利用RNN（lstm）生成文本【转】

本文转载自：https://www.jianshu.com/p/1a4f7f5b05ae

致谢以及参考

最近在做序列化标注项目，试着理解rnn的设计结构以及tensorflow中的具体实现方法。在知乎中找到这篇文章，具有很大的帮助作用，感谢作者为分享知识做出的努力。

学习目标定位

我主要重点在于理解文中连接所提供的在github上的project代码，一句句理解数据的预处理过程以及rnn网络搭建过程（重点在于代码注释，代码改动很小，实用python3）。（进入下面环节之前，假设你已经阅读了知乎上的关于rnn知识讲解篇幅，project的readme文档）

数据预处理

1. 理解模型大概需要的重要参数：/Char-RNN-TensorFlow-master/train.py

# encoding: utf-8

import tensorflow as tf
from model import CharRNN
import os
import codecs  # 相比自带的open函数 读取写入进行自我转码
from read_utils import TextConverter, batch_generator

FLAGS = tf.flags.FLAGS
#  变量定义 以及 默认值
tf.flags.DEFINE_string('name', 'default', 'name of the model')
tf.flags.DEFINE_integer('num_seqs', 100, 'number of seqs in one batch')    # 一个 batch 可以组成num_seqs个输入信号序列
tf.flags.DEFINE_integer('num_steps', 100, 'length of one seq')             # 一个输入信号序列的长度， rnn网络会更具输入进行自动调整
tf.flags.DEFINE_integer('lstm_size', 128, 'size of hidden state of lstm')  # 隐藏层节点数量，即lstm 的 cell中state数量
tf.flags.DEFINE_integer('num_layers', 2, 'number of lstm layers')          # rnn的深度
tf.flags.DEFINE_boolean('use_embedding', False, 'whether to use embedding')  # 如果中文字符则需要一个word2vec， 字母字符直接采用onehot编码
tf.flags.DEFINE_integer('embedding_size', 128, 'size of embedding')          # 使用word2vec的 中文字符的嵌入维度选取
tf.flags.DEFINE_float('learning_rate', 0.001, 'learning_rate')
tf.flags.DEFINE_float('train_keep_prob', 0.5, 'dropout rate during training')
tf.flags.DEFINE_string('input_file', '', 'utf8 encoded text file')           # --input_file data/shakespeare.txt
tf.flags.DEFINE_integer('max_steps', 100000, 'max steps to train')
tf.flags.DEFINE_integer('save_every_n', 1000, 'save the model every n steps')
tf.flags.DEFINE_integer('log_every_n', 10, 'log to the screen every n steps')
# 不同于英文字符比较短几十个就能解决，中文字符比较多，word2vec层之前输入需要进行onehot编码，根据字符频数降序排列取前面的3500个编码
tf.flags.DEFINE_integer('max_vocab', 3500, 'max char number')

1. 理解main函数中数据预处理部分, 数据预处理主要采用TextConverter类

def main(_):
    model_path = os.path.join('model', FLAGS.name)
    print("模型保存位置（根据模型命名）", model_path)
    if os.path.exists(model_path) is False:
        os.makedirs(model_path)
    with codecs.open(FLAGS.input_file, encoding='utf-8') as f:
        print("建模训练数据来源：", FLAGS.input_file)
        text = f.read()
    converter = TextConverter(text,  # string     # 返回一个整理文本词典的类
                              FLAGS.max_vocab)
    print("构建该文本的字符集合数量(包含未登录词：)：", converter.vocab_size)
    print("建模所用字符保存地址位置（list）： ", os.path.join(model_path, 'converter.pkl'))  # 用来建模词汇的 前max_vocab个
    converter.save_to_file(os.path.join(model_path, 'converter.pkl'))

    arr = converter.text_to_arr(text)
    # batch生成函数：返回一个生成器

• TextConverter类：\Char-RNN-TensorFlow-master\read_utils.py
  比如 莎士比亚训练数据用vocab组成：{v} {'} {[} {t} {u} {R} {W} {x} {?} { } {F} {I} {G} {O} {E} {$} {y} {e} {:} {L} {s} {c} {g} {Y} {]} {h} {w} {-} {a} {S} {J} {q} {V} {3} {X} {p} {T} {!} {C} {n} {;} {r} {M} {j} {f} {U} {d} {Q} {K} {b} {m} {H} {Z} {o} {i} {P} {D} {.} {l} {&} {N} {z} {A} {,} {
  } {B} {k}

class TextConverter(object):
    def __init__(self, text=None, max_vocab=5000, filename=None):
        """

