TensorFlow 语言模型训练实战

实验1:PTB数据集实验

教程: https://www.tensorflow.org/versions/r0.12/tutorials/recurrent/

数据地址: http://www.fit.vutbr.cz/~imikolov/rnnlm/simple-examples.tgz

下载解压后,./simple-examples/data下的文件:

README
ptb.char.test.txt
ptb.char.train.txt
ptb.char.valid.txt
ptb.test.txt
ptb.train.txt
ptb.valid.txt

ptb.*.txt 格式一样,每行一个句子,每个单词用空格相隔,分别作为训练集、验证集和测试集

ptb.char.*.txt 格式一样,每个字符用空格相隔,每个单词用"_"相隔

代码地址: https://github.com/tensorflow/models/blob/master/tutorials/rnn/ptb/ptb_word_lm.py

运行code:

cd models/rnn/ptb
python ptb_word_lm.py --data_path=./simple-examples/data/ --model medium

迭代39次,最后两次迭代结果如下:

Epoch: 38 Learning rate: 0.001
0.008 perplexity: 53.276 speed: 8650 wps 
0.107 perplexity: 47.396 speed: 8614 wps 
0.206 perplexity: 49.082 speed: 8635 wps 
0.306 perplexity: 48.002 speed: 8643 wps 
0.405 perplexity: 47.800 speed: 8646 wps 
0.505 perplexity: 47.917 speed: 8649 wps 
0.604 perplexity: 47.110 speed: 8650 wps 
0.704 perplexity: 47.361 speed: 8651 wps 
0.803 perplexity: 46.620 speed: 8652 wps 
0.903 perplexity: 45.850 speed: 8652 wps 
Epoch: 38 Train Perplexity: 45.906
Epoch: 38 Valid Perplexity: 88.246
Epoch: 39 Learning rate: 0.001
0.008 perplexity: 52.994 speed: 8653 wps 
0.107 perplexity: 47.077 speed: 8655 wps 
0.206 perplexity: 48.910 speed: 8493 wps 
0.306 perplexity: 48.088 speed: 8545 wps 
0.405 perplexity: 47.966 speed: 8573 wps 
0.505 perplexity: 47.977 speed: 8589 wps 
0.604 perplexity: 47.122 speed: 8601 wps 
0.704 perplexity: 47.305 speed: 8609 wps 
0.803 perplexity: 46.564 speed: 8615 wps 
0.903 perplexity: 45.826 speed: 8620 wps 
Epoch: 39 Train Perplexity: 45.873
Epoch: 39 Valid Perplexity: 88.185
Test Perplexity: 83.922

在Tesla M40 24GB上训练花了大约70分钟。

其他参考:
http://www.cnblogs.com/edwardbi/p/5554353.html

实验2:Char-RNN 实验

代码和教程: https://github.com/sherjilozair/char-rnn-tensorflow

训练数据:福尔摩斯探案全集 (下载地址)

下载下来是纯文本文件,一共66766行。按照教程放在./data/sherlock下并重命名为input.txt.

目标: 训练语言模型,然后输出句子

训练

python train.py --data_dir=./data/sherlock > 1.log 2>&1&

有很多参数可调,结果默认保存在目录./save下。训练一共花了约1小时22分。

默认是迭代50个epoch,实验中发现采用默认参数大约迭代10个epoch训练loss就没下降了,所以训练时可以加参数 --num_epochs 10.

测试

python sample.py --save_dir ./save -n 100

输出100个字符:

示例1(含空格)
   very occasion I could never see, this people, for if Lestrade to the Fingers for me. These pinded
示例2(含空格)
   CHAPTER V CORA" 2I Uppard in his leggy. You will give she.

     "But you
     remember that
示例3(含空格)
   CHAPTEBENII
     But the pushfuit who had honour had danger with such an instrumented. This sprang

语句并不是很通顺,但是单词基本上还是对的。

如果要进一步提升效果的话,可以清洗下语料,使每个输入都是完整的句子,同时尝试不同的模型参数。

不过更值得尝试的是中文数据,下次找一篇中文小说训练看看。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,829评论 1 331
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,603评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,846评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,600评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,780评论 3 272
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,695评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,136评论 2 293
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,862评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,453评论 0 229
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,942评论 2 233
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,347评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,790评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,293评论 3 221
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,839评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,448评论 0 181
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,564评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,623评论 2 249

推荐阅读更多精彩内容