張正旺

【摘 要】古詩(shī)是中華民族的文化瑰寶?；赥ransformer模型，利用開(kāi)源的深度學(xué)習(xí)庫(kù)Tensor2Tensor，僅需編寫(xiě)幾十行代碼即可創(chuàng)建出一個(gè)寫(xiě)詩(shī)機(jī)器人。結(jié)果表明，該寫(xiě)詩(shī)機(jī)器人能夠?qū)懗龈袷揭?guī)范，頗具意境的七言古詩(shī)。

【關(guān)鍵詞】Transformer模型；深度學(xué)習(xí)；Tensor2Tensor；寫(xiě)詩(shī)機(jī)器人

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）33-0004-003

DOI：10.19694/j.cnki.issn2095-2457.2018.33.002

【Abstract】Ancient poetry is a cultural treasure of the Chinese nation. Based on the Transformer model and using the open source deep learning library Tensor2Tensor， a poetry writing robot can be created with only dozens of lines of code. The result shows that the poem writing robot can write seven-character ancient poetry with standard format and artistic conception.

【Key words】Transformer model； Deep learning； Tensor2Tensor； Writing robot

0 引言

古詩(shī)是中華民族的文化瑰寶，其結(jié)構(gòu)精練，韻律優(yōu)美，意境高雅，具有穿越歷史時(shí)空的創(chuàng)造力、影響力和吸引力，眾多古詩(shī)流傳至今并仍讓我們深深為之著迷。人工智能（Artificial Intelligence），簡(jiǎn)稱AI，其研究始于1956年的達(dá)特茅斯會(huì)議，與歷史悠久的古詩(shī)相比，人工智能是一項(xiàng)非常年輕的技術(shù)。隨著大數(shù)據(jù)的積累和計(jì)算機(jī)軟硬件性能的提升，人工智能在各領(lǐng)域展現(xiàn)出極為廣闊的發(fā)展和應(yīng)用空間。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，是現(xiàn)階段實(shí)現(xiàn)人工智能的一種主要技術(shù)手段。深度學(xué)習(xí)的應(yīng)用場(chǎng)景主要有：圖像識(shí)別與處理、目標(biāo)檢測(cè)、語(yǔ)音識(shí)別、自動(dòng)駕駛、自然語(yǔ)言處理等?；谏疃葘W(xué)習(xí)，利用自然語(yǔ)言處理相關(guān)技術(shù)，可以將計(jì)算機(jī)訓(xùn)練成一個(gè)寫(xiě)詩(shī)機(jī)器機(jī)器人，讓計(jì)算機(jī)自動(dòng)生成格式規(guī)范的古詩(shī)。

1 研究現(xiàn)狀

近年來(lái)，隨著深度學(xué)習(xí)的快速發(fā)展，利用基于深度學(xué)習(xí)的自然語(yǔ)言處理技術(shù)自動(dòng)生成古詩(shī)的研究得到了學(xué)術(shù)界的廣泛關(guān)注。桂林電子科技大學(xué)的黃文明等[1]采用一種基于注意力機(jī)制的序列到序列模型得到作詩(shī)大綱，然后利用具有雙編碼器和注意力機(jī)制的序列到序列模型順序地生成詩(shī)的每一行。北京郵電大學(xué)的李爭(zhēng)[2]基于遞歸神經(jīng)網(wǎng)絡(luò)的古詩(shī)自動(dòng)生成模型能夠在給定關(guān)鍵詞的情況下自動(dòng)生成與其語(yǔ)義相關(guān)的古詩(shī)內(nèi)容。中國(guó)科學(xué)技術(shù)大學(xué)的蔣亮[3]設(shè)計(jì)了一種基于記憶的深度神經(jīng)網(wǎng)絡(luò)模型自動(dòng)基于圖片生成中國(guó)古詩(shī)，該模型可以很有效地挖掘圖片中的視覺(jué)信息及語(yǔ)義信息。清華大學(xué)的Yi Xiaoyuan等[4]將古詩(shī)句的生成看作一個(gè)序列到序列的學(xué)習(xí)問(wèn)題，基于遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的Encoder-Decoder模型，構(gòu)建了一個(gè)以關(guān)鍵詞為輸入四行詩(shī)自動(dòng)生成系統(tǒng)，該系統(tǒng)能學(xué)習(xí)詩(shī)中單行的語(yǔ)義、行與行之間的語(yǔ)義相關(guān)性及結(jié)構(gòu)、平仄模式的使用。愛(ài)丁堡大學(xué)的Zhang Xingxing等[5]提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的詩(shī)歌生成模型，該模型非常善于捕捉和學(xué)習(xí)詩(shī)歌的內(nèi)容和形式。

