零、总结
整个项目分为 数据清洗 和 建立模型两个部分。
（1）主要定义了seq2seq这样一个模型。
首先是一个构造函数，在构造函数中定义了这个模型的参数。
以及构成seq2seq的基本单元的LSTM单元是怎么构建的。
（2）接着在把这个LSTM间单元构建好之后，加入模型的损失函数。
我们这边用的损失函数叫sampled_softmax_loss，这个实际上就是我们的采样损失。做softmax的时候，我们是从这个6000多维里边找512个出来做采样。
损失函数做训练的时候需要，测试的时候不需要。训练的时候，y值是one_hot向量
（3）然后再把你定义好的整个的w[512*6000]、b[6000多维]，还有我们的这个cell本身，以及我们的这个损失函数一同代到我们这个seq2seq模型里边。然后呢，这样的话就构成了我们这样一个seq2seq模型。
函数是tf.contrib.legacy_seq2seq.embedding_attention_seq2seq()
（4）最后再将我们传入的实参，也就是三个序列，经过这个桶的筛选。然后放到这个模型去训练啊，那么这个模型就会被训练好。到后面，我们可以把我们这个模型保存在model里面去。模型参数195M。做桶的目的就是节约计算资源。
一、整个项目的主要过程
前提是一问一答，情景对话，不是多轮对话（比较难，但是热门领域）
整个框架第一步：做语料
先拿到一个文件，命名为.conv（只要不命名那几个特殊的，word等）。输入目录是db，输出目录是bucket_dbs，不存在则新建目录。
测试的时候，先在控制台输入一句话，然后将这句话通过正反向字典Ids化，然后去桶里面找对应的回答的每一个字，然后将输出通过反向字典转化为汉字。
具体：
1. 数据清洗、预处理
读取整个语料库，去掉E、M和空格，还原成原始文本。创建conversion.db，conversion表，两个字段。每取完1000组对话，插入依次数据库，批量提交，通过cursor.commit.
2.分桶
从总的conversion.db中分桶，指定输入目录db, 输出目录bucket_dbs.
检测文字有效性，循环遍历，依次记录问题答案，每积累到1000次，就写入数据库。
for ask, answer in tqdm(ret, total=total):
if is_valid(ask) and is_valid(answer):
for i in range(len(buckets)):
encoder_size, decoder_size = buckets[i]
if len(ask) <= encoder_size and len(answer) < decoder_size:
word_count.update(list(ask))
word_count.update(list(answer))
wait_insert.append((encoder_size, decoder_size, ask, answer))
if len(wait_insert) > 10000000:
wait_insert = _insert(wait_insert)
break
将字典维度6865未，投影到100维，也就是每个字是由100维的向量组成的。后面的隐藏层的神经元的个数是512，也就是维度。
句子长度超过桶长，就截断或直接丢弃。
四个桶是在read_bucket_dbs()读取的方法中创建的，读桶文件的时候，实例化四个桶对象。
3.训练
先读取json字典，加上pad等四个标记。
lstm有两层，attention在解码器的第二层，因为第二层才是lstm的输出，用两层提取到的特征越好。
num_sampled=512, 分批softmax的样本量（负采样？）
训练和测试差不多，测试只前向传播，不反向更新
二、项目的整体结构
s2s.py：相当于main函数，让代码运行起来
里面有train()、test()、test_bleu()和create_model()四个方法，还有FLAGS成员变量，
相当于静态成员变量 public static final string
decode_conv.py和data_utils.py：是数据处理
s2s_model.py: 里面放的是模型
里面有init()、step()、get_batch_data()和get_batch()四个方法。构造方法传入构造方法的参数，搭建S2SModel框架，然后sampled_loss()和seq2seq_f()两个方法
data_utils.py: 读取数据库中的文件，并且构造正反向字典。把语料分成四个桶，目的是节约计算资源。先转换为db\conversation.db大的桶，再分成四个小的桶。buckets = [ (5, 15), (10, 20), (15, 25), (20, 30)]
比如buckets[1]指的就是(10, 20)，buckets[1][0]指的就是10。
bucket_id指的就是0，1，2，3
dictionary.json：是所有数字、字母、标点符号、汉字的字典，加上生僻字，以及PAD、EOS、GO、UNK 共6865维度，输入的时候会进行词嵌入word embedding成512维，输出时，再转化为6865维。
model： 文件夹下装的是训练好的模型。
也就是model3.data-00000-of-00001，这个里面装的就是模型的参数
执行model.saver.restore(sess, os.path.join(FLAGS.model_dir, FLAGS.model_name))的时候，才是加载目录本地的保存的模型参数的过程，上面建立的模型是个架子，
model = create_model(sess, True)，这里加载模型比较耗时，时间复杂度最高
dgk_shooter_min.conv: 是语料，形如： E
M 畹/华/吾/侄/
M 你/接/到/这/封/信/的/时/候/
decode_conv.py: 对语料数据进行预处理
config.json：是配置文件，自动生成的
三、重要的API
1.LSTM cells部分：