        :param text: string
        :param max_vocab:
        :param filename:
        """
        if filename is not None:
            # 如果存在 字典文件，即将字符集合进行编号的字典
            with open(filename, 'rb') as f:
                self.vocab = pickle.load(f)
        else:
            vocab = set(text)  # 组成text的所有字符，比如， i see you， 那么就是 i s e y o u
            logging.info('组成文本的字符集合:')
            logging.info("数量： %d" % len(vocab))
            s = ' '.join(["{%s}" % v for v in vocab])
            logging.info("vocab: %s" % s)

            # max_vocab_process
            vocab_count = defaultdict(int)     # 这里相对原始代码做了小小优化
            # 统计所有字符的频数
            for word in text:
                vocab_count[word] += 1
            vocab_count_list = list(vocab_count.items())
            vocab_count_list.sort(key=lambda x: x[1], reverse=True)  # 根据频数降序排序
            if len(vocab_count_list) > max_vocab:
                vocab_count_list = vocab_count_list[:max_vocab]  # 截取最大允许部分
            vocab = [x[0] for x in vocab_count_list]  # 截取 前max_vocab
            self.vocab = vocab
        # 对vocab进行编序
        self.word_to_int_table = {c: i for i, c in enumerate(self.vocab)}  # 词汇进行编序号
        self.int_to_word_table = dict(enumerate(self.vocab))

    @property   # 这个实现直接，将vocab_size作为一个变量成员调用而不是方法
    def vocab_size(self):
        return len(self.vocab) + 1  # 加上一个未登录词

    def word_to_int(self, word):
        # 更具给定的字符返回index
        if word in self.word_to_int_table:
            return self.word_to_int_table[word]
        else:
            # 未登录词 就是最后一个序号
            return len(self.vocab)

    def int_to_word(self, index):
        # 根据给定indx返回字符
        if index == len(self.vocab):
            return '<unk>'  # 未登录词
        elif index < len(self.vocab):
            return self.int_to_word_table[index]
        else:
            raise Exception('Unknown index!')

    def text_to_arr(self, text):
        # 将文本序列化：字符转化为index
        arr = []
        for word in text:
            arr.append(self.word_to_int(word))
        return np.array(arr)

    def arr_to_text(self, arr):
        # 反序列化
        words = []
        for index in arr:
            words.append(self.int_to_word(index))
        return "".join(words)

    def save_to_file(self, filename):
        # 存储词典
        with open(filename, 'wb') as f:
            pickle.dump(self.vocab, f)

1. 准备batch用于训练

    # batch生成函数：返回一个生成器
    print("训练文本长度：", len(arr))
    print("num_seqs:", FLAGS.num_seqs)
    print("num_steps", FLAGS.num_steps)
    g = batch_generator(arr,   # 输入信号文本序列
                        FLAGS.num_seqs,   # batch 信号序列数量
                        FLAGS.num_steps)  # 一个信号序列的长度

• 重点在于理解batch_generator函数， 这个过程的理解需要理解生成文本的rnn的输出和输入是什么样的（N vs N， 输出和输入数目是一致的）

• • 一个单层的展开如下： 展开后h的节点个数取决于你的输入序列向量的长度，即输入文本的长度，图片来源于简书，这个链接可以帮助你很好从数学公式上理解。
     

    

    image.png

• • 一个文本序列输入展示（这里为了直观的展示没有将文本数字化， 例如真正的"床"的输入应该为一个embeding的向量， 而输出“前”也是一个与输入一致的长度向量）

     

