Chapter1.代码详解

完整代码github链接，Untitled.ipynb文件内。修复了网上一些代码的bug，解决了由于tensorflow版本不同引起的一些问题。

【里面的测试是还没训练完的时候测试的，今晚会更新训练完成后的测试结果】

数据集链接，下载数据集后，解压提取dgk_shooter_min.conv文件，最好进行转码操作。建议用记事本打开后将其另存为，选择编码为utf-8后进行保存。

（1）数据预处理

#coding=utf-8

#（1）数据预处理

import os

import random

from io import open

conv_path = 'dgk_shooter_min.conv.txt'

#判断数据集是否存在？

if not os.path.exists(conv_path):

    print('数据集不存在')

    exit()

# 数据集格式

"""

E

M 畹/华/吾/侄/

M 你/接/到/这/封/信/的/时/候/

M 不/知/道/大/伯/还/在/不/在/人/世/了/

E

M 咱/们/梅/家/从/你/爷/爷/起/

M 就/一/直/小/心/翼/翼/地/唱/戏/

M 侍/奉/宫/廷/侍/奉/百/姓/

M 从/来/不/曾/遭/此/大/祸/

M 太/后/的/万/寿/节/谁/敢/不/穿/红/

M 就/你/胆/儿/大/

M 唉/这/我/舅/母/出/殡/

M 我/不/敢/穿/红/啊/

M 唉/呦/唉/呦/爷/

M 您/打/得/好/我/该/打/

M 就/因/为/没/穿/红/让/人/赏/咱/一/纸/枷/锁/

M 爷/您/别/给/我/戴/这/纸/枷/锁/呀/

E

M 您/多/打/我/几/下/不/就/得/了/吗/

M 走/

M 这/是/哪/一/出/啊/…/ / /这/是/

M 撕/破/一/点/就/弄/死/你/

M 唉/

M 记/着/唱/戏/的/再/红/

M 还/是/让/人/瞧/不/起/

M 大/伯/不/想/让/你/挨/了/打/

M 还/得/跟/人/家/说/打/得/好/

M 大/伯/不/想/让/你/再/戴/上/那/纸/枷/锁/

M 畹/华/开/开/门/哪/

E

...

"""

# 我首先使用文本编辑器sublime把dgk_shooter_min.conv文件编码转为UTF-8，一下子省了不少麻烦

convs = []  # 对话集合

with open(conv_path, encoding="utf8") as f:

    one_conv = []  # 一次完整对话

    for line in f:

        line = line.strip('\n').replace('/', '')#将分隔符去掉

        if line == '':

          continue

        if line[0] == 'E':

          if one_conv:

              convs.append(one_conv)

          one_conv = []

        elif line[0] == 'M':

          one_conv.append(line.split(' ')[1])

#将对话转成utf-8格式，并将其保存在dgk_shooter_min.conv文件中

print(convs[:3])  # 个人感觉对白数据集有点不给力啊

#[ ['畹华吾侄', '你接到这封信的时候', '不知道大伯还在不在人世了'],

#  ['咱们梅家从你爷爷起', '就一直小心翼翼地唱戏', '侍奉宫廷侍奉百姓', '从来不曾遭此大祸', '太后的万寿节谁敢不穿红', '就你胆儿大', '唉这我舅母出殡', '我不敢穿红啊', '唉呦唉呦爷', '您打得好我该打', '就因为没穿红让人赏咱一纸枷锁', '爷您别给我戴这纸枷锁呀'],

#  ['您多打我几下不就得了吗', '走', '这是哪一出啊 ', '撕破一点就弄死你', '唉', '记着唱戏的再红', '还是让人瞧不起', '大伯不想让你挨了打', '还得跟人家说打得好', '大伯不想让你再戴上那纸枷锁', '畹华开开门哪'], ....]

