c4c08bafd9
|
||
|---|---|---|
| .. | ||
| lab | ||
| GenerativePyTorch.ipynb | ||
| GenerativeTF.ipynb | ||
| README.md | ||
README.md
生成式網絡
課前測驗
循環神經網絡（RNN）及其門控單元變體，例如長短期記憶單元（LSTM）和門控循環單元（GRU），提供了一種語言建模的機制，因為它們可以學習單詞的排列順序，並對序列中的下一個單詞進行預測。這使得我們可以使用 RNN 進行生成任務，例如普通文本生成、機器翻譯，甚至圖像描述。
✅ 想一想你在輸入時受益於文本補全等生成任務的所有情況。研究一下你喜愛的應用程序，看看它們是否利用了 RNN。
在上一單元中討論的 RNN 架構中，每個 RNN 單元會生成下一個隱藏狀態作為輸出。然而，我們也可以為每個循環單元添加另一個輸出，這樣就可以輸出一個序列（其長度等於原始序列）。此外，我們可以使用不在每一步接受輸入的 RNN 單元，而僅接受一些初始狀態向量，然後生成一個輸出序列。
這使得可以構建不同的神經網絡架構，如下圖所示：
圖片來自 Andrej Karpaty 的博客文章 Unreasonable Effectiveness of Recurrent Neural Networks
- 一對一 是一個傳統的神經網絡，具有一個輸入和一個輸出
- 一對多 是一種生成式架構，接受一個輸入值，並生成一個輸出值序列。例如，如果我們想訓練一個圖像描述網絡來生成圖片的文字描述，我們可以將圖片作為輸入，通過 CNN 獲取其隱藏狀態，然後使用一個循環鏈逐字生成描述。
- 多對一 對應於我們在上一單元中描述的 RNN 架構，例如文本分類
- 多對多 或 序列對序列 對應於例如機器翻譯的任務，其中第一個 RNN 將輸入序列中的所有信息收集到隱藏狀態中，然後另一個 RNN 鏈將該狀態展開為輸出序列。
在本單元中，我們將專注於幫助我們生成文本的簡單生成模型。為了簡化，我們將使用字符級標記化。
我們將訓練這個 RNN 逐步生成文本。在每一步中，我們將取一個長度為 nchars 的字符序列，並要求網絡為每個輸入字符生成下一個輸出字符：
在生成文本（推理過程中）時，我們從某個提示開始，將其傳遞給 RNN 單元以生成其中間狀態，然後從該狀態開始生成。我們一次生成一個字符，並將狀態和生成的字符傳遞給另一個 RNN 單元以生成下一個字符，直到生成足夠的字符。
圖片由作者提供
✍️ 練習：生成式網絡
在以下筆記本中繼續學習：
軟文本生成與溫度
每個 RNN 單元的輸出是一個字符的概率分佈。如果我們總是選擇概率最高的字符作為生成文本中的下一個字符，文本往往會在相同的字符序列之間反覆循環，如以下示例所示：
today of the second the company and a second the company ...
然而，如果我們查看下一個字符的概率分佈，可能會發現幾個最高概率之間的差異並不大，例如一個字符的概率可能是 0.2，另一個是 0.19，等等。例如，在查找序列 'play' 的下一個字符時，下一個字符可能是空格，也可能是 e（如單詞 player 中）。
這讓我們得出結論，選擇概率最高的字符並不總是“公平”的，因為選擇第二高的字符仍然可能導致有意義的文本。更明智的做法是從網絡輸出的概率分佈中抽樣字符。我們還可以使用一個參數，溫度，來平滑概率分佈，如果我們想增加隨機性，或者使其更陡峭，如果我們想更傾向於最高概率的字符。
在上面鏈接的筆記本中探索這種軟文本生成的實現方式。
結論
雖然文本生成本身可能很有用，但主要的好處來自於能夠使用 RNN 從某些初始特徵向量生成文本。例如，文本生成被用作機器翻譯的一部分（序列對序列，在這種情況下，編碼器 的狀態向量被用來生成或解碼翻譯的消息），或者生成圖像的文字描述（在這種情況下，特徵向量來自 CNN 提取器）。
🚀 挑戰
在 Microsoft Learn 上學習一些相關課程
- 使用 PyTorch/TensorFlow 進行文本生成
課後測驗
回顧與自學
以下是一些擴展知識的文章
作業
我們已經了解了如何逐字符生成文本。在實驗中，您將探索基於單詞的文本生成。
免責聲明：
本文件使用 AI 翻譯服務 Co-op Translator 進行翻譯。儘管我們努力確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。