深度学习【PyTorch中序列化容器、QA机器人、环境准备】

hike
44 阅读8分钟

本文已参与「新人创作礼」活动，一起开启掘金创作之路。

一 Pytorch中的序列化容器

1. 梯度消失和梯度爆炸

在使用pytorch中的序列化容器之前，先来了解一下常见的梯度消失和梯度爆炸的问题

1.1 梯度消失

假设有四层极简神经网络：每层只有一个神经元

在这里插入图片描述

获取 w 1 的梯度有：▽ w 1 = x 1 ∗ f ( a 1 ) ’ ∗ w 2 ∗ f ( b 1 ) ’ ∗ w 3 ∗ ▽ o u t 获取w1的梯度有：▽w1 = x1*f(a1)’*w2*f(b1)’*w3*▽out 获取w1的梯度有：▽w1=x1∗f(a1)’∗w2∗f(b1)’∗w3∗▽out

假设使用sigmoid激活函数，即f为sigmoid函数，sigmoid的导数如下图

在这里插入图片描述

假设每层都取得sigmoid导函数的最大值1/4，那么在反向传播时， X 1 = 0.5 , w 1 = w 2 = w 3 = 0.5 X1=0.5,w1=w2=w3=0.5 X1=0.5,w1=w2=w3=0.5

∇ w 1 < 1 2 ∗ 1 4 ∗ 1 2 ∗ 1 4 ∗ 1 2 ∗ ∇ o u t = 1 2 7 ∇ o u t \nabla w1< \frac{1}{2} * \frac{1}{4}* \frac{1}{2}* \frac{1}{4}*\frac{1}{2}*\nabla out = \frac{1}{2^7} \nabla out ∇w1<21​∗41​∗21​∗41​∗21​∗∇out=271​∇out

当权重初始过小或使用易饱和神经元(sigmoid,tanh，) sigmoid在y=0,1处梯度接近0，而无法更新参数，神经网络在反向传播时也会呈现指数倍缩小，产生“消失”现象。

1.2 梯度爆炸

假设 X 2 = 2 , w 1 = w 2 = w 3 = 2 X2=2,w1=w2=w3=2 X2=2,w1=w2=w3=2

$\nabla w1 = f’{a}2f‘{a}*x2\nabla out = 23f’(a)2 \nabla out $

当权重初始过大时，梯度神经网络在反向传播时也会呈现指数倍放大，产生“爆炸”现象。

1.3 解决梯度消失或者梯度爆炸的经验

  1. 替换易训练神经元

    在这里插入图片描述

  2. **改进梯度优化算法：**使用adam等算法

  3. 使用batch normalization

2. nn.Sequential

nn.Sequential是一个有序的容器，其中传入的是构造器类(各种用来处理input的类)，最终input会被Sequential中的构造器类依次执行

例如：

layer = nn.Sequential(
            nn.Linear(input_dim, n_hidden_1), 
            nn.ReLU(True)， #inplace=False 是否对输入进行就地修改，默认为False
            nn.Linear(n_hidden_1, n_hidden_2)，
            nn.ReLU(True)，
            nn.Linear(n_hidden_2, output_dim) # 最后一层不需要添加激活函数
             )

在上述内容中，可以直接调用layer(x)，得到输出

x的被执行顺序就是Sequential中定义的顺序：

  1. 被隐层1执行，形状变为[batch_size,n_hidden_1]
  2. 被relu执行，形状不变
  3. 被隐层2执行，形状变为[batch_size,n_hidden_2]
  4. 被relu执行，形状不变
  5. 被最后一层执行，形状变为[batch_size,output_dim]