# 把对话分成问与答

ask = []        # 问

response = []  # 答

for conv in convs:

  if len(conv) == 1:

    continue

  if len(conv) % 2 != 0:  # 奇数对话数, 转为偶数对话

    conv = conv[:-1]

  for i in range(len(conv)):

    if i % 2 == 0:

        ask.append(conv[i])#偶数对，填写问题

    else:

        response.append(conv[i])#回答

print(len(ask), len(response))

print(ask[:3])

print(response[:3])

#['畹华吾侄', '咱们梅家从你爷爷起', '侍奉宫廷侍奉百姓']

#['你接到这封信的时候', '就一直小心翼翼地唱戏', '从来不曾遭此大祸']

def convert_seq2seq_files(questions, answers, TESTSET_SIZE=8000):

    # 创建文件

    train_enc = open('train.enc', 'w',encoding='utf-8')  # 问

    train_dec = open('train.dec', 'w',encoding='utf-8')  # 答

    test_enc = open('test.enc', 'w',encoding='utf-8')  # 问

    test_dec = open('test.dec', 'w',encoding='utf-8')  # 答

    # 选择8000数据作为测试数据

    test_index = random.sample([i for i in range(len(questions))], TESTSET_SIZE)

    for i in range(len(questions)):

        if i in test_index:#创建测试文件

            test_enc.write(questions[i] + '\n')

            test_dec.write(answers[i] + '\n')

        else:#创建训练文件

            train_enc.write(questions[i] + '\n')

            train_dec.write(answers[i] + '\n')

        if i % 1000 == 0:#表示处理了多少个i

            print(len(range(len(questions))), '处理进度:', i)

    train_enc.close()

    train_dec.close()

    test_enc.close()

    test_dec.close()

convert_seq2seq_files(ask, response)

# 生成的*.enc文件保存了问题

# 生成的*.dec文件保存了回答

将数据集进行处理后分成问与答的形式进行保存，选择其中的8000数据作为测试数据。处理完毕后生成的.enc文件保存了问题,.dec文件保存了回答。

问题文件*.enc预览：

爷爷您戏改得真好

您怎么不进去呀

王老板

见过

地球再也无法承受人类的数量

我现在是和摩兰达说话吗？

我们不是告诉他们应该想什么

回答文件*.dec预览：

这回跟您可真是一棵菜了

我等人拿钥匙呢

唉

什么事

我们发现了一个新的太阳系

不是

我们仅仅是想告诉他们应该怎么想

（2）创建词汇表

#coding=utf-8

#（2）创建词汇表

# 前一步生成的问答文件路径

train_encode_file = 'train.enc'

train_decode_file = 'train.dec'

test_encode_file = 'test.enc'

test_decode_file = 'test.dec'

print('开始创建词汇表...')

# 特殊标记，用来填充标记对话

PAD = "__PAD__"

GO = "__GO__"

EOS = "__EOS__"  # 对话结束

UNK = "__UNK__"  # 标记未出现在词汇表中的字符

START_VOCABULART = [PAD, GO, EOS, UNK]

PAD_ID = 0

GO_ID = 1

EOS_ID = 2

UNK_ID = 3

# 参看tensorflow.models.rnn.translate.data_utils

vocabulary_size = 5000

# 生成词汇表文件

def gen_vocabulary_file(input_file, output_file):

    vocabulary = {}

    with open(input_file, encoding="utf8") as f:

        counter = 0

        for line in f:

          counter += 1

          tokens = [word for word in line.strip()]

          for word in tokens:

              if word in vocabulary:

                  vocabulary[word] += 1

              else:

                  vocabulary[word] = 1

        vocabulary_list = START_VOCABULART + sorted(vocabulary, key=vocabulary.get, reverse=True)

        # 取前5000个常用汉字, 应该差不多够用了(额, 好多无用字符, 最好整理一下. 我就不整理了)

        if len(vocabulary_list) > 5000:

          vocabulary_list = vocabulary_list[:5000]

        print(input_file + " 词汇表大小:", len(vocabulary_list))

        with open(output_file, "w", encoding="utf8") as ff:

          for word in vocabulary_list:

              ff.write(word + "\n")

gen_vocabulary_file(train_encode_file, "train_encode_vocabulary")

gen_vocabulary_file(train_decode_file, "train_decode_vocabulary")

train_encode_vocabulary_file = 'train_encode_vocabulary'

train_decode_vocabulary_file = 'train_decode_vocabulary'

print("对话转向量...")