cell = tf.contrib.rnn.BasicLSTMCell(size)
cell = tf.contrib.rnn.DropoutWrapper(cell, output_keep_prob=dropout)
cell = tf.contrib.rnn.MultiRNNCell([cell] * num_layers)
对上一行的cell去做Dropout的，在外面裹一层DropoutWrapper
构建双层lstm网络，只是一个双层的lstm，不是双层的seq2seq
2.损失函数：
tf.nn.sampled_softmax_loss( weights=local_w_t,
b labels=labels, #真实序列值，每次一个
inputs=loiases=local_b,
cal_inputs, #预测出来的值，y^,每次一个
num_sampled=num_samples, #512
num_classes=self.target_vocab_size # 原始字典维度6865)
3.搭建seq2seq框架：
tf.contrib.legacy_seq2seq.embedding_attention_seq2seq(
encoder_inputs, # tensor of input seq 30
decoder_inputs, # tensor of decoder seq 30
tmp_cell, #自定义的cell,可以是GRU/LSTM, 设置multilayer等
num_encoder_symbols=source_vocab_size,# 编码阶段字典的维度6865
num_decoder_symbols=target_vocab_size, # 解码阶段字典的维度 6865
embedding_size=size, # embedding 维度，512
num_heads=20, #选20个也可以，精确度会高点，num_heads就是attention机制，选一个就是一个head去连，5个就是5个头去连
output_projection=output_projection,# 输出层。不设定的话输出维数可能很大(取决于词表大小)，设定的话投影到一个低维向量
feed_previous=do_decode,# 是否执行的EOS，是否允许输入中间c
dtype=dtype
)
4.测试部分：
self.outputs, self.losses = tf.contrib.legacy_seq2seq.model_with_buckets(
self.encoder_inputs,
self.decoder_inputs,
targets,
self.decoder_weights,
buckets,
lambda x, y: seq2seq_f(x, y, True),
softmax_loss_function=softmax_loss_function
)
5.评价NLP测试效果：
在nltk包里，有个接口叫bleu，可以评估测试结果，NITK是个框架
from nltk.translate.bleu_score import sentence_bleu
score = sentence_bleu(
references,#y值
list(ret),#y^
weights=(1.0,)#权重为1
)
6.梯度截断，防止梯度爆炸
clipped_gradients, norm = tf.clip_by_global_norm(gradients,max_gradient_norm)
tf.clip_by_global_norm(t_list, clip_norm, use_norm=None, name=None)
通过权重梯度的总和的比率来截取多个张量的值。t_list是梯度张量， clip_norm是截取的比率,这个函数返回截取过的梯度张量和一个所有张量的全局范数
https://blog.csdn.net/u013713117/article/details/56281715
7.模型保存
tf.train.Saver(tf.global_variables(), write_version=tf.train.SaverDef.V2)
四、重点和难点
1.函数
def get_batch_data(self, bucket_dbs, bucket_id):
def get_batch(self, bucket_dbs, bucket_id, data):
def step(self,session,encoder_inputs,decoder_inputs,decoder_weights,bucket_id):
2.变量
batch_encoder_inputs, batch_decoder_inputs, batch_weights = [], [], []
五、相关参数
model = s2s_model.S2SModel(
data_utils.dim, # 6865，编码器输入的语料长度
data_utils.dim, # 6865，解码器输出的语料长度
buckets, # buckets就是那四个桶，data_utils.buckets，直接在data_utils写的一个变量，就能直接被点出来
FLAGS.size, # 隐层神经元的个数512
FLAGS.dropout, # 隐层dropout率，dropout不是lstm中的，lstm的几个门里面不需要dropout，没有那么复杂。是隐层的dropout
FLAGS.num_layers, # lstm的层数，这里写的是2
FLAGS.max_gradient_norm, # 5，截断梯度，防止梯度爆炸
FLAGS.batch_size, # 64，等下要重新赋值，预测就是1，训练就是64
FLAGS.learning_rate, # 0.003
FLAGS.num_samples, # 512，用作负采样
forward_only, #只传一次
dtype
)
{
"__author__": "qhduan@memect.co",
"buckets": [
[5, 15],
[10, 20],
