GPT2 chitchat
1.0.0
公眾號【YeungNLP】
python3.6、 transformers==4.2.0、pytorch==1.7.0
對每條訓練數據進行拼接，然後將其輸入到模型中，進行訓練。
對於如下多輪閒聊訓練數據,在訓練模型時，將訓練數據進行如下拼接:"[CLS]想看你的美照[SEP]親我一口就給你看[SEP]我親兩口[SEP]討厭人家拿小拳拳捶你胸口[SEP]"。然後將上述拼接結果作為模型的輸入，讓模型進行自回歸訓練。
想看你的美照
亲我一口就给你看
我亲两口
讨厌人家拿小拳拳捶你胸口
在模型分享中下載模型，將模型文件夾model_epoch40_50w放到model目錄下，執行如下命令，進行對話
python interact.py --no_cuda --model_path model_epoch40_50w (使用cpu生成，速度相对较慢)
或
python interact.py --model_path model_epoch40_50w --device 0 (指定0号GPU进行生成，速度相对较快)
在項目根目錄下創建data文件夾，將原始訓練語料命名為train.txt，存放在該目錄下。 train.txt的格式如下，每段閒聊之間間隔一行，格式如下：
真想找你一起去看电影
突然很想你
我也很想你
想看你的美照
亲我一口就给你看
我亲两口
讨厌人家拿小拳拳捶你胸口
美女约嘛
开好房等你了
我来啦
運行preprocess.py，對data/train.txt對話語料進行tokenize，然後進行序列化保存到data/train.pkl。 train.pkl中序列化的對象的類型為List[List],記錄對話列表中,每個對話包含的token。
python preprocess.py --train_path data/train.txt --save_path data/train.pkl
運行train.py,使用預處理後的數據，對模型進行自回歸訓練，模型保存在根目錄下的model文件夾中。
在訓練時，可以通過指定patience參數進行early stop。當patience=n時，若連續n個epoch，模型在驗證集上的loss均沒有下降，則進行early stop，停止訓練。當patience=0時，不進行early stop。
代碼中默認關閉了early stop，因為在實踐中，early stop得到的模型的生成效果不一定會更好。
python train.py --epochs 40 --batch_size 8 --device 0,1 --train_path data/train.pkl
更多的訓練參數介紹，可直接看train.py中的set_args()函數中的參數說明
運行interact.py，使用訓練好的模型，進行人機交互，輸入Ctrl+Z結束對話之後，聊天記錄將保存到sample目錄下的sample.txt文件中。
python interact.py --no_cuda --model_path path_to_your_model --max_history_len 3(由于闲聊对话生成的内容长度不是很长，因此生成部分在CPU上跑速度也挺快的)
執行interact.py時，可以嘗試通過調整topk、topp、repetition_penalty、max_history_len等參數，調整生成的效果。更多的參數介紹，可直接看interact.py的set_args()函數中的參數說明如果要使用GPU進行生成，則不要調用--no_cuda參數，並且通過--device gpu_id來指定使用哪塊GPU。
| 中文閒聊語料 | 數據集地址 | 語料描述 |
|---|---|---|
| 常見中文閒聊 | chinese_chatbot_corpus | 包含小黃雞語料、豆瓣語料、電視劇對白語料、貼吧論壇回帖語料、微博語料、PTT八卦語料、青雲語料等 |
| 50w中文閒聊語料 | 百度網盤【提取碼:4g5e】 或GoogleDrive | 包含50w個多輪對話的原始語料、預處理數據 |
| 100w中文閒聊語料 | 百度網盤【提取碼:s908】 或GoogleDrive | 包含100w個多輪對話的原始語料、預處理數據 |
中文閒聊語料的內容樣例如下:
谢谢你所做的一切
你开心就好
开心
嗯因为你的心里只有学习
某某某，还有你
这个某某某用的好
你们宿舍都是这么厉害的人吗
眼睛特别搞笑这土也不好捏但就是觉得挺可爱
特别可爱啊
今天好点了吗？
一天比一天严重
吃药不管用，去打一针。别拖着
| 模型 | 共享地址 | 模型描述 |
|---|---|---|
| model_epoch40_50w | 百度網盤【提取碼:ju6m】 或GoogleDrive | 使用50w多輪對話語料訓練了40個epoch，loss降到2.0左右。 |
user :你好啊
chatbot:你好，请问您是？
user :我是你的主人啊
chatbot:你是狗吗？
user :你才是狗
chatbot:你不是狗我是你的小主人
user :你这个大笨蛋
chatbot:你大笨蛋，你是想挨打了
user :你全家都是大笨蛋
chatbot:我是你爸爸
user :算了，不跟你吵了，你在干嘛呢
chatbot:我在上班啊，你还没下班呢啊你
user :我周末要做作业啊
chatbot:不是才交了吗，早晚做完啊
user :好多作业啊，还没做完呢
chatbot:我在抄，我妈让我周五交，还有事
user :你就不怕被你妈妈骂吗
chatbot:不怕
user :你周末有去哪里玩吗
chatbot:没时间啊，忙得很啊
user :忙着干嘛呢
chatbot:不知道啊，我周末没有作业，我想睡觉，然后还得找人
user :你好啊
chatbot:你好我好大家好
user :你在干嘛呢
chatbot:你不上课啊
user :今天是周末啊，笨蛋
chatbot:我在学校呢
user :我也是，周末还要做作业
chatbot:我还没写呢我们都还没写
user :周末你有去哪里玩吗
chatbot:没有去南京
user :南京有什么好玩的啊
chatbot:我们没去南京
user :你刚刚又说你去了南京，你是不是耍我啊
chatbot:我刚刚才到南京
user :你好笨啊
chatbot:我没有
user :你是大笨蛋
chatbot:你才是大笨蛋
user :你全家都是大笨蛋
chatbot:你个傻冒
user :你个智障
chatbot:哈哈哈
user :在干嘛
chatbot:睡觉
user :这么早就睡觉啦
chatbot:嗯啊你也早点睡啊
user :我再玩一会儿手机
chatbot:早点休息晚安
user :拜拜啦
chatbot:晚安晚安
user :多喝热水
chatbot:哈哈哈
user :多喝热水
chatbot:好的咯
user :在吗
chatbot:在
user :我不开心
chatbot:怎么啦
user :最近好累啊
chatbot:是挺累的
user :作业好多啊
chatbot:还好还好
user :我觉得我快要挂科了
chatbot:我也是啊，但是我觉得我快熬出头了
user :不说了，我还有好多作业没写
chatbot:我也是啊好多啊
user :那先这样，下次再聊，再见了
chatbot:好哒
user :你去过广州吗
chatbot:去过呀，但是没有找到工作呢
user :那你去过北京吗
chatbot:没有啊
user :北京有什么好玩的
chatbot:没有你想象的那么好
user :是吗，我还没过北京
chatbot:那里我也不怎么熟，我去过北京
user :北京天安门呢
chatbot:没去过，不过可以去玩玩
user :你好
chatbot:你好
user :在干嘛呢
chatbot:在想你呢
user :好害羞啊
chatbot:害羞什么啊
user :你这样夸我，我觉得不好意思呀
chatbot:我夸你你还不好意思呢
user :是啊，哈哈哈
chatbot:你是不是在考验我
user :你怎么会这样想呢
chatbot:我说我在夸你，这么客气，
user :你有睡午觉吗
chatbot:有啊
user :我现在有点困呢
chatbot:我也是
user :等下还要去上课，好烦啊
chatbot:我们不用上课的呀
