GPT2-chitchat: GPT2-chitchat 本项目使用GPT2模型对中文闲聊语料进行训练，使用 Hugg ...

原作者: [db:作者] 来自: 网络收藏邀请

开源软件名称：

GPT2-chitchat

开源软件地址：

https://gitee.com/gapyanpeng/GPT2-chitchat

开源软件介绍：

GPT2 for Chinese chitchat

UPDATE 2020.01.09

添加50w闲聊语料与预训练模型的GoogleDrive的下载地址

UPDATE 2019.12.17

基于微软的论文DialoGPT:Large-Scale Generative Pre-training for Conversational Response Generation添加了MMI Model(maximum mutual information scoring function),对dialogue model生成的多个response进行筛选

项目描述

本项目使用GPT2模型对中文闲聊语料进行训练，使用 HuggingFace的transformers实现GPT2模型的编写与训练。
在闲暇时间用 GPT2-Chinese模型训练了几个长文本的生成模型，并且精读了一遍作者的源码，获益匪浅，加深了自己对GPT2生成模型的一些理解，于是将GPT2模型用于闲聊对话的生成，非常感谢作者的分享。
本项目中沿用了原项目中的部分结构和一些命名方式，同时也对很多代码细节做出了自己实现。
解码器的逻辑使用了Temperature、Top-k Sampling和Nucleus Sampling等，可参考论文The Curious Case of Neural Text Degeneration
根据微软的DialoGPT的思想，在项目中添加了互信息。训练了两个模型:Dialogue Model与MMI Model(maximum mutual information scoring function)。首先使用Dialogue Model生成多个候选response，然后使用MMI Model从候选response中，选取loss最小的作为最终的response
代码中给出了许多详细的中文注释，方便大家更好地理解代码(能力有限，可能有些代码或注释有误，望大家不吝赐教)

运行环境

python3.6、 transformers==2.1.1、pytorch==1.3.1

项目结构

config:存放GPT2模型的参数的配置文件
data
- train.txt:默认的原始训练集文件，存放闲聊语料
- train_tokenized.txt:对原始训练语料进行顺序tokenize之后的文件，用于dialogue model的训练
- train_mmi_tokenized.txt:对原始训练语料进行逆序tokenize之后的文件，用于mmi model的训练
dialogue_model:存放对话生成的模型
mmi_model:存放MMI模型(maximum mutual information scoring function)，用于预测P(Source|response)
sample:存放人机闲聊生成的历史聊天记录
vocabulary:存放GPT2模型的字典
train.py:训练代码
interact.py:人机交互代码

模型参数(详见config/model_config_dialogue_small.json文件)

initializer_range: 0.02
layer_norm_epsilon: 1e-05
n_ctx: 300
n_embd: 768
n_head: 12
n_layer: 10
n_positions: 300
vocab_size: 13317

Dialogue Model

Dialogue Model是基于GPT2模型的生成模型，对每条训练数据进行"顺序"拼接，然后将其输入到网络中，进行训练(此处的"顺序"是相对于MMI Model的"逆序")

例如存在如下多轮闲聊训练数据,在训练Dialogue Model时，将上述训练数据进行如下拼接:"[CLS]想看你的美照[SEP]亲我一口就给你看[SEP]我亲两口[SEP]讨厌人家拿小拳拳捶你胸口[SEP]"。然后将上述拼接结果作为Dialogue Model的输入，对模型进行训练

想看你的美照亲我一口就给你看我亲两口讨厌人家拿小拳拳捶你胸口

MMI Model

MMI Model的思想基于微软的论文DialoGPT:Large-Scale Generative Pre-training for Conversational Response Generation

MMI Model也是一个基于GPT2的生成模型，将每条训练数据进行"逆序"拼接,然后输入到网络中。该模型主要用于计算Dialogue Model生成的所有候选response相对于dialogue history的loss。

训练时，将一条训练语料进行逆序拼接，如 "[CLS]讨厌人家拿小拳拳捶你胸口[SEP]我亲两口[SEP]亲我一口就给你看[SEP]想看你的美照[SEP]"，并作为MMI Model的输入进行训练