[20, 30],
[40, 50]
],
"size": 512,
/*s2s lstm单元出来之后的，连的隐层的number unit是512*/
"depth": 4,
"dropout": 0.8,
"batch_size": 512,
/*每次往里面放多少组对话对，这个是比较灵活的。
如果找一句话之间的相关性，batch_size就是这句话里面的字有多少个，
如果要找上下文之间的对话，batch_size就是多少组对话*/
"random_state": 0,
"learning_rate": 0.0003,
/*总共循环20次*/
"epoch": 20,
"train_device": "/gpu:0",
"test_device": "/cpu:0"
}
六、桶机制
6.1 处理数据集
语料库长度桶结构
(5, 10): 5问题长度,10回答长度
每个桶中对话数量,一问一答为一次完整对话
Analysis
(1) 设定4个桶结构,即将问答分成4个部分,每个同种存放对应的问答数据集[87, 69, 36, 8]四个桶中分别有87组对话,69组对话,36组对话,8组对话;
(2) 训练词数据集符合桶长度则输入对应值,不符合桶长度,则为空;
(3) 对话数量占比:[0.435, 0.78, 0.96, 1.0];
6.2 词向量处理seq2seq
- 获取问答及答案权重
参数：
data: 词向量列表,如[[[4,4],[5,6,8]]]
bucket_id: 桶编号,值取自桶对话占比
步骤：
问题和答案的数据量:桶的话数buckets = [(5, 10), (10, 15), (20, 25), (40, 50)]
生成问题和答案的存储器
从问答数据集中随机选取问答
问题末尾添加PAD_ID并反向排序
答案添加GO_ID和PAD_ID
问题,答案,权重批量数据
批量问题
批量答案
答案权重即Attention机制
若答案为PAD则权重设置为0,因为是添加的ID,其他的设置为1
Analysis
(1) 对问题和答案的向量重新整理,符合桶尺寸则保持对话尺寸,若不符合桶设定尺寸,则进行填充处理,
问题使用PAD_ID填充,答案使用GO_ID和PAD_ID填充;
(2) 对问题和答案向量填充整理后,使用Attention机制,对答案进行权重分配,答案中的PAD_ID权重为0,其他对应的为1;
(3) get_batch()处理词向量;返回问题、答案、答案权重数据;
返回结果如上结果:encoder_inputs, decoder_inputs, answer_weights.
6.3 处理问答及答案权重
参数:
session: tensorflow 会话.
encoder_inputs: 问题向量列表
decoder_inputs: 回答向量列表
answer_weights: 答案权重列表
bucket_id: 桶编号which bucket of the model to use.
forward_only: 前向或反向运算标志位
返回:
一个由梯度范数组成的三重范数（如果不使用反向传播,则为无）。
平均困惑度和输出
Analysis
(1) 根据输入的问答向量列表,分配语料桶,处理问答向量列表,并生成新的输入字典(dict), input_feed = {};
(2) 输出字典(dict), ouput_feed = {},根据是否使用反向传播获得参数,使用反向传播,
output_feed存储更新的梯度范数,损失,不使用反向传播,则只存储损失;
(3) 最终的输出为分两种情况,使用反向传播,返回梯度范数,损失,如反向传播不使用反向传播,
返回损失和输出的向量(用于加载模型,测试效果),如前向传播;
6.4 训练&保存模型
步骤：
检查是否有已存在的训练模型
有模型则获取模型轮数,接着训练
没有模型则从开始训练
一直训练，每过一段时间保存一次模型
如果模型没有得到提升，减小learning rate
保存模型
使用测试数据评估模型
global step: 500, learning rate: 0.5, loss: 2.574068747580052
bucket id: 0, eval ppx: 14176.588030763274
bucket id: 1, eval ppx: 3650.0026667220773
bucket id: 2, eval ppx: 4458.454110999805
bucket id: 3, eval ppx: 5290.083583183104
6.5 载入模型&测试
总结
(1) 该聊天机器人使用bucket桶结构,即指定问答数据的长度,匹配符合的桶,在桶中进行存取数据;
(2) 该seq2seq模型使用Tensorflow时,未能建立独立标识的图结构,在进行后台封装过程中出现图为空的现象;
从main函数进入test()方法。先去内存中加载训练好的模型model，这部分最耗时，改batch_size为1，传入相关的参数。
开始输入一个句子，并将它读进来，读进来之后，按照桶将句子分，按照模型输出，然后去查字典。
接着在循环中输入上句话，找对应的桶。然后拿到的下句话的每个字，找概率最大的那个字的index的id输出。
get_batch_data(),获取data [('天气\n', '')]，也就是问答对，但是现在只有问，没有答
get_batch()获取encoder_inputs=1*10，decoder_inputs=1*20 decoder_weights=1*20
step()获取预测值output_logits，
基于检索模型和生成模型聊天机器人
https://www.jianshu.com/p/6626a20f2e8c
自然语言处理：基于seq2seq+bucket版(四)
https://blog.csdn.net/Xin_101/article/details/87443582
https://blog.csdn.net/qq_41786778/article/details/88768848
知识图谱
https://blog.csdn.net/Xin_101/article/details/82345127
