介绍
在参与的项目和产品中，涉及到模型和算法的需求，主要以自然语言处理（NLP）和知识图谱（KG）为主。NLP涉及面太广，而聚焦在具体场景下，想要生产落地的还需要花很多功夫。
作为NLP的主要方向，情感分析，文本多分类，实体识别等已经在项目中得到应用。例如
通过实体识别，抽取文本中提及到的公司、个人以及金融产品等。
通过情感分析，判别新闻资讯，对其提到的公司和个人是否利好？
通过文本多分类，判断资讯是否是高质量？判断资讯的行业和主题？
具体详情再找时间分享。而文本生成、序列到序列（Sequence to Sequence）在机器翻译、问答系统、聊天机器人中有较广的应用，在参与的项目中暂无涉及，本文主要通过tensorflow+bert+seq2seq实现一个简单的问答模型，旨在对seq2seq的了解和熟悉。
数据
关于seq2seq的demo数据有很多，例如小黄鸡聊天语料库，影视语料库，翻译语料库等等。由于最近总是做些奇怪的梦，便想着，做一个AI解梦的应用玩玩，just for fun。
通过采集从网上采集周公解梦数据，通过清洗，形成
dream:梦境；
decode:梦境解析结果。
这样的序列对，总计33000+ 条记录。数据集下载地址：后台回复“解梦”
{
"dream": "梦见商人或富翁",
"decode": "是个幸运的预兆，未来自己的事业很有机会成功，不过如果梦中的富翁是自己，则是一个凶兆。。"}
模型准备
#下载 bert
$ git clone https://github.com/google-research/bert.git
#下载中文预训练模型
$ wget -c https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip
$ unzip chinese_L-12_H-768_A-12.zip bert 的input:
self.input_ids = tf.placeholder(
dtype=tf.int32,
shape=[None, None],
name="input_ids"
)
self.input_mask = tf.placeholder(
dtype=tf.int32,
shape=[None, None],
name="input_mask"
)
self.segment_ids = tf.placeholder(
dtype=tf.int32,
shape=[None, None],
name="segment_ids"
)
self.dropout = tf.placeholder(
dtype=tf.float32,
shape=None,
name="dropout"
)bert 的model :
self.bert_config = modeling.BertConfig.from_json_file(bert_config)
model = modeling.BertModel(
config=self.bert_config,
is_training=self.is_training,
input_ids=self.input_ids,
input_mask=self.input_mask,
token_type_ids=self.segment_ids,
use_one_hot_embeddings=False
)seq2seq 的encoder_embedding 替换:
# 默认seq2seq model_inputs
# self.encoder_embedding = tf.Variable(tf.random_uniform([from_dict_size, embedded_size], -1, 1),name ="encoder_embedding")
# self.model_inputs = tf.nn.embedding_lookup(self.encoder_embedding, self.X),
# 替换成bert
self.embedded = model.get_sequence_output()
self.model_inputs = tf.nn.dropout(self.embedded, self.dropout)seq2seq 的decoder_embedding 替换:
# 默认seq2seq decoder_embedding
# self.decoder_embedding = tf.Variable(tf.random_uniform([to_dict_size, embedded_size], -1, 1),name="decoder_embedding")
# 替换成bert
self.decoder_embedding = model.get_embedding_table()
self.decoder_input = tf.nn.embedding_lookup(self.decoder_embedding, decoder_input),数据预处理
for i in range(len(inputs)):
tokens = inputs[i]
inputs_ids = model.tokenizer.convert_tokens_to_ids(inputs[i])
segment_ids = [0] * len(inputs_ids)
input_mask = [1] * len(inputs_ids)
tag_ids = model.tokenizer.convert_tokens_to_ids(outputs[i])
data.append([tokens, tag_ids, inputs_ids, segment_ids, input_mask])
def pad_data(data):
c_data = copy.deepcopy(data)
max_x_length = max([len(i[0]) for i in c_data])
max_y_length = max([len(i[1]) for i in c_data])
# 这里生成的序列的tag-id 和 input-id 长度要分开
# print("max_x_length : {} ,max_y_length : {}".format( max_x_length,max_y_length))
padded_data = []
for i in c_data:
tokens, tag_ids, inputs_ids, segment_ids, input_mask = i
tag_ids = tag_ids + (max_y_length - len(tag_ids)) * [0]
# 注意tag-ids 的长度补充，和预测的序列长度一致。
inputs_ids = inputs_ids + (max_x_length - len(inputs_ids)) * [0]
segment_ids = segment_ids + (max_x_length - len(segment_ids)) * [0]
input_mask = input_mask + (max_x_length - len(input_mask)) * [0]
assert len(inputs_ids) == len(segment_ids) == len(input_mask)
padded_data.append(
[tokens, tag_ids, inputs_ids, segment_ids, input_mask]
)
return padded_data
训练
$ python3 model.py --task=train \
--is_training=True \
--epoch=100 \
--size_layer=256 \
--bert_config=chinese_L-12_H-768_A-12/bert_config.json \
--vocab_file=chinese_L-12_H-768_A-12/vocab.txt \
--num_layers=2 \
--learning_rate=0.001 \
--batch_size=16 \
--checkpoint_dir=result
预测
$ python3 model.py --task=predict \
--is_training=False \
--epoch=100 \
--size_layer=256 \
--bert_config=chinese_L-12_H-768_A-12/bert_config.json \
--vocab_file=chinese_L-12_H-768_A-12/vocab.txt \
--num_layers=2 \
--learning_rate=0.001 \
--batch_size=16 \
--checkpoint_dir=result
Just For Fun ^_^
本文代码: https://github.com/saiwaiyany...
作者：saiwaiyanyu
链接：https://juejin.im/post/5dd9e0...
来源：掘金
本文由博客一文多发平台 OpenWrite 发布！