這些研究多數(shù)基于傳統(tǒng)的RNN模型，均可自動(dòng)生成格式規(guī)范的古詩(shī)，但他們都需要研究者自己編寫(xiě)大量代碼來(lái)完成系統(tǒng)的開(kāi)發(fā)。GOOGLE大腦的研究人員[6]于2017年提出了一個(gè)摒棄了RNN結(jié)構(gòu)，完全基于注意力機(jī)制的Transformer模型，隨后他們開(kāi)源了一個(gè)基于Tensorflow框架的深度學(xué)習(xí)庫(kù)Tensor2Tensor，該庫(kù)提供了用于自然語(yǔ)言處理的Transformer模型。利用這個(gè)深度學(xué)習(xí)庫(kù)，基于Transformer模型，僅需編寫(xiě)少量代碼，即可簡(jiǎn)單快捷地訓(xùn)練出一個(gè)會(huì)寫(xiě)詩(shī)的人工智能機(jī)器人。

2 Transformer模型簡(jiǎn)介

古詩(shī)自動(dòng)生成是一個(gè)序列到序列問(wèn)題，目前處理這類問(wèn)題較為有效的框架為Encoder-Decoder模型，該模型的結(jié)構(gòu)如圖1所示。模型中的Encoder部分采用GRU（Gated Recurrent Unit）、LSTM（Long Short-Term Memory）等遞歸神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），以及RNN或CNN與注意力機(jī)制（Attention）相結(jié)合等機(jī)制學(xué)習(xí)源序列，得到一個(gè)固定長(zhǎng)度的向量表達(dá)式；模型中的Decoder部分以該向量表達(dá)式為輸入，采用類似與Encoder的機(jī)制學(xué)習(xí)，得到目標(biāo)序列。如圖1中的“羌笛何需怨楊柳”經(jīng)過(guò)Encoder后轉(zhuǎn)變?yōu)轭愃朴冢?.5，0.2，0.1，-0.6，-0.4，1.0，1.2，0.8）的向量，Decoder以這個(gè)向量作為輸入，最終可習(xí)得下一句詩(shī)“春風(fēng)不渡玉門關(guān)”。

Transformer是一種處理序列到序列問(wèn)題的新模型，其仍然沿用了經(jīng)典的Encoder-Decoder結(jié)構(gòu)，但不再使用RNN或CNN進(jìn)行序列建模，而是完全使用自我注意力（self-attention）制。GOOGLE研究的結(jié)果表明，與RNN或CNN等結(jié)構(gòu)相比，Transformer模型可以在減少計(jì)算量和提高并行效率的同時(shí)獲得更好的學(xué)習(xí)效果，其結(jié)構(gòu)如圖2所示[6]。

Transformer模型的Encoder部分由Nx個(gè)（Nx=6）相同的層堆疊而成，每一層有兩個(gè)子層，第一個(gè)子層是多頭自我注意力層（Multi-head Attention），第二個(gè)子層是密集型全連接前饋網(wǎng)絡(luò)層（Feed Forward Network），每個(gè)子層中均使用一次殘差連接。Decoder部分的結(jié)構(gòu)與Encoder相似，也是由6個(gè)完全相同的層堆疊組成，每一層除了包括Multi-Head Attention子層和Feed Forward Network子層外，還有一個(gè)遮擋式多頭自我注意力層（Masked Multi-Head Attention），每個(gè)子層中也使用一次殘差連接。

3 利用Transformer模型創(chuàng)建寫(xiě)詩(shī)機(jī)器人

Tensor2Tensor深度學(xué)習(xí)庫(kù)封裝了大量常見(jiàn)數(shù)據(jù)集和一些典型深度學(xué)習(xí)問(wèn)題，并提供了相應(yīng)模型用于解決各類問(wèn)題，目前可直接解決的問(wèn)題有：圖像分類，語(yǔ)言模型、情感分析、語(yǔ)音識(shí)別、文本摘要，機(jī)器翻譯等，利用庫(kù)中所提供的模型還可以處理自行創(chuàng)建的各類新問(wèn)題。寫(xiě)詩(shī)機(jī)器人需要用到Tensor2Tensor提供的Transformer模型。

3.1 數(shù)據(jù)準(zhǔn)備

七言古詩(shī)簡(jiǎn)稱七古，是古詩(shī)中形式最活潑、體裁最多樣、句法和韻腳處理最自由，抒情敘事最富有表現(xiàn)力的一種形式，詩(shī)體全篇每句七字或以七字句為主[7]。真正意義的七古成熟于唐朝，盛行于唐宋代。為方便訓(xùn)練，訓(xùn)練采用的數(shù)據(jù)集為唐宋兩代的七言絕句。數(shù)據(jù)來(lái)源于Github上由Werner[8]收集的中國(guó)古詩(shī)詞數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)共收錄了從先秦到現(xiàn)代的共計(jì)85萬(wàn)余首古詩(shī)詞。利用Python語(yǔ)句從與唐宋詩(shī)詞有關(guān)的五個(gè)CSV文件中提取出共79292首七言絕句作為訓(xùn)練數(shù)據(jù)集。

