]
%17 : int = prim::Constant[value=0]()
%18 : int = prim::Constant[value=1]()
%input.7 : Float(10, 1, 500) = aten::embedding(%155, %input_seq, %16, %15, %15), scope: EncoderRNN/Embedding[embedding]
%lengths : Long(1) = aten::to(%input_length, %14, %13, %15, %15), scope: EncoderRNN
%input.1 : Float(10, 500), %batch_sizes : Long(10) = aten::_pack_padded_sequence(%input.7, %lengths, %15), scope: EncoderRNN
%43 : int[] = prim::ListConstruct(%13, %18, %12), scope: EncoderRNN/GRU[gru]
%hx : Float(4, 1, 500) = aten::zeros(%43, %11, %17, %14, %15), scope: EncoderRNN/GRU[gru]
%45 : Tensor[] = prim::ListConstruct(%154, %153, %152, %151, %150, %149, %148, %147, %146, %145, %144, %143, %142, %141, %140, %139), scope: EncoderRNN/GRU[gru]
%46 : Float(10, 1000), %encoder_hidden : Float(4, 1, 500) = aten::gru(%input.1, %batch_sizes, %hx, %45, %10, %9, %8, %15, %10), scope: EncoderRNN/GRU[gru]
%48 : int = aten::size(%batch_sizes, %17), scope: EncoderRNN
%max_seq_length : Long() = prim::NumToTensor(%48), scope: EncoderRNN
%50 : int = prim::Int(%max_seq_length), scope: EncoderRNN
%outputs : Float(10, 1, 1000), %52 : Long(1) = aten::_pad_packed_sequence(%46, %batch_sizes, %15, %7, %50), scope: EncoderRNN
%53 : Float(10, 1, 1000) = aten::slice(%outputs, %17, %17, %6, %18), scope: EncoderRNN
%54 : Float(10, 1, 1000) = aten::slice(%53, %18, %17, %6, %18), scope: EncoderRNN
%55 : Float(10, 1!, 500) = aten::slice(%54, %9, %17, %12, %18), scope: EncoderRNN
%56 : Float(10, 1, 1000) = aten::slice(%outputs, %17, %17, %6, %18), scope: EncoderRNN
%57 : Float(10, 1, 1000) = aten::slice(%56, %18, %17, %6, %18), scope: EncoderRNN
%58 : Float(10, 1!, 500) = aten::slice(%57, %9, %12, %6, %18), scope: EncoderRNN
%encoder_outputs : Float(10, 1, 500) = aten::add(%55, %58, %18), scope: EncoderRNN
%decoder_hidden.1 : Tensor = aten::slice(%encoder_hidden, %17, %17, %9, %18)
%61 : int[] = prim::ListConstruct(%18, %18)
%62 : Tensor = aten::ones(%61, %13, %5, %14, %4)
%decoder_input.1 : Tensor = aten::mul(%62, %18)
%64 : int[] = prim::ListConstruct(%17)
%all_tokens.1 : Tensor = aten::zeros(%64, %13, %5, %14, %4)
%66 : int[] = prim::ListConstruct(%17)
%all_scores.1 : Tensor = aten::zeros(%66, %5, %5, %14, %4)
%all_scores : Tensor, %all_tokens : Tensor, %decoder_hidden : Tensor, %decoder_input : Tensor = prim::Loop(%max_length, %10, %all_scores.1, %all_tokens.1, %decoder_hidden.1, %decoder_input.1)
block0(%72 : int, %73 : Tensor, %74 : Tensor, %75 : Tensor, %76 : Tensor):
%input.2 : Float(1, 1, 500) = aten::embedding(%138, %76, %16, %15, %15), scope: LuongAttnDecoderRNN/Embedding[embedding]
%input.3 : Float(1, 1, 500) = aten::dropout(%input.2, %8, %15), scope: LuongAttnDecoderRNN/Dropout[embedding_dropout]
%97 : Tensor[] = prim::ListConstruct(%137, %136, %135, %134, %133, %132, %131, %130), scope: LuongAttnDecoderRNN/GRU[gru]
%hidden : Float(1, 1, 500), %decoder_hidden.2 : Float(2, 1, 500) = aten::gru(%input.3, %75, %97, %10, %9, %8, %15, %15, %15), scope: LuongAttnDecoderRNN/GRU[gru]
