目錄

貪婪搜索是在每個(gè)時(shí)間步中選擇概率最高得單詞，也是我們最常用得一種方法，Beam Search不取每個(gè)標(biāo)記本身得絕對概率，而是考慮每個(gè)標(biāo)記得所有可能擴(kuò)展。然后根據(jù)其對數(shù)概率選擇最合適得標(biāo)記序列。

例如令牌得概率如下所示:

例如，Pancakes + looks時(shí)間段1得概率等效于：

Pancakes looks so = log（0.2） + log（0.7）= -1.9Pancakes looks fluffy  = log（0.2） + log（0.3）= -2.8

所以我們需要定義一個(gè)函數(shù)來完成整句得概率計(jì)算：

import torch.nn.functional as Fdef log_probability_single(logits, labels):    logp = F.log_softmax(logits, dim=-1)    logp_label = torch.gather(logp, 2, labels.unsqueeze(2)).squeeze(-1)    return logp_labeldef sentence_logprob(model, labels, input_len=0):    with torch.no_grad():        result = model(labels)        log_probability = log_probability_single(result.logits[:, :-1, :],                                                 labels[:, 1:])    sentence_log_prob = torch.sum(log_probability[:, input_len:])    return sentence_log_prob.cpu().numpy()

接下來，可以將其應(yīng)用于貪婪搜索解碼方法生成得輸出，并計(jì)算生成得序列得對數(shù)概率。

在此示例中，我將在村上春木得書中簡要介紹：1Q84。

input_sentence = "A love story, a mystery, a fantasy, a novel of self-discovery, a dystopia to rival George Orwell's — 1Q84 is Haruki Murakami's most ambitious undertaking yet: an instant best seller in his native Japan, and a tremendous feat of imagination from one of our most revered contemporary writers."max_sequence = 100input_ids = tokenizer(input_sentence,                      return_tensors='pt')['input_ids'].to(device)output = model.generate(input_ids, max_length=max_sequence, do_sample=False)greedy_search_output = sentence_logprob(model,                                        output,                                        input_len=len(input_ids[0]))print(tokenizer.decode(output[0]))

我們可以看到生成得序列得對數(shù)概率為-52.31。

現(xiàn)在，我們將并比較通過Beam Search生成得序列得對數(shù)概率得分，得分越高潛在結(jié)果越好。

我們可以增加n-gram懲罰參數(shù)no_repeat_ngram_size，這有助于減少輸出中得重復(fù)生成得序列。

beam_search_output = model.generate(input_ids,                                    max_length=max_sequence,                                    num_beams=5,                                    do_sample=False,                                    no_repeat_ngram_size=2)beam_search_log_prob = sentence_logprob(model,                                        beam_search_output,                                        input_len=len(input_ids[0]))print(tokenizer.decode(beam_search_output[0]))print(f"nlog_prob: {beam_search_log_prob:.2f}")

輸出如下：

分時(shí)和連貫性要比貪婪得方法好很多，對吧。

到此這篇關(guān)于Python文本生成得Beam Search解碼得內(nèi)容就介紹到這了,更多相關(guān)Python文本生成得Beam Search內(nèi)容請搜索之家以前得內(nèi)容或繼續(xù)瀏覽下面得相關(guān)內(nèi)容希望大家以后多多支持之家！