    

    image.png

• /read_utils.py 的batch_generator函数

def batch_generator(arr, n_seqs, n_steps):
    """
    生成训练用的batch
    :param arr:
    :param n_seqs:
    :param n_steps:
    :return:
    """
    arr = copy.copy(arr)                    # 序列
    batch_size = n_seqs * n_steps           # 一个batch需要的字符数量
    n_batches = int(len(arr) / batch_size)  # 整个文本可以生成的batch总数
    arr = arr[:batch_size * n_batches]      # 截取下 以便reshape成array
    arr = arr.reshape((n_seqs, -1))         # 将batch， reshape成n_seqs行， 每行为一输入信号序列（序列长度为n_steps）
    while True:
        np.random.shuffle(arr)  # 打乱文本序列顺序
        print(arr)
        for n in range(0, arr.shape[1], n_steps):
            x = arr[:, n:(n + n_steps)]
            y = np.zeros_like(x)
            y[:, :-1], y[:, -1] = x[:, 1:], x[:, 0]  #
            yield x, y

• • 测试下原来的代码的结果

    arr = np.arange(27)
    for x, y in batch_generator(arr, 4, 3):
        print(x)
        print(y)
        break

• • out-put： 以 6 7 8为例， 给出一个6， 生成文本的长度为3。将6对应的输出7作为下一个state的输入，输出8， 然后依次这么进行下去，y应该为7，8， 9。说明一下的是最后一个输出为啥为6 ，前面一个链接存在解释。

0-26序列进行生成序列操作，每批训练batch序列总数为4， 每个写的长度为3
打乱排序的结果
[[ 6  7  8  9 10 11]
 [ 0  1  2  3  4  5]
 [18 19 20 21 22 23]
 [12 13 14 15 16 17]]
x
[[ 6  7  8]
 [ 0  1  2]
 [18 19 20]
 [12 13 14]]
y
[[ 7  8  6]
 [ 1  2  0]
 [19 20 18]
 [13 14 12]]

rnn 模型搭建

为了更好的理解这个过程下面是实际整个rnn的结构展开展示，如有错误请指出:
代码中构建2层的rnn，每个state（方块）的有两个一样的输出h，得到输出前有个softmax处理。

 

image.png

• train.py中main函数调用rnn部分代码

    model = CharRNN(converter.vocab_size,           # 分类的数量
                    num_seqs=FLAGS.num_seqs,        # 一个batch可以组成num_seq个信号
                    num_steps=FLAGS.num_steps,      # 一次信号输入RNN的字符长度，与一层的cell 的数量挂钩
                    lstm_size=FLAGS.lstm_size,      # 每个cell的节点数量：
                    num_layers=FLAGS.num_layers,    # RNN 的层数
                    learning_rate=FLAGS.learning_rate,  # 学习速率
                    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,)

• 重点在于model.py中的CharRNN类的调用

• • 搭建rnn隐藏层
    整个过程的理解在备注带代码里面，暂时不用关注类里面，sample函数

# coding: utf-8

from __future__ import print_function
import tensorflow as tf
import numpy as np
import time
import os

def pick_top_n(preds, vocab_size, top_n=5):
    p = np.squeeze(preds)
    # 将除了top_n个预测值的位置都置为0
    p[np.argsort(p)[:-top_n]] = 0
    # 归一化概率
    p = p / np.sum(p)
    # 随机选取一个字符
    c = np.random.choice(vocab_size, 1, p=p)[0]
    return c

class CharRNN:
    def __init__(self, num_classes, num_seqs=64, num_steps=50,
                 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:
            # 用于 预测
            num_seqs, num_steps = 1, 1   # 仅仅根据前面一个字符预测后面一个字符
        else:
            num_seqs, num_steps = num_seqs, num_steps

        self.num_classes = num_classes   # 分类结果数量，与字典容量一致包含未登录字
        self.num_seqs = num_seqs
        self.num_steps = num_steps
        self.lstm_size = lstm_size
        self.num_layers = num_layers
        self.learning_rate = learning_rate
        self.grad_clip = grad_clip
        self.train_keep_prob = train_keep_prob
        self.use_embedding = use_embedding
        self.embedding_size = embedding_size

