前言
目前来说gpt2在生成式这块效果还是比较突出的。在尝试 gpt2-chitchat 这个项目的时候，聊得挺好，首先感谢作者的贡献，好像闲聊数据还@了我。但是感觉代码这块还不够优雅，所以就基于pytorch-lightning重写了下。
gpt2-chitchat
代码传送：gpt2-chitchat-pl
关于模型介绍、效果展示可以直接访问原作者的README.md。我重写之后有几个参数这里说明下吧：
- train_mmi: 默认是False，会训练dialogue_model；如果是设为True，就是训练mmi_model
- use_pretrain: 默认是False，意思是不使用预训练模型。如果设置为True的话，就需要将制定对应的dialogue_model_path和mmi_model_path
- dialogue_model_path: 这里可以下载 yangjianxin1 提供的dialogue_model，然后指定对应的路径
- mmi_model_path: 同dialogue_model_path一个意思
- train_raw_path: 训练数据
- model_config: gpt2 config配置文件
- vocab_path: 字典文件
当你设定好了对应的参数后就可以重头训练或者微调模型了
- 重头训练dialogue model
python train.py --train_mmi=False --use_pretrain=False
- 微调dialogue model
python train.py --train_mmi=False --use_pretrain=True --dialogue_model_path=/path/to/dialogue_pre_model
- 重头训练mmi model
python train.py --train_mmi=True --use_pretrain=False
- 微调mmi model
python train.py --train_mmi=True --use_pretrain=True --mmi_model_path=/path/to/mmi_pre_model
上面是训练模型的参数和命令。至于消费模型的代码是run_interact.py，对应的参数有：
- output_dir: 训练好模型的路径
- batch_size: 批量生成response的个数, 然后经过MMI模型进行筛选
命令是：python run_interact.py --output_dir=/path/to/your/model_path
结束语
具体的细节可以查看和调试代码，感觉水了一篇文章。无论是dialogue model还是mmi model模型用的都是seq2seq，只不过输入不一样，至于多轮也就是把history用[SEP]拼接了一下，mmi将语料做了个翻转，就酱（可能这就是使用框架带来的便利吧，减少了自己的关注点）。本来想写一篇关于ner的，也是没啥好说的，所以可以直接看代码吧run_ner_pl.py，会存在个问题，因为是直接使用的token classification，换成crf是否会好点。