3.2 定義問(wèn)題與數(shù)據(jù)處理

在Tensor2Tensor中利用Transformer模型處理古詩(shī)自動(dòng)生成問(wèn)題，需要先編寫(xiě)一個(gè)定義新問(wèn)題的名為chinese_poetry.py的Python文件，代碼如下：

# coding=utf-8

from tensor2tensor.utils import registry

from tensor2tensor.data_generators import problem，text_problems

import re

@registry.register_problem

class ChinesePoetry（text_problems.Text2TextProblem）：

@property

def approx_vocab_size（self）：

return 2**15

@property

def is_generate_per_split（self）：

return False

@property

def dataset_splits（self）：

return[{"split"： problem.DatasetSplit.TRAIN， "shards"： 9，}，

{"split"： problem.DatasetSplit.EVAL， "shards"： 1， }]

def generate_samples（self， data_dir， tmp_dir， dataset_split）：

with open（'./ml/data/tang7.txt'） as opf：

for line in opf：

line = re.sub（'。'， '，'， line， count=1）

line = re.sub（'？'， '，'， line， count=1）

newline = line.split（'，'）

for i in range（3）：

prev_line = newline[i]

curr_line = newline[i+1]

yield{"inputs"： prev_line， "targets"： curr_line}

將chinese_poetry.py保存在chinese_poetry目錄下，并在該目錄下再創(chuàng)建一個(gè)名為_(kāi)_init__.py的Python文件，該文件只包含一句代碼：from . import chinese_poetry。

古詩(shī)自動(dòng)生成問(wèn)題類似于機(jī)器翻譯，是一個(gè)監(jiān)督學(xué)習(xí)問(wèn)題，計(jì)算機(jī)在學(xué)習(xí)大量的詩(shī)句對(duì)后，能夠根據(jù)一句詩(shī)自動(dòng)生成下一句。每首七言絕句可生成三個(gè)數(shù)據(jù)樣本：（1）以詩(shī)的第一行作為輸入序列，第二行作為目標(biāo)序列；（2）以詩(shī)的第二行作為輸入序列，第三行作為目標(biāo)序列；（3）以詩(shī)的第三行作為輸入序列，第四行作為目標(biāo)序列。安裝好Tensor2Tensor深度學(xué)習(xí)庫(kù)后，利用下列Tensor2Tensor命令根據(jù)原始數(shù)據(jù)（79292首七言絕句）生成237876對(duì)TFRecord格式的數(shù)據(jù)樣本：

t2t-datagen --t2t_usr_dir=chinese_poetry ＼

--problem=chinese_poetry ＼

--data_dir=chinese_poetry/data

3.3 訓(xùn)練

訓(xùn)練所使用機(jī)器配置如下：32G內(nèi)存，8G顯存的GTX 1070顯卡。訓(xùn)練所使用的命令如下：

t2t-trainer --t2t_usr_dir=chinese_poetry --problem=chinese_poetry ＼

--data_dir=chinese_poetry/data --output_dir=chinese_

poetry/train ＼

--model=transformer --hparams_set=transformer_base_

single_gpu ＼

--schedule=train --train_steps=500000

上述指令表示訓(xùn)練數(shù)據(jù)所采用的模型為Transformer模型，所采用的超參數(shù)集為 transformer_base_single_gpu，訓(xùn)練步數(shù)50萬(wàn)步。在訓(xùn)練了兩天又七個(gè)多小時(shí)后，一共訓(xùn)練了361800步，結(jié)果已基本收斂，因此停止繼續(xù)訓(xùn)練。

3.4 測(cè)試

訓(xùn)練好的模型就是一臺(tái)寫(xiě)詩(shī)機(jī)器人，只需要給訓(xùn)練好的模型提供一行詩(shī)句，模型即可自動(dòng)生成下一句。Tensor2Tensor提供了t2t-decoder這個(gè)命令來(lái)完成此類動(dòng)作。完整指令如下：

t2t-decoder --t2t_usr_dir=chinese_poetry --problem=chinese_poetry ＼

--data_dir=Chinese_poetry/data --output_dir=Chin-

ese_poetry/train ＼

--model=transformer --hparams_set=transformer_

base_single_gpu ＼

--decode_hparams="beam_size=4，alpha=0.6" ＼

--decode_from_file=Chinese_poetry/poetry.txt

以杜甫《聞官軍收河南河北》（這首詩(shī)不在訓(xùn)練集中）這首七律的首句“劍外忽傳收薊北”作為詩(shī)的第一句，讓訓(xùn)練出來(lái)的寫(xiě)詩(shī)機(jī)器人相繼生成后續(xù)詩(shī)句，結(jié)果如圖3所示。