想看你的美照亲我一口就给你看我亲两口讨厌人家拿小拳拳捶你胸口

response生成步骤

假设当前dialogue history=["你好","你好呀","你在干嘛呢"]
首先使用Dialogue Model根据dialogue history生成n个候选response:["在看电视","我在上课啊","人家在想你啊","我不知道"]
使用MMI Model将每个候选response分别与dialogue history进行逆序拼接，如 "[CLS]在看电视[SEP]你在干嘛呢[SEP]你好呀[SEP]你好[SEP]"
将上述拼接结果作为MMI Model的输入，计算每个response的loss
选择loss最小的response作为最终的结果进行回复

闲聊语料分享

中文闲聊语料	数据集地址	语料描述
常见中文闲聊	chinese_chatbot_corpus	包含小黄鸡语料、豆瓣语料、电视剧对白语料、贴吧论坛回帖语料、微博语料、PTT八卦语料、青云语料等
50w中文闲聊语料	百度网盘【提取码:jk8d】或 GoogleDrive	由作者GaoQ1提供的比较高质量的闲聊数据集，整理出了50w个多轮对话的语料

50w中文闲聊语料的内容样例如下:

谢谢你所做的一切你开心就好开心嗯因为你的心里只有学习某某某，还有你这个某某某用的好你们宿舍都是这么厉害的人吗眼睛特别搞笑这土也不好捏但就是觉得挺可爱特别可爱啊今天好点了吗？一天比一天严重吃药不管用，去打一针。别拖着

模型分享

闲聊语料大小为67M，包含50w个多轮对话。使用该语料训练了两个模型dialogue_model与mmi_model

模型	百度网盘	GoogleDrive	模型描述
dialogue_model	百度网盘【提取码:osi6】	GoogleDrive	使用闲聊语料训练了40个epoch，最终loss在2.0左右，继续训练的话，loss应该还能继续下降。
mmi_model	百度网盘【提取码:1j88】	GoogleDrive	以dialogue_model作为预训练模型，使用上述闲聊语料，训练了40个epoch，最终loss在1.8-2.2之间，继续训练的话，loss也能继续下降。

模型使用方法

把下载好的模型文件夹dialogue_model与mmi_model放在项目根目录下(否则需要通过--dialogue_model_path与--mmi_model_path参数指定对应模型的路径)，执行如下命令:

仅使用dialogue_model进行生成

python interact.py --no_cuda(使用默认参数，不使用GPU。由于闲聊对话生成的内容长度不是很长，因此生成部分在CPU上跑速度也挺快的)或python interact.py --no_cuda --dialogue_model_path path_to_dialogue_model --max_history_len 5(自定义--max_history_len参数，即对话历史的长度)或python interact.py --no_cuda --dialogue_model_path path_to_dialogue_model --max_history_len 5 --topp 0.8 --topk 0(--topp为0到1之间的小数，用于调用Nucleus Sampling)或python interact.py --no_cuda --max_history_len 5 --topk 8(未指定--dialogue_model_path参数，默认为dialogue_model)

输入Ctrl+Z结束对话之后，聊天记录将保存到sample目录下的sample.txt文件中

使用dialogue_model生成多个候选response，然后使用mmi_model选取互信息loss最小的response

interact_mmi.py的用法与interact.py类似

python interact_mmi.py --no_cuda(使用默认的model路径)或python interact_mmi.py --no_cuda --batch_size 5(指定生成候选response的个数)或python interact_mmi.py --no_cuda --debug(debug模式，可以看到生成的所有候选response及其通过mmi_model的loss)或python interact_mmi.py --no_cuda --dialogue_model_path path_to_dialogue_model --mmi_model_path path_to_mmi_model(自定义模型路径)

输入Ctrl+Z结束对话之后，聊天记录将保存到sample目录下的mmi_samples.txt文件中

更多的参数介绍，可直接看interact.py和interact_mmi.py中的setup_train_args()函数中的参数说明

interact.py与interact_mmi.py的参数

执行interact.py时，可以尝试通过调整topk、topp、repetition_penalty、max_history_len等参数，调整生成的效果。详细的参数描述可以查看interact.py的set_interact_args()函数

