MemN2N tensorflow Téléchargement - MemN2N tensorflow Source Code Download

MemN2N tensorflow

Autre code source

1.0.0

Télécharger

Réseaux de mémoire de bout en bout dans TensorFlow

Implémentation de TensorFlow des réseaux de mémoire de bout en bout pour la modélisation du langage (voir section 5). Le code torche d'origine de Facebook peut être trouvé ici.

Condition préalable

Ce code nécessite TensorFlow. Il existe un ensemble d'échantillons de corpus de banque d'arborescence de Penn (PTB) dans le répertoire data , qui est une référence populaire pour mesurer la qualité de ces modèles. Mais vous pouvez utiliser votre propre ensemble de données de texte qui devrait être formé comme celui-ci.

Lorsque vous utilisez Docker Image Tensorflw / TensorFlow: le dernier-GPU, vous devez package Python Future.

 $ pip install future

Si vous souhaitez utiliser --show True Option, vous devez installer Python Package progress .

 $ pip install progress

Usage

Pour entraîner un modèle avec 6 houblon et taille de mémoire de 100, exécutez la commande suivante:

 $ python main.py --nhop 6 --mem_size 100

Pour voir toutes les options de formation, exécutez:

 $ python main.py --help

qui imprimera:

 usage: main.py [-h] [--edim EDIM] [--lindim LINDIM] [--nhop NHOP]
              [--mem_size MEM_SIZE] [--batch_size BATCH_SIZE]
              [--nepoch NEPOCH] [--init_lr INIT_LR] [--init_hid INIT_HID]
              [--init_std INIT_STD] [--max_grad_norm MAX_GRAD_NORM]
              [--data_dir DATA_DIR] [--data_name DATA_NAME] [--show SHOW]
              [--noshow]

optional arguments:
  -h, --help            show this help message and exit
  --edim EDIM           internal state dimension [150]
  --lindim LINDIM       linear part of the state [75]
  --nhop NHOP           number of hops [6]
  --mem_size MEM_SIZE   memory size [100]
  --batch_size BATCH_SIZE
                        batch size to use during training [128]
  --nepoch NEPOCH       number of epoch to use during training [100]
  --init_lr INIT_LR     initial learning rate [0.01]
  --init_hid INIT_HID   initial internal state value [0.1]
  --init_std INIT_STD   weight initialization std [0.05]
  --max_grad_norm MAX_GRAD_NORM
                        clip gradients to this norm [50]
  --checkpoint_dir CHECKPOINT_DIR
                        checkpoint directory [checkpoints]
  --data_dir DATA_DIR   data directory [data]
  --data_name DATA_NAME
                        data set name [ptb]
  --is_test IS_TEST     True for testing, False for Training [False]
  --nois_test
  --show SHOW           print progress [False]
  --noshow

(Facultatif) Si vous souhaitez voir une barre de progression, installez progress avec pip :

 $ pip install progress
$ python main.py --nhop 6 --mem_size 100 --show True

Une fois la formation terminée, vous pouvez tester et valider avec:

 $ python main.py --is_test True --show True

La sortie de la formation ressemble à:

 $ python main.py --nhop 6 --mem_size 100 --show True
Read 929589 words from data/ptb.train.txt
Read 73760 words from data/ptb.valid.txt
Read 82430 words from data/ptb.test.txt
{'batch_size': 128,
'data_dir': 'data',
'data_name': 'ptb',
'edim': 150,
'init_hid': 0.1,
'init_lr': 0.01,
'init_std': 0.05,
'lindim': 75,
'max_grad_norm': 50,
'mem_size': 100,
'nepoch': 100,
'nhop': 6,
'nwords': 10000,
'show': True}
I tensorflow/core/common_runtime/local_device.cc:25] Local device intra op parallelism threads: 12
I tensorflow/core/common_runtime/direct_session.cc:45] Direct session inter op parallelism threads: 12
Training |################################| 100.0% | ETA: 0s
Testing |################################| 100.0% | ETA: 0s
{'perplexity': 507.3536108810464, 'epoch': 0, 'valid_perplexity': 285.19489755719286, 'learning_rate': 0.01}
Training |################################| 100.0% | ETA: 0s
Testing |################################| 100.0% | ETA: 0s
{'perplexity': 218.49577035468886, 'epoch': 1, 'valid_perplexity': 231.73457031084268, 'learning_rate': 0.01}
Training |################################| 100.0% | ETA: 0s
Testing |################################| 100.0% | ETA: 0s
{'perplexity': 163.5527845871247, 'epoch': 2, 'valid_perplexity': 175.38771414841014, 'learning_rate': 0.01}
Training |################################| 100.0% | ETA: 0s
Testing |################################| 100.0% | ETA: 0s
{'perplexity': 136.1443535538306, 'epoch': 3, 'valid_perplexity': 161.62522958776597, 'learning_rate': 0.01}
Training |################################| 100.0% | ETA: 0s
Testing |################################| 100.0% | ETA: 0s
{'perplexity': 119.15373237680929, 'epoch': 4, 'valid_perplexity': 149.00768378137946, 'learning_rate': 0.01}
Training |##############                  | 44.0% | ETA: 378s