# 把对话字符串转为向量形式

def convert_to_vector(input_file, vocabulary_file, output_file):

    tmp_vocab = []

    with open(vocabulary_file, "r", encoding="utf8") as f:

        tmp_vocab.extend(f.readlines())

    tmp_vocab = [line.strip() for line in tmp_vocab]

    vocab = dict([(x, y) for (y, x) in enumerate(tmp_vocab)])

    # {'硕': 3142, 'v': 577, 'Ｉ': 4789, '\ue796': 4515, '拖': 1333, '疤': 2201 ...}

    output_f = open(output_file, 'w')

    with open(input_file, 'r', encoding="utf8") as f:

        for line in f:

            line_vec = []

            for words in line.strip():

                line_vec.append(vocab.get(words, UNK_ID))

            output_f.write(" ".join([str(num) for num in line_vec]) + "\n")

    output_f.close()

convert_to_vector(train_encode_file, train_encode_vocabulary_file, 'train_encode.vec')

convert_to_vector(train_decode_file, train_decode_vocabulary_file, 'train_decode.vec')

convert_to_vector(test_encode_file, train_encode_vocabulary_file, 'test_encode.vec')

convert_to_vector(test_decode_file, train_decode_vocabulary_file, 'test_decode.vec')

提取前5000个常用的汉字创建词汇表

词汇表文件*_vocabulary预览：

__PAD__

__GO__

__EOS__

__UNK__

我

的

你

是

，

不

了

们

对话转向量，把对话字符串转为向量形式

向量文件*.vec预览：

6 269 31 13 1022 157 5 60 190

28 14 226 92 113 2047 2047 98 909 724

137 22 9 644 1331 278 63 1685

28 6 1363 118 63

4 9 652 514 824 88

433 131 51 24 4 127 131

1093 433 94 81 4 884 13 840 3435 1010 366

生成的train_encode.vec和train_decode.vec用于训练，对应的词汇表train_encode_vocabulary和train_decode_vocabulary。

（3）训练

这里选取部分代码进行讲解，完整代码链接

导入向量文件进行训练，定义一个read_data的函数对训练集与测试集的问题向量文件encode.vec，回答向量文件decode.vec，进行读取。

读取的时候将问题向量文件encode.vec中的每一行默认以空格为分隔符，构成一个源序列。将回答向量文件decode.vec中的每一行默认以空格为分隔符，构成一个目标序列。然后将两个序列添加到data_set中。对文件中的每一行都进行处理与添加后，将得到的data_set返回。

# 读取*encode.vec和*decode.vec数据（数据还不算太多, 一次读入到内存）

def read_data(source_path, target_path, max_size=None):

    data_set = [[] for _ in buckets]#生成了[[],[],[],[]],即当值与参数不一样

    with tf.gfile.GFile(source_path, mode="r") as source_file:#以读格式打开源文件（source_file）

        with tf.gfile.GFile(target_path, mode="r") as target_file:#以读格式打开目标文件

            source, target = source_file.readline(), target_file.readline()#只读取一行

            counter = 0#计数器为0

            while source and target and ( not max_size or counter < max_size):#当读入的还存在时

                counter += 1

                source_ids = [int(x) for x in source.split()]#source的目标序列号，默认分隔符为空格，组成了一个源序列

                target_ids = [int(x) for x in target.split()]#target组成一个目标序列，为目标序列

                target_ids.append(EOS_ID)#加上结束标记的序列号

                for bucket_id, (source_size, target_size) in enumerate(buckets):#enumerate()遍历序列中的元素和其下标

                    if len(source_ids) < source_size and len(target_ids) < target_size:#判断是否超越了最大长度

                        data_set[bucket_id].append([source_ids, target_ids])#读取到数据集文件中区

                        break#一次即可，跳出当前循环

                source, target = source_file.readline(), target_file.readline()#读取了下一行

    return data_set

构建模型

model = seq2seq_model.Seq2SeqModel(source_vocab_size=vocabulary_encode_size, target_vocab_size=vocabulary_decode_size,