2. nn.BatchNorm1d

batch normalization 翻译成中文就是批规范化，即在每个batch训练的过程中，对参数进行归一化的处理，从而达到加快训练速度的效果。

以sigmoid激活函数为例，反向传播的过程中，在值为0,1的时候，梯度接近0，导致参数被更新的幅度很小，训练速度慢。但是如果对数据进行归一化之后，就会尽可能的把数据规范到[0-1]的范围，从而让参数更新的幅度变大，提高训练的速度。

batchNorm一般会放到激活函数之后，即对输入进行激活处理之后再进入batchNorm

layer = nn.Sequential(
            nn.Linear(input_dim, n_hidden_1),
    		
            nn.ReLU(True)， 
    		nn.BatchNorm1d(n_hidden_1)
    
            nn.Linear(n_hidden_1, n_hidden_2)，
            nn.ReLU(True)，
    		nn.BatchNorm1d(n_hidden_2)

            nn.Linear(n_hidden_2, output_dim) 
             )

4. nn.Dropout

dropout可以理解为对参数的随机失活

  1. 增加模型的稳健性
  2. 可以解决过拟合的问题（增加模型的泛化能力）
  3. 可以理解为训练后的模型是多个模型的组合之后的结果，类似随机森林。
layer = nn.Sequential(
            nn.Linear(input_dim, n_hidden_1),
            nn.ReLU(True)， 
    		nn.BatchNorm1d(n_hidden_1)
    		nn.Dropout(0.3) #0.3 为dropout的比例，默认值为0.5
    
            nn.Linear(n_hidden_1, n_hidden_2)，
            nn.ReLU(True)，
    		nn.BatchNorm1d(n_hidden_2)
    		nn.Dropout(0.3)
    
            nn.Linear(n_hidden_2, output_dim) 
             )

二 问答机器人介绍

1. 目前企业中的常见的聊天机器人

  1. QA BOT（问答机器人）：回答问题

    1. 代表 ：智能客服、
    2. 比如：提问和回答

  2. TASK BOT (任务机器人)：帮助人们做事情

    1. 代表：siri
    2. 比如：设置明天早上9点的闹钟

  3. CHAT BOT(聊天机器人)：通用、开放聊天

    1. 代表：微软小冰

2. 常见的聊天机器人怎么实现的

2.1 问答机器人的常见实现手段

  1. 信息检索、搜索 （简单，效果一般，对数据问答对的要求高）

    关键词：tfidf、SVM、朴素贝叶斯、RNN、CNN

  2. 知识图谱（相对复杂，效果好，很多论文）

    在图形数据库中存储知识和知识间的关系、把问答转化为查询语句、能够实现推理

2.2 任务机器人的常见实现思路

  1. 语音转文字
  2. 意图识别、领域识别、文本分类
  3. 槽位填充：比如买机票的机器人，使用命令体识别填充 从{位置}到{位置}的票2个位置的
  4. 回话管理、回话策略
  5. 自然语言生成
  6. 文本转语音

2.3 闲聊机器人的常见实现思路

  1. 信息检索（简单、能够回答的话术有限）
  2. seq2seq 和变种（答案覆盖率高，但是不能保证答案的通顺等）

2. 企业中的聊天机器人是如何实现的

2.1 阿里小蜜-电商智能助理是如何实现的

参考地址：https://juejin.im/entry/59e96f946fb9a04510499c7f

2.1.1 主要交互过程

在这里插入图片描述

从图可以看出：

  1. 输入：语音转化为文本，进行理解之后根据上下文得到语义的表示
  2. 输出：根据语义的表是和生成方法得到文本，再把文本转化为语音输出
2.1.2 技术架构

在这里插入图片描述

可以看出其流程为：

  1. 判断用户意图
  2. 如果意图为面向目标：可能是问答型或者是任务型
  3. 如果非面向目标：可能是语聊型
2.1.3 检索模型流程（小蜜还用了其他的模型，这里以此为例）

在这里插入图片描述

通过上图可知，小蜜的检索式回答的流程大致为：

  1. 对问题进行处理
  2. 根据问题进行召回，使用了提前准备的结构化的语料和训练的模型
  3. 对召回的结果进行组长和日志记录
  4. 对召回的结果进行相似度计算，情感分析和属性识别
  5. 返回组装的结果

