5分钟NLP：Python文本生成的Beam Search解码

贪婪搜索是在每个时间步中选择概率最高的单词，也是我们最常用的一种方法，Beam Search不取每个标记本身的绝对概率，而是考虑每个标记的所有可能扩展。然后根据其对数概率选择最合适的标记序列。

例如令牌的概率如下所示:

例如，Pancakes + looks时间段1的概率等效于：

Pancakes looks so = log（0.2） + log（0.7）= -1.9
Pancakes looks fluffy  = log（0.2） + log（0.3）= -2.8
1
2

所以我们需要定义一个函数来完成整句的概率计算：

import torch.nn.functional as F
def log_probability_single(logits, labels):
    logp = F.log_softmax(logits, dim=-1)
    logp_label = torch.gather(logp, 2, labels.unsqueeze(2)).squeeze(-1)
    return logp_label
def sentence_logprob(model, labels, input_len=0):
    with torch.no_grad():
        result = model(labels)
        log_probability = log_probability_single(result.logits[:, :-1, :],
                                                 labels[:, 1:])
    sentence_log_prob = torch.sum(log_probability[:, input_len:])
    return sentence_log_prob.cpu().numpy()
1
2
3
4
5
6
7
8
9
10
11
12

接下来，可以将其应用于贪婪搜索解码方法生成的输出，并计算生成的序列的对数概率。

在此示例中，我将在村上春木的书中简要介绍：1Q84。

input_sentence = "A love story, a mystery, a fantasy, a novel of self-discovery, a dystopia to rival George Orwell’s — 1Q84 is Haruki Murakami’s most ambitious undertaking yet: an instant best seller in his native Japan, and a tremendous feat of imagination from one of our most revered contemporary writers."

max_sequence = 100
input_ids = tokenizer(input_sentence,
                      return_tensors='pt')['input_ids'].to(device)
output = model.generate(input_ids, max_length=max_sequence, do_sample=False)

greedy_search_output = sentence_logprob(model,
                                        output,
                                        input_len=len(input_ids[0]))
print(tokenizer.decode(output[0]))
1
2
3
4
5
6
7
8
9
10
11

我们可以看到生成的序列的对数概率为-52.31。

现在，我们将并比较通过Beam Search生成的序列的对数概率得分，得分越高潜在结果越好。

我们可以增加n-gram惩罚参数no_repeat_ngram_size，这有助于减少输出中的重复生成的序列。

beam_search_output = model.generate(input_ids,
                                    max_length=max_sequence,
                                    num_beams=5,
                                    do_sample=False,
                                    no_repeat_ngram_size=2)
beam_search_log_prob = sentence_logprob(model,
                                        beam_search_output,
                                        input_len=len(input_ids[0]))
print(tokenizer.decode(beam_search_output[0]))
print(f"\nlog_prob: {beam_search_log_prob:.2f}")
1
2
3
4
5
6
7
8
9
10

输出如下：

分时和连贯性要比贪婪的方法好很多，对吧。

https://avoid.overfit.cn/post/c4b9e590e7464b059fb6d756b3f794e2

作者：Jason LZP