                                  buckets=buckets, size=layer_size, num_layers=num_layers, max_gradient_norm=5.0,

                                  batch_size=batch_size, learning_rate=0.5, learning_rate_decay_factor=0.97,

                                  forward_only=False)

开始训练

with tf.Session(config=config) as sess:

    # 恢复前一次训练

    ckpt = tf.train.get_checkpoint_state('.')

    if ckpt != None:

        print(ckpt.model_checkpoint_path)

        model.saver.restore(sess, ckpt.model_checkpoint_path)

    else:

        sess.run(tf.global_variables_initializer())

    train_set = read_data(train_encode_vec, train_decode_vec)

    test_set = read_data(test_encode_vec, test_decode_vec)

    train_bucket_sizes = [len(train_set[b]) for b in range(len(buckets))]#分别计算出训练集中的长度【1,2,3,4】

    train_total_size = float(sum(train_bucket_sizes))#训练实例总数

    train_buckets_scale = [sum(train_bucket_sizes[:i + 1]) / train_total_size for i in range(len(train_bucket_sizes))]#计算了之前所有的数的首战百分比

    loss = 0.0#损失置位0

    total_step = 0

    previous_losses = []

    # 一直训练，每过一段时间保存一次模型

    while True:

        random_number_01 = np.random.random_sample()#每一次循环结果不一样

        #选出最小的大于随机采样的值的索引号

        bucket_id = min([i for i in range(len(train_buckets_scale)) if train_buckets_scale[i] > random_number_01])

        encoder_inputs, decoder_inputs, target_weights = model.get_batch(train_set, bucket_id)

        #get_batch()函数首先获取bucket的encoder_size与decoder_size

        _, step_loss, _ = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, False)#损失

        loss += step_loss / 500

        total_step += 1

        print(total_step)

        if total_step % 500 == 0:

            print(model.global_step.eval(), model.learning_rate.eval(), loss)

    # 如果模型没有得到提升，减小learning rate

            if len(previous_losses) > 2 and loss > max(previous_losses[-3:]):#即损失比以前的大则降低学习率

                sess.run(model.learning_rate_decay_op)

            previous_losses.append(loss)

    # 保存模型

            checkpoint_path = "./chatbot_seq2seq.ckpt"

            model.saver.save(sess, checkpoint_path, global_step=model.global_step)

            #返回路径checkpoint_file = "%s-%s" % (save_path, "{:08d}".format(global_step))

            loss = 0.0#置当前损失为0

    # 使用测试数据评估模型

            for bucket_id in range(len(buckets)):

                if len(test_set[bucket_id]) == 0:

                    continue

                #获取当前bucket的encoder_inputs, decoder_inputs, target_weights

                encoder_inputs, decoder_inputs, target_weights = model.get_batch(test_set, bucket_id)

                #计算bucket_id的损失权重

                _, eval_loss, _ = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, True)

                eval_ppx = math.exp(eval_loss) if eval_loss < 300 else float('inf')

                print(bucket_id, eval_ppx)#输出的是bucket_id与eval_ppx

（4）模型测试

#coding=utf-8

#（4）使用训练好的模型

import tensorflow as tf  # 0.12

# from tensorflow.models.rnn.translate import seq2seq_model

from tensorflow.models.tutorials.rnn.chatbot import seq2seq_model#注意 seq2seq_model这个需要自己去下载，根据自己的路径进行导入