训练模型

在项目根目录下创建data文件夹，将原始训练语料命名为train.txt，存放在该目录下。train.txt的格式如下，每段闲聊之间间隔一行。

avatar

训练模型：

# 若是训练mmi_model则需要指定--train_mmi参数；若是训练dialogue_model，则不需要指定--train_mmi参数#训练dialogue_modelpython train.py --epochs 30 --batch_size 8 --device 0,1 --raw(若要对原始训练语料进行tokenize，则要指定--raw参数。若要用GPU训练，则通过--device指定GPU)或python train.py --epochs 30 --batch_size 8 --no_cuda --raw(指定--no_cuda参数，则使用CPU训练，速度要慢得多)或python train.py --epochs 30 --batch_size 8 --no_cuda(若已经对原始语料进行tokenize，可以不用指定--raw，避免重复tokenize，节约时间)#训练mmi_model,要指定--train_mmi参数python train.py --epochs 30 --batch_size 8 --device 0,1 --raw --train_mmi(对原始训练语料进行逆序拼接，tokenize，并且训练mmi_model)或python train.py --epochs 30 --batch_size 8 --device 0,1 --train_mmi(若已经对原始训练语料tokenize，则直接训练mmi_model)或python train.py --epochs 30 --batch_size 8 --device 0,1 --train_mmi --pretrained_model path_to_pretrained_model(在与训练模型基础上继续训练)

更多的参数介绍，可直接看train.py中的setup_train_args()函数中的参数说明

interact.py生成样例

Sample 1:

  user :你好啊chatbot:你好，请问您是？  user :我是你的主人啊 chatbot:你是狗吗？  user :你才是狗chatbot:你不是狗我是你的小主人  user :你这个大笨蛋chatbot:你大笨蛋，你是想挨打了  user :你全家都是大笨蛋chatbot:我是你爸爸  user :算了，不跟你吵了，你在干嘛呢chatbot:我在上班啊，你还没下班呢啊你  user :我周末要做作业啊chatbot:不是才交了吗，早晚做完啊  user :好多作业啊，还没做完呢chatbot:我在抄，我妈让我周五交，还有事  user :你就不怕被你妈妈骂吗chatbot:不怕  user :你周末有去哪里玩吗chatbot:没时间啊，忙得很啊  user :忙着干嘛呢chatbot:不知道啊，我周末没有作业，我想睡觉，然后还得找人

Sample 2:

  user :你好啊chatbot:你好我好大家好  user :你在干嘛呢chatbot:你不上课啊  user :今天是周末啊，笨蛋chatbot:我在学校呢  user :我也是，周末还要做作业chatbot:我还没写呢我们都还没写  user :周末你有去哪里玩吗chatbot:没有去南京  user :南京有什么好玩的啊chatbot:我们没去南京  user :你刚刚又说你去了南京，你是不是耍我啊chatbot:我刚刚才到南京  user :你好笨啊chatbot:我没有  user :你是大笨蛋chatbot:你才是大笨蛋  user :你全家都是大笨蛋chatbot:你个傻冒  user :你个智障chatbot:哈哈哈

Sample 3:

  user :在干嘛chatbot:睡觉  user :这么早就睡觉啦chatbot:嗯啊你也早点睡啊  user :我再玩一会儿手机chatbot:早点休息晚安  user :拜拜啦chatbot:晚安晚安  user :多喝热水chatbot:哈哈哈  user :多喝热水chatbot:好的咯

Sample 4:

  user :在吗chatbot:在  user :我不开心chatbot:怎么啦  user :最近好累啊chatbot:是挺累的  user :作业好多啊chatbot:还好还好  user :我觉得我快要挂科了chatbot:我也是啊，但是我觉得我快熬出头了  user :不说了，我还有好多作业没写chatbot:我也是啊好多啊  user :那先这样，下次再聊，再见了chatbot:好哒

Sample 5:

  user :你去过广州吗chatbot:去过呀，但是没有找到工作呢  user :那你去过北京吗chatbot:没有啊  user :北京有什么好玩的chatbot:没有你想象的那么好  user :是吗，我还没过北京chatbot:那里我也不怎么熟，我去过北京  user :北京天安门呢chatbot:没去过，不过可以去玩玩

Sample 6:

  user :你好chatbot:你好  user :在干嘛呢chatbot:在想你呢  user :好害羞啊chatbot:害羞什么啊  user :你这样夸我，我觉得不好意思呀chatbot:我夸你你还不好意思呢  user :是啊，哈哈哈chatbot:你是不是在考验我  user :你怎么会这样想呢chatbot:我说我在夸你，这么客气，  user :你有睡午觉吗chatbot:有啊  user :我现在有点困呢chatbot:我也是  user :等下还要去上课，好烦啊chatbot:我们不用上课的呀

interact_mmi.py生成样例(debug模式下)