        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):
        # 定义下输入，输出等，占位
        with tf.name_scope('inputs'):
            # 输入是一个3维度矩阵，但是这里并不要过多关注每个节点输入特征的维度，中文字符额embeding或者因为字符的onehot编码。
            # 模型会自动识别和调整，暂时考虑每一个batch被reshape成 num_seqs * num_steps, 每一行为一个序列输入信号
            self.inputs = tf.placeholder(tf.int32, shape=(
                self.num_seqs, self.num_steps), name='inputs')

            # N vs N： 输出与输入一致
            self.targets = tf.placeholder(tf.int32, shape=(
                self.num_seqs, self.num_steps), name='targets')  # N vs N

            self.keep_prob = tf.placeholder(tf.float32, name='keep_prob')

            # 对于中文，需要使用embedding层: ???
            # 英文字母没有必要用embedding层: ???
            if self.use_embedding is False:
                # 对字字符进行onehot编号
                self.lstm_inputs = tf.one_hot(self.inputs, self.num_classes)
            else:
                with tf.device("/cpu:0"):
                    #  嵌入维度层word2vec和RNN连接器；起来同时训练 作为模型的第一层
                    # 先进行onehot编码然后， word2vec 所以额输入信号维度为num_classes
                    embedding = tf.get_variable('embedding', [self.num_classes, self.embedding_size])
                    self.lstm_inputs = tf.nn.embedding_lookup(embedding, self.inputs)

    def build_lstm(self):
        # 创建单个cell并堆叠多层
        def get_a_cell(lstm_size, keep_prob):
            """
            返回一个cell
            :param lstm_size: cell的states数量
            :param keep_prob: 节点保留率
            :return:
            """
            lstm = tf.nn.rnn_cell.BasicLSTMCell(lstm_size)    # state并不是采用普通rnn 而是lstm
            drop = tf.nn.rnn_cell.DropoutWrapper(lstm, output_keep_prob=keep_prob)   # 对每个state的节点数量进行dropout
            return drop

        with tf.name_scope('lstm'):
            # 构建多层
            cell = tf.nn.rnn_cell.MultiRNNCell(
                [get_a_cell(self.lstm_size, self.keep_prob) for _ in range(self.num_layers)]
            )
            # 定义h_0
            self.initial_state = cell.zero_state(self.num_seqs, tf.float32)

            # 通过dynamic_rnn对cell展开时间维度
            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
            # 每个batch的输出为lstm_outputs: num_seqs * num_steps * state_node_size(中文字符嵌入维度或英文的onehot编码维度)
            # 将输出进行拼接 dim=1  # seq out应该为 num_steps * (num_seqs * state_node_size), 即没每个输入信号对应state输出进行拼接。
            # 但是在train里面查看发现， dim没有任何改变
            seq_output = tf.concat(self.lstm_outputs, 1)

            self.seq_output = seq_output  # just for  output in train method

            # 将每个batch的每个state拼接成 一个二维的batch_size * state_node_size(lstm_size) 列矩阵
            x = tf.reshape(seq_output, [-1, self.lstm_size])

            # 构建一个输出层：softmax
            with tf.variable_scope('softmax'):
                # 初始化 输出的权重， 共享
                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))

            # 定义输出：softmax 归一化
            self.logits = tf.matmul(x, softmax_w) + softmax_b
            self.proba_prediction = tf.nn.softmax(self.logits, name='predictions')

    def build_loss(self):
        with tf.name_scope('loss'):
            # 统一第输出进行non hot编码
            y_one_hot = tf.one_hot(self.targets, self.num_classes)
            y_reshaped = tf.reshape(y_one_hot, self.logits.get_shape())
            # 计算交叉信息熵
            loss = tf.nn.softmax_cross_entropy_with_logits(logits=self.logits, labels=y_reshaped)
            # 计算平均损失
            self.loss = tf.reduce_mean(loss)

    def build_optimizer(self):
        # 使用clipping gradients：避免梯度计算迭代过程变化过大导致梯度爆炸现象
        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}   # 下一轮batch的初始h状态采用上一轮的final_state