# 本人将seq2seq_model模块下载后 复制到tensorflow/models/tutorials/rnn/chatbot/路径下，所以才这样进行导入

import os

import numpy as np

PAD_ID = 0

GO_ID = 1

EOS_ID = 2

UNK_ID = 3

tf.reset_default_graph()

#词汇表路径path

train_encode_vocabulary = 'train_encode_vocabulary'

train_decode_vocabulary = 'train_decode_vocabulary'

#读取词汇表

def read_vocabulary(input_file):

    tmp_vocab = []

    with open(input_file, "r",encoding='utf-8') as f:

        tmp_vocab.extend(f.readlines())#打开的文件全部读入input_file中

    tmp_vocab = [line.strip() for line in tmp_vocab]#转换成列表

    vocab = dict([(x, y) for (y, x) in enumerate(tmp_vocab)])

    return vocab, tmp_vocab#返回字典，列表

vocab_en, _, = read_vocabulary(train_encode_vocabulary)#得到词汇字典

_, vocab_de, = read_vocabulary(train_decode_vocabulary)#得到词汇列表

# 词汇表大小5000

vocabulary_encode_size = 5000

vocabulary_decode_size = 5000

buckets = [(5, 10), (10, 15), (20, 25), (40, 50)]

layer_size = 256  # 每层大小

num_layers = 3  # 层数

batch_size = 1

model = seq2seq_model.Seq2SeqModel(source_vocab_size=vocabulary_encode_size, target_vocab_size=vocabulary_decode_size,

                                  buckets=buckets, size=layer_size, num_layers=num_layers, max_gradient_norm=5.0,

                                  batch_size=batch_size, learning_rate=0.5, learning_rate_decay_factor=0.99,

                                  forward_only=True)

#模型说明：源,目标词汇尺寸=vocabulary_encode(decode)_size;batch_size:训练期间使用的批次的大小;#forward_only:仅前向不传递误差

model.batch_size = 1#batch_size=1

with tf.Session() as sess:#打开作为一次会话

    # 恢复前一次训练

    ckpt = tf.train.get_checkpoint_state('.')#从检查点文件中返回一个状态(ckpt)

    #如果ckpt存在，输出模型路径

    if ckpt != None:

        print(ckpt.model_checkpoint_path)

        model.saver.restore(sess, ckpt.model_checkpoint_path)#储存模型参数

    else:

        print("没找到模型")

    #测试该模型的能力

    while True:

        input_string = input('me > ')

    # 退出

        if input_string == 'quit':

          exit()

        input_string_vec = []#输入字符串向量化

        for words in input_string.strip():

            input_string_vec.append(vocab_en.get(words, UNK_ID))#get()函数：如果words在词表中，返回索引号；否则，返回UNK_ID

        bucket_id = min([b for b in range(len(buckets)) if buckets[b][0] > len(input_string_vec)])#保留最小的大于输入的bucket的id

        encoder_inputs, decoder_inputs, target_weights = model.get_batch({bucket_id: [(input_string_vec, [])]}, bucket_id)

        #get_batch(A,B):两个参数，A为大小为len(buckets)的元组，返回了指定bucket_id的encoder_inputs,decoder_inputs,target_weights

        _, _, output_logits = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, True)

        #得到其输出

        outputs = [int(np.argmax(logit, axis=1)) for logit in output_logits]#求得最大的预测范围列表

        if EOS_ID in outputs:#如果EOS_ID在输出内部，则输出列表为[,,,,:End]

            outputs = outputs[:outputs.index(EOS_ID)]

        response = "".join([tf.compat.as_str(vocab_de[output]) for output in outputs])#转为解码词汇分别添加到回复中

        print('AI--PigPig > ' + response)#输出回复

测试结果：

以下为训练5500步后的测试结果：

【最终结果有待更新】

傲娇属性get

CABAF72B09E4430E943F1A7666CE8E43.jpg

训练10000步后，开始变得可爱了 ^ _ ^

1D3E29D88F384BDAA218B2E74437DA9D.jpg