輸入“劍外忽傳收薊北”后，計(jì)算機(jī)生成的下一句為“又煩前送相公歸”；輸入變?yōu)椤坝譄┣八拖喙珰w”，計(jì)算機(jī)生成“人間父子無(wú)窮勝”；以“人間父子無(wú)窮勝”為輸入序列，輸出結(jié)果為“筆下明明開(kāi)辟初”。從生成結(jié)果來(lái)看，生成的古詩(shī)非常規(guī)范，亦頗有意境，描述了一幅戰(zhàn)后親人即將團(tuán)聚的景象。

4 討論與結(jié)語(yǔ)

通過(guò)與訓(xùn)練數(shù)據(jù)對(duì)比可以發(fā)現(xiàn)，上面生成的最后一行詩(shī)“筆下明明開(kāi)辟初”完完全全來(lái)自于訓(xùn)練數(shù)據(jù)，其原因可能是因?yàn)閿?shù)據(jù)量不夠，訓(xùn)練時(shí)出現(xiàn)過(guò)擬合現(xiàn)象。為了防止訓(xùn)練數(shù)據(jù)里詩(shī)句被寫(xiě)詩(shī)機(jī)器人原樣照抄，減少過(guò)擬合，除了增大訓(xùn)練數(shù)據(jù)量外，還可調(diào)整模型中的一些正則化超參的值，如Dropout值等，后期也應(yīng)該增加一些防剽竊處理措施。此外，此寫(xiě)詩(shī)機(jī)器人僅僅依據(jù)詩(shī)的上一句來(lái)生成下一句，訓(xùn)練后容易導(dǎo)致寫(xiě)出來(lái)的詩(shī)主題不明確，內(nèi)容不清晰。因此，對(duì)于七言絕句而言，可以通過(guò)如下兩種方式增加訓(xùn)練樣本：（1）以詩(shī)的第一行加第二行作為輸入序列，第三行作為目標(biāo)序列；（2）以詩(shī)的一二三行作為輸入序列，第四行作為目標(biāo)序列。

在技術(shù)進(jìn)步的引導(dǎo)下，在國(guó)內(nèi)外眾多大公司的鼎力支持下，深度學(xué)習(xí)系統(tǒng)的開(kāi)發(fā)逐漸趨于平民化，即不需要具備很強(qiáng)的人工智能專業(yè)背景，也可利用現(xiàn)成的框架開(kāi)發(fā)出具有實(shí)用價(jià)值的深度學(xué)習(xí)系統(tǒng)，深度學(xué)習(xí)模型的使用門檻越來(lái)越低，深度學(xué)習(xí)技術(shù)的使用變得越來(lái)越簡(jiǎn)單。如前所示，寥寥幾十行代碼，即可借助Tensor2Tensor深度學(xué)習(xí)庫(kù)開(kāi)發(fā)出一個(gè)人工智能寫(xiě)詩(shī)機(jī)器人，但要想獲得比較好的學(xué)習(xí)結(jié)果，讓系統(tǒng)能真正寫(xiě)出比較完美的古詩(shī)，還有大量的工作可做。

【參考文獻(xiàn)】

[1]黃文明， 衛(wèi)萬(wàn)成與鄧珍榮， 基于序列到序列神經(jīng)網(wǎng)絡(luò)模型的古詩(shī)自動(dòng)生成方法. 計(jì)算機(jī)應(yīng)用研究： 第1-7頁(yè).

[2]李爭(zhēng)， 基于神經(jīng)網(wǎng)絡(luò)的古詩(shī)詞自動(dòng)生成研究， 2018， 北京郵電大學(xué). 第 1-66頁(yè).

[3]蔣亮， 深度神經(jīng)網(wǎng)絡(luò)在基于圖片生成中國(guó)古詩(shī)問(wèn)題中的研究與應(yīng)用， 2018， 中國(guó)科學(xué)技術(shù)大學(xué). 第1-67頁(yè).

[4]Yi Xiaoyuan， Li Ruoyu， Sun Maosong. Generating Chinese classical poems with RNN encoder-decoder. （2016-04-06）. https：//arxiv.org/abs/1604.01537.

[5]Zhang Xingxing， Mirella L. Chinese poetry generation with recurrent neural networks. Proc of Conference on Empirical Methods in Natural Language Processing. October 25-29， 2014， Doha， Qatar.

[6]Ashish Vaswani， Noam Shazeer， Niki Parmar， et.al. Attention Is All You Need. 31st Conference on Neural Information Processing Systems （NIPS 2017）， Long Beach， CA， USA.

[7]百度百科. https：//baike.baidu.com/item/七言古詩(shī).

[8]https：//github.com/werner-wiki/Poetry.