تنزيل TextGAN PyTorch - تنزيل رمز TextGAN PyTorch

TextGAN PyTorch

شفرة المصدر الأخرى

1.0.0

تنزيل

Textgan-Pytorch

Textgan هو إطار PYTORCH لشبكات العدائية (GANS) التي تستند إلى نماذج توليد النص ، بما في ذلك نماذج توليد النص العام ونماذج توليد نص الفئة. يعمل Textgan كمنصة قياس لدعم الأبحاث حول نماذج توليد النص المستندة إلى GAN. نظرًا لأن TensorFlow يتم تنفيذ معظم نماذج توليد النص المستندة إلى GAN ، يمكن لـ Textgan مساعدة أولئك الذين يعتدون على Pytorch لإدخال حقل توليد النص بشكل أسرع.

إذا وجدت أي خطأ في تنفيذي ، فيرجى إخبارنا! أيضًا ، لا تتردد في المساهمة في هذا المستودع إذا كنت ترغب في إضافة نماذج أخرى.

متطلبات

Pytorch> = 1.1.0
بيثون 3.6
Numpy 1.14.5
CUDA 7.5+ (ل GPU)
NLTK 3.4
TQDM 4.32.1
Kenlm (https://github.com/kpu/kenlm)

للتثبيت ، قم بتشغيل pip install -r requirements.txt . في حالة مشاكل CUDA ، استشر دليل Pytorch الرسمي للبدء.

تثبيت Kenlm

قم بتنزيل الإصدار المستقر و Unsip: http://kheafield.com/code/kenlm.tar.gz
بحاجة إلى زيادة> = 1.42.0 و bjam
- Ubuntu: sudo apt-get install libboost-all-dev
- MAC: brew install boost; brew install bjam

تشغيل داخل دليل Kenlm:

mkdir -p build
cd build
cmake ..
make -j 4

pip install https://github.com/kpu/kenlm/archive/master.zip
لمزيد من المعلومات حول kenlm راجع: https://github.com/kpu/kenlm و http://kheafield.com/code/kenlm/

النماذج المنفذة والأوراق الأصلية

توليد النص العام

Seqgan - Seqgan: Sequence Generative Cerversarial Nets مع التدرج السياسي
Leakgan - توليد نص طويل عن طريق التدريب المعاد مع المعلومات التي تم تسريبها
Maligan - أقصى احتمال معزز شبكات الخصومة التوليدية المنفصلة
JSDGAN - توليد تسلسل منفصل عنيف بدون شبكات عصبية صريحة كمياهي تمييز
RELGAN - RELGAN: شبكات الخصومة التوليدية العلائقية لتوليد النصوص
DPGAN -DP-GAN: شبكة تكاثر تنوعية تنوع لتوليد نص مفيد ومتنوع
DGSAN - DGSAN: شبكة ذاتية التداول الذاتي المنفصلة
COT - COT: التدريب التعاوني للنمذجة التوليدية للبيانات المنفصلة

توليد نص فئة

Sentigan - Sentigan: توليد نصوص عاطفية عبر شبكات عدوانية للخليط
Catgan (Ours) - Catgan: فئة شبكات عدوانية واعية مع التعلم التطوري الهرمي لتوليد نص الفئة

ابدأ

ابدأ

git clone https://github.com/williamSYSU/TextGAN-PyTorch.git
cd TextGAN-PyTorch

من أجل تجارب البيانات الحقيقية ، يمكن تنزيل جميع مجموعات البيانات ( Image COCO و EMNLP NEWs و Movie Review و Amazon Review ) من هنا.
قم بتشغيل نموذج محدد

 cd run
python3 run_[model_name].py 0 0	# The first 0 is job_id, the second 0 is gpu_id

# For example
python3 run_seqgan.py 0 0

سمات

مدرب
لكل نموذج ، يتم تعريف عملية التغير بأكملها في instructor/oracle_data/seqgan_instructor.py . (خذ Seqgan في تجربة البيانات الاصطناعية على سبيل المثال). يتم تعريف بعض الوظائف الأساسية مثل init_model() و optimize() في الفئة الأساسية BasicInstructor في instructor.py . إذا كنت ترغب في إضافة نموذج جديد لتوليد النص المستند إلى GAN ، فيرجى إنشاء مدرب جديد تحت instructor/oracle_data وتحديد عملية التدريب للنموذج.
التصور
استخدم utils/visualization.py لتصور ملف السجل ، بما في ذلك درجات فقدان النماذج وعشرات المقاييس. تخصيص ملفات السجل الخاصة بك في log_file_list ، ليس أكثر من len(color_list) . يجب أن يستبعد اسم ملف السجل .txt .
قطع الأشجار
يستخدم Textgan-Pytorch وحدة logging في Python لتسجيل عملية التشغيل ، مثل خسارة المولد وعشرات متري. للحصول على راحة التصور ، سيكون هناك ملف سجلان نفس السجل المحفوظة في log/log_****_****.txt save/**/log.txt على التوالي. علاوة على ذلك ، فإن الرمز سيوفر تلقائيًا مقرات الحالة للنماذج وزيادة حجم عينات المولد في ./save/**/models و ./save/**/samples samples لكل خطوة سجل ، حيث يعتمد ** على مقاييسك المفرطة.
إشارة الجري
يمكنك بسهولة التحكم في عملية التدريب باستخدام Signal الفصل (يرجى الرجوع إلى utils/helpers.py ) استنادًا إلى ملف القاموس run_signal.txt .
لاستخدام Signal ، ما عليك سوى تحرير الملف المحلي run_signal.txt وتعيين pre_sig على Fasle على سبيل المثال ، سيتوقف البرنامج عن عملية ما قبل التدريب والخطو إلى مرحلة التدريب التالية. من المريح إيقاف التدريب المبكر إذا كنت تعتقد أن التدريب الحالي يكفي.
Automatiaclly حدد GPU
في config.py ، سيقوم البرنامج تلقائيًا بتحديد جهاز GPU مع أقل GPU-Util في nvidia-smi . يتم تمكين هذه الميزة بشكل افتراضي. إذا كنت ترغب في تحديد جهاز GPU يدويًا ، فيرجى إلغاء تحديد ARGS --device في run_[run_model].py وتحديد جهاز GPU باستخدام الأمر.