2.2 58同城智能客服帮帮如何实现的

参考地址：http://www.6aiq.com/article/1536149308075?p=1&m=0

2.2.1 58客服体系

在这里插入图片描述

58的客服主要用户为公司端和个人端，智能客服主要实现自动回答，如果回答不好会转到人工客服，其中自动回答需要覆盖的问题包括：业务咨询、投诉建议等

2.2.2 58智能客服整体架构

在这里插入图片描述

整体来看，58的客服架构分为三个部分

  1. 基础服务，实现基础的NLP的功能和意图识别
  2. 应用对话部分实现不同意图的模型，同时包括编辑运营等内容
  3. 提供对外的接口

2.2.3 业务咨询服务流程

大致流程

在这里插入图片描述

KB-bot的流程大致为：

  1. 对问题进行基础处理
  2. 对答案通过tfidf等方法进行召回
  3. 对答案通过规则、深度神经网络等方法进行重排序
  4. 返回答案排序列表
使用融合的模型

在这里插入图片描述

在问答模型的深度网络模型中使用了多套模型进行融合来获取结果

  1. 在模型层应用了 FastText、TextCNN 和 Bi-LSTM 等模型
  2. 在特征层尝试使用了单字、词、词性、词语属性等多种特征

通过以上两个模型来组合获取相似的问题，返回相似问题ID对应的答案

2.2.4 58的闲聊机器人

58同城的闲聊机器人使用三种方法包括：

  1. 基于模板匹配的方法
  2. 基于搜索的方式获取（上上图）
  3. 使用seq2seq的神经网络来实现

2.2.5 解决不了转人工服务

​ 智能客服解决不了的可以使用人工客服来实现

三 需求分析和流程介绍

1. 需求分析

实现聊天机器人，起到智能客服的效果，能够为使用app的用户解决基础的问题，而不用额外的人力。

但是由于语料的限制，所以这里使用了编程相关的问题，能够回答类似：python是什么，python有什么优势等问题

2. 实现流程

2.1 整体架构

在这里插入图片描述

整个流程的描述如下：

  1. 接受用户的问题之后，对问题进行基础的处理
  2. 对处理后的问题进行分类，判断其意图
  3. 如果用户希望闲聊，那么调用闲聊模型返回结果
  4. 如果用户希望咨询问题，那么调用问答模型返回结果

2.2 闲聊模型

闲聊模型使用了seq2seq模型实现

包含：

  1. 对数据的embedding
  2. 编码层
  3. attention机制的处理
  4. 解码层

在这里插入图片描述

2.4 问答模型

问答模型使用了召回和排序的机制来实现，保证获取的速度的同时保证了准确率

  1. 问题分析：对问题进行基础的处理，包括分词，词性的获取，词向量的获取
  2. 问题的召回：通过机器学习的方法进行海选，海选出大致满足要求的相似问题的前K个
  3. 问题的排序：通过深度学习的模型对问题计算准确率，进行排序
  4. 设置阈值，返回结果
    在这里插入图片描述

四 环境准备

1. Anaconda环境准备

  1. 下载地址：https://mirror.tuna.tsinghua.edu.cn/help/anaconda/

  2. 下载对应电脑版本软件，安装

    1. windows ：双击exe文件
    2. unix：给sh文件添加可执行权限，执行sh文件

  3. 添加到环境变量

    1. windows安装过程中勾选
    2. unix：export PATH="/root/miniconda3/bin:$PATH"

  4. 创建虚拟环境

    1. conda create -n 名字 python=3.6(版本)
    2. 查看所有虚拟环境： conda env list

  5. 切换到虚拟环境

    1. conda activate 名字

  6. 退出虚拟环境

    1. conda deactivate 名字

2. fasttext安装

文档地址：https://fasttext.cc/docs/en/support.html

github地址：<https://github.com/facebookresearch/fastText

安装步骤：

  1. 下载 git clone https://github.com/facebookresearch/fastText.git
  2. cd cd fastText
  3. 安装 python setup.py install

3. pysparnn安装

文档地址：https://github.com/facebookresearch/pysparnn

安装步骤：

  1. 下载：git clone https://github.com/facebookresearch/pysparnn.git
  2. 安装：python setupy.py install
avatar
文章
阅读
粉丝