                batch_loss, new_state, _ , lstm_outputs, seq_output, prp = sess.run([self.loss,
                                                     self.final_state,
                                                     self.optimizer,
                                                     self.lstm_outputs,
                                                     self.seq_output,
                                                     self.proba_prediction
                                                     ],
                                                    feed_dict=feed)
                print('lstm outpts: ', lstm_outputs.shape, self.num_seqs)
                print('lstm outpts: ', seq_output.shape)   # ??? 为啥一直没有改变
                print(prp.shape)
                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):
        samples = [c for c in prime]
        sess = self.session
        new_state = sess.run(self.initial_state)
        preds = np.ones((vocab_size,))  # for prime=[]
        for c in prime:
            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, new_state = sess.run([self.proba_prediction, self.final_state],
                                        feed_dict=feed)

        c = pick_top_n(preds, vocab_size)
        # 添加字符到samples中
        samples.append(c)

        # 不断生成字符，直到达到指定数目
        for i in range(n_samples):
            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)
            samples.append(c)

        return np.array(samples)

    def load(self, checkpoint):
        """
        :param checkpoint: 命名
        :return:
        """
        # 存储 训练好的神经网络模型
        self.session = tf.Session()
        self.saver.restore(self.session, checkpoint)
        print('Restored from: {}'.format(checkpoint))

利用模型生成文本

这个过程依靠调用sample.py脚本

import tensorflow as tf
from read_utils import TextConverter
from model import CharRNN
import os
from IPython import embed

FLAGS = tf.flags.FLAGS

tf.flags.DEFINE_integer('lstm_size', 128, 'size of hidden state of lstm')    # 这里为什么还需要？？？
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')                   # 模型保存路径
tf.flags.DEFINE_string('start_string', '', 'use this string to start generating')  # 给出一个字符开始生成
tf.flags.DEFINE_integer('max_length', 30, 'max length to generate')                # 最大字符

def main(_):
    FLAGS.start_string = FLAGS.start_string.decode('utf-8')
    converter = TextConverter(filename=FLAGS.converter_path)  # 调用前面训练建立的voctab即可
    if os.path.isdir(FLAGS.checkpoint_path):
        FLAGS.checkpoint_path =tf.train.latest_checkpoint(FLAGS.checkpoint_path)

    model = CharRNN(converter.vocab_size, sampling=True,      # 调模型的保存不能保存节点等相关参数
                    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)   # 载入训练好的模型

    start = converter.text_to_arr(FLAGS.start_string)  # 字符转化为idnex
    arr = model.sample(FLAGS.max_length, start, converter.vocab_size)
    print(converter.arr_to_text(arr))  # 反序列化

if __name__ == '__main__':
    tf.app.run()

• 主要调用rnn模型类的sample方法，很简单，注释即可看懂

    def sample(self, n_samples, prime, vocab_size):
        """
        用一个字符生成一段文本
        :param n_samples:
        :param prime:
        :param vocab_size:
        :return:
        """
        print("初始字符为：", prime)
        samples = [c for c in prime]
        sess = self.session
        new_state = sess.run(self.initial_state)
        preds = np.ones((vocab_size,))  # for prime=[]
        # 对给定的初始字符串来，一次feed
        for c in prime:
            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, new_state = sess.run([self.proba_prediction, self.final_state],
                                        feed_dict=feed)
            print(preds)  # 最后一个字符的输出

        c = pick_top_n(preds, vocab_size)   #
        # 添加字符到samples中
        samples.append(c)  # 根据概率所及选取

        # 不断生成字符，直到达到指定数目
        for i in range(n_samples):
            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)
            # 上一次的输入作为下一次的输出， 直到达到指定长度
            c = pick_top_n(preds, vocab_size)
            samples.append(c)

        return np.array(samples)

输出展示：

同样采用莎士比亚文集训练模型：

python sample.py --converter_path model/shakespeare/converter.pkl --checkpoint_path model/shakespeare/ --max_length 30 --start_string He

Heds since
I that what that when
以上为输出结果，并不能成为一句语句， 个人觉得利用word并进行word2vec来生成语句，可能会更好，利用字符 维度太低了。

作者：Kean_L_C
链接：https://www.jianshu.com/p/1a4f7f5b05ae
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。