添加了MMI Model之后，效果确实提高了许多，可以看到，使用loss越小的response进行回复，对话越流畅

每个Sample为完整的一段对话，为了方便阅读，每轮对话之间加上了换行符。candidate response为dialogue model生成的候选response

需要指定--debug参数才会输出候选response及其loss

Sample 1:

user:你好candidate response:你好 loss:1.8774782419204712你好！ loss:2.1092255115509033你好 loss:1.8774782419204712你好，朋友 loss:1.9210820198059082你好！ loss:2.1092255115509033chatbot:你好user:在干嘛呢candidate response:上课玩手机 loss:1.8411542177200317上班呢 loss:1.8623629808425903上班啊 loss:1.8383764028549194刚吃完饭，你呢，我今天吃饱了没事，后天出去吃宵夜， loss:2.471815586090088刚刚搬家 loss:2.341609239578247chatbot:上班啊user:周末要一起出去玩吗candidate response:可以呀 loss:2.0150623321533203可以呀 loss:2.0150623321533203可以，你还是做老师吗 loss:2.2639517784118652可以啊 loss:1.9695569276809692周末要 loss:2.1701855659484863chatbot:可以啊user:我好想你啊candidate response:我也好想你啊 loss:1.8660272359848022那我们就可以一起出来玩呀 loss:2.046417236328125我也好想你啊 loss:1.8660272359848022我也很久没出去玩啦 loss:2.17940354347229来找我吧 loss:2.14339542388916chatbot:我也好想你啊user:爱你么么哒candidate response:么么哒 loss:1.6875463724136353好想你可是也不着急了 loss:2.2054319381713867么么哒 loss:1.6875463724136353你会爱上新花园的人吗 loss:2.521526575088501我也爱你 loss:1.6839145421981812chatbot:我也爱你user:你喜欢我吗candidate response:那必须是啊 loss:1.545378565788269喜欢你啊 loss:1.4527238607406616喜欢喜欢 loss:1.4971727132797241还行吧 loss:1.5946317911148071你是我的小公举么么哒你还不睡觉啊 loss:1.6506415605545044chatbot:喜欢你啊

Sample 2

user:亲爱的在干嘛呢candidate response:刚看了一个小片段子，好难过 loss:2.541116714477539你猜呀 loss:2.1126084327697754亲爱的休息啊 loss:2.073425054550171在家里玩儿 loss:1.9639413356781006我在等你啊 loss:1.9869526624679565chatbot:在家里玩儿user:作业写完了吗candidate response:没啊，你呢 loss:2.01458477973938没有今天刚写完 loss:2.0036869049072266没，今天刚写完 loss:2.0473012924194336没有 loss:1.9207587242126465没呢，明天上午没课 loss:1.943585753440857chatbot:没有user:还不快滚去写作业candidate response:我们还没写呢 loss:2.271885871887207我还没写呢 loss:2.1460421085357666哈哈哈我还没 loss:2.2205970287323去死 loss:2.469320058822632我们还要写作业 loss:2.247976779937744chatbot:我还没写呢user:你个大笨蛋candidate response:我就说 loss:2.052217483520508你个大傻纸 loss:1.9332027435302734可以 loss:2.0493569374084473你才是 loss:1.8672529458999634我们五月五号才放寒假 loss:2.1910266876220703chatbot:你才是user:你是傻子吧candidate response:是你是你 loss:2.3064982891082764你是大傻 loss:2.4247941970825195好好上课 loss:2.4157748222351074你是傻子你说谁是傻子 loss:2.1408958435058594是你才是 loss:2.4862639904022217chatbot:你是傻子你说谁是傻子user:说的就是你，怎样candidate response:傻子，你才傻 loss:2.2158799171447754我不傻 loss:2.188838005065918傻的跟你一样 loss:2.3169684410095215那你是聪明的小孩，你想怎样？ loss:2.2750229835510254你才傻 loss:2.262368679046631chatbot:我不傻user:不和你玩了candidate response:你怎么那么傻 loss:2.126516819000244我是傻子 loss:2.044743061065674我不和你说话了 loss:2.107841730117798不要 loss:2.124176502227783我不和你玩你说我傻 loss:2.1581454277038574chatbot:我是傻子