%100 : Float(10, 1, 500) = aten::mul(%hidden, %encoder_outputs), scope: LuongAttnDecoderRNN/Attn[attn]
%101 : int[] = prim::ListConstruct(%9), scope: LuongAttnDecoderRNN/Attn[attn]
%attn_energies : Float(10, 1) = aten::sum(%100, %101, %15), scope: LuongAttnDecoderRNN/Attn[attn]
%input.4 : Float(1!, 10) = aten::t(%attn_energies), scope: LuongAttnDecoderRNN/Attn[attn]
%104 : Float(1, 10) = aten::softmax(%input.4, %18), scope: LuongAttnDecoderRNN/Attn[attn]
%attn_weights : Float(1, 1, 10) = aten::unsqueeze(%104, %18), scope: LuongAttnDecoderRNN/Attn[attn]
%106 : Float(1!, 10, 500) = aten::transpose(%encoder_outputs, %17, %18), scope: LuongAttnDecoderRNN
%context.1 : Float(1, 1, 500) = aten::bmm(%attn_weights, %106), scope: LuongAttnDecoderRNN
%rnn_output : Float(1, 500) = aten::squeeze(%hidden, %17), scope: LuongAttnDecoderRNN
%context : Float(1, 500) = aten::squeeze(%context.1, %18), scope: LuongAttnDecoderRNN
%110 : Tensor[] = prim::ListConstruct(%rnn_output, %context), scope: LuongAttnDecoderRNN
%input.5 : Float(1, 1000) = aten::cat(%110, %18), scope: LuongAttnDecoderRNN
%112 : Float(1000!, 500!) = aten::t(%129), scope: LuongAttnDecoderRNN/Linear[concat]
%113 : Float(1, 500) = aten::addmm(%128, %input.5, %112, %18, %18), scope: LuongAttnDecoderRNN/Linear[concat]
%input.6 : Float(1, 500) = aten::tanh(%113), scope: LuongAttnDecoderRNN
%115 : Float(500!, 7826!) = aten::t(%127), scope: LuongAttnDecoderRNN/Linear[out]
%input : Float(1, 7826) = aten::addmm(%126, %input.6, %115, %18, %18), scope: LuongAttnDecoderRNN/Linear[out]
%decoder_output : Float(1, 7826) = aten::softmax(%input, %18), scope: LuongAttnDecoderRNN
%decoder_scores : Tensor, %decoder_input.2 : Tensor = aten::max(%decoder_output, %18, %15)
%120 : Tensor[] = prim::ListConstruct(%74, %decoder_input.2)
%all_tokens.2 : Tensor = aten::cat(%120, %17)
%122 : Tensor[] = prim::ListConstruct(%73, %decoder_scores)
%all_scores.2 : Tensor = aten::cat(%122, %17)
%decoder_input.3 : Tensor = aten::unsqueeze(%decoder_input.2, %17)
-> (%10, %all_scores.2, %all_tokens.2, %decoder_hidden.2, %decoder_input.3)
%125 : (Tensor, Tensor) = prim::TupleConstruct(%all_tokens, %all_scores)
return (%125)
12.运行结果评估
最后，使用Torch脚本模型，对聊天机器人模型进行评估。如果转换正确，模型的行为将与它们在即时模式表示中的行为完全相同。
默认情况下，计算一些常见的查询语句。如果想自己与机器人聊天，取消对evaluateInput行的注释并让它旋转。
# 评估例子
sentences = ["hello", "what's up?", "who are you?", "where am I?", "where are you from?"]
for s in sentences:
evaluateExample(s, traced_encoder, traced_decoder, scripted_searcher, voc)
# 评估你的输入
#evaluateInput(traced_encoder, traced_decoder, scripted_searcher, voc)
- 输出
> hello
Bot: hello .
> what's up?
Bot: i m going to get my car .
> who are you?
Bot: i m the owner .
> where am I?
Bot: in the house .
> where are you from?
Bot: south america .
13.保存模型
现在，已经成功地将模型转换为Torch脚本，接下来将对其进行序列化，以便在非python部署环境中使用。为此，只需保存scripted_searcher 模块，因为这是用于对聊天机器人模型运行推理的面向用户的接口。保存脚本模块时，使用script_module.save(PATH)代替torch.save(model, PATH)。
