[codes] Writing Editing Networks Source Code Analysis

Basic Information

作者：Qingyun Wang

论文：Paper Abstract Writing through Editing Mechanism (ACL)

源码：https://github.com/EagleW/Writing-editing-Network

Data Preprocessing

1. Load Data

  1. 抽取出headline 和 abstract
  2. 分词（自己写了一个分词，当然也可以用NLTK等工具包）
  3. 构造corpus：列表（all sample）> 子列表（a sample: headline+abstract）> 子子列表 (tokens + sentence)

2. Construct Vocabulary

  1. 根据训练数据构造词表；按照词频排序，删去低频词，将vocabulary大小设置为vocab_size
  2. 在单词、标点的基础上，增加<pad>，<unk>，<eos>，<bos>等几个标志位
  3. 将<pad>放在字典的第一位

3. word2id，id2word

  1. 将corpus中的token映射成id（未进行padding）
  2. 在abstract的前后增加了两个标志位<eos>，<bos>，（当teacher forcing training时）作为解码输入相当于进行了shift，而标题不需要添加<eos>，<bos>
  3. 按照编码输入的长度对进行corpus进行排序（按照headline从长到短对corpus进行排序）
  4. 获得max_x_len，max_y_len

Model Construction

1. Embedding

  1. 随机初始化embedding matrix，传入nn.Embedding两个参数：vocab_size，embed_dim
  2. Embedding定义好之后，encoder for title，encoder for draft，decoder共用。即headline，draft，abstract共用同一个编码

2. Encoder for Title

  1. single-layer bidirectional GRU
  2. 因为编码输入是按照title顺序排序好的，所以输入的时候可以利用nn.utils.rnn.pack_padded_sequence进行编码，得到了结果再利用nn.utils.rnn.pad_packed_sequence补出padding位。如此可以使结果更加准确，排除了padding位对双向编码的影响
  3. input_sorted_by_length ==> pack ==> encode ==> pad ==> encoder_output

3. Encoder for Draft

  1. single-layer bidirectional GRU
  2. 这个encoder是对解码器输出的draft进行编码，输入的序列虽然在形状上都是 [batch_size, max_y_len]，但是其中的有效序列元素个数参差不齐，此时再进行排序，编码，恢复batch中sample原来的位置就比较麻烦
  3. 所以就不用nn.utils.rnn.pack_padded_sequence和nn.utils.rnn.pad_packed_sequence两个函数了，编码结果会受到padding位的影响，但是无伤大雅

4. Decoder for All-pass Decoding

  1. single-layer unidirectional GRU
  2. 每个pass的解码，用的都是同一个decoder
  3. 包含两种attention：
    1. 对于上一pass中decoder hidden states的attention
    2. 当前pass的decoder hidden states，对于encoder hidden states的attention

5. Complete Model

包含以上提到的两种encoder，decoder，以及word probability layer

6. Instantiate Model

# 为模型设置可见GPU
torch.cuda.set_device(0)

# 打印GPU信息
if torch.cuda.is_available():
    print("congratulations! {} GPU(s) can be used!".format(torch.cuda.device_count()))
    print("currently, you are using GPU" + str(torch.cuda.current_device()), 
          "named", torch.cuda.get_device_name(torch.cuda.current_device()))

    # 利用CUDA进行加速
    model = model.cuda()
    criterion = nn.CrossEntropyLoss(ignore_index=0).cuda()
    
else:
    print("sadly, CUDA is not available!")

输出：

Congratulations! 1 GPU(s) can be used!
Currently, you are using GPU0 named "GeForce GTX 1050 Ti"

Training Process

  1. 进入train_epoch函数

    1. 进入train_batch函数

      1. 设置 previously generated draft 为 None

      2. input [batch_size, max_x_len]， target [batch_size, max_y_len]

      3. 对输入进行编码，[batch_size, max_x_len]

      4. 进入multi-pass decoding循环

        1. 如果previously generated draft 为 None，说明是第一次进行解码，只进行decoder - encoder端的attention

          1. 解码得到隐含向量
          2. 映射到vocabulary size，得到概率分布
          3. 采样得到解码输出（greedy search）
          4. 作为previously generated draft

        2. 如果previously generated draft 不为 None，说明之前已经进行过解码了，所以要有decoder-encoder之间的attention，还要对生成的draft的隐含状态进行attend

        3. 该implementation中对每一pass的解码结果，即draft，都与ground truth进行了交叉熵的Loss计算，反向传播，更新参数（训练一个batch，反传多次，希望草稿也尽量接近目标序列）

    2. 记录batch的loss，在一个epoch完结之后打印average epoch loss

    3. 每个epoch中没有进行validation

  2. epoch循环结束之后保存一组参数

  3. 如果当前epoch的平均loss大于前一epoch的平均loss的话，需要停止训练防止过拟合，不过此处模型是利用Training set上的loss来计算的

Inference Phase

  1. 载入训练好的模型参数：

    model.load_state_dict(torch.load(args.save))

# 在GPU1上训练的模型，当前torch可见的GPU序号为0时不能够被正藏载入，需要进行映射
model.load_state_dict(torch.load(args.save, map_location='cuda:0'))

  2. 进入batch循环，执行predict函数

    1. 输入：article ids，input length，num_pass
    2. 进入n_pass循环
      1. 对title进行编码，得到编码状态
      2. 解码（不是teacher forcing），进入max_y_len循环：
        1. 每次对一个batch的第i个字符进行解码
        2. 用encoder final hidden state作为decoder initial hidden state
        3. 根据current decoder state 与 encoder states 进行 attention计算
        4. 根据current decoder state 与 draft embedding 进行 attention计算
        5. 将attention vectors拼接起来通过一个全连接层，作为解码输入
        6. 将解码输出映射为单词表上的概率分布，进行采样获得当前解码时间步概率最大的单词（将UNK对应的概率人为设置为0，方法是把softmax之前的logits中UNK所对应的项改为-inf）此处进行的是greedy search，而不是beam search
        7. 得到[batch_size, 1]个symbols，保存在一个列表中；当循环结束后，将列表进行stack，得到[batch_size, max_y_len]
    3. 记录解码结果

TO DO

  1. 每个epoch结束进行一次validation，当validation的平均loss大于之前时刻的loss，停止训练。

  2. 添加mixed objective function

  3. 将encoder放入循环外，对于一个batch只编码一次

  4. 将每一pass的decoder 换做不一样的。甚至可以一个是Transformer，一个是RNN（进行两次beam search）。这个实现中，前面几个pass的解码都是greedy search

  5. 搞清楚Transformer的解码原理，理清楚beam searcher应该输入什么维度Tensor，方便进行植入

  6. 原文中model类的forward函数里是：title encoder，draft encoder（条件），decoder。其中draft encoder使用不使用，需要根据是否有draft输入来确定。model的forward函数循环执行pass数次。

    但是完全可以执行model的forward函数一次，但是forward函数里写清楚步骤：进行一次title encoding，再进入pass数循环，上一pass的output draft，可以拿来用做当前pass的输入（如果previously generated draft = None），那么一定是第一次解码。这样就不用进行多次对title编码，效率会高一些

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/lauspectrum/p/11256794.html