百度AI Studio的问答推理与摘要的比赛项目代码。
😅虽然模型效果只有七八十分的大佬的一半还不到，收获还是挺多的。
pgn和seq2seq_tf2文件夹下放的是两个模型。
utils文件夹里是相关的辅助模型训练测试的代码。
notebook文件夹是我在调试代码时的笔记
data文件夹放数据(暂时还未上传)
原本模型decoder结构是和tensorflow的机器翻译示例模型的decoder结构一样的。
词向量的训练
12月31号之前，我的pgn跑出来的结果总是很差，图中12月29号的23.79分和17.78分就是pgn的结果，甚至比seq2seq还糟糕。
痛定思痛，好好看了pgn的论文和注意力机制的论文后，我发现虽然说都是seq2seq模型。二者还是有差别的，比如：获得的上下文向量context_vector的用法：
-
机器翻译模型是把context_vector和decoder输入词的词向量拼接后输进gru单元，gru的输出接入一个全连接层，算出预测词的分布
-
PGN的gru单元输入就只有输入词的词向量，context_vector是和gru的输出做拼接，再输入全连接层进行预测，论文里是有两层全连接层如果我没理解错的话。(不过下面右图只画了一层fc，其实应该多接一层)
区别如下图
我其实不太确定之前pgn效果不好，是否是因为我用了机器翻译的结构
反正后来我把pgn的decoder改进成右图的结构后，pgn模型效果提升得很明显， 仅仅一个epoch的得分就达到了26分(第一张图第二个结果)，seq2seq需要跑6轮才能得到这个分数。
我后来发现
把decoder中的 tf.keras.layers.GRU单元换成
tf.keras.layers.GRUCell单元，代码会更加简洁，省去了很多维度上tf.squeeze, tf.expand_dims的操作
而且单步调用的时候也更加方便
详见 pgn/layers.py Decoder部分
除此之外，我还把attention融进了decoder，这样代码看起来会更简洁
这部分的代码我进行了比较大的更改，也说不上是优化
源代码里有大量的列表生成式 ，比如
vocab_dists = [p_gen * dist for (p_gen, dist) in zip(p_gens, vocab_dists)]
在查阅资料了解到，列表太多的话用@tf.function加速代码反而效率不高。（虽然到最后我也没用成tf.function加速代码）
所以我把calc_final_dist()部分涉及到列表生产式的运算全部转换成了tensor之间的运算，经过对比发现，运算得到的final_dists结果和之前是一致的
一定程度上，部分代码的可读性也增强了，例：
_vocab_dists_pgn = vocab_dists * p_gens
详见 pgn/model.py _calc_final_dist部分
由于之前一直追求尽量实现tensor运算，摒弃list，我的损失函数看起来特别简洁：
比如log_loss()
def _log_loss(target, pred, dec_mask):
loss_ = loss_object(target, pred)
loss_ *= dec_mask
return tf.reduce_mean(loss_)cov_loss()
def _coverage_loss(attentions, coverages, dec_mask):
cov_loss = tf.minimum(attentions, coverages)
cov_loss = tf.expand_dims(dec_mask, -1) * cov_loss
cov_loss = tf.reduce_sum(cov_loss, axis=2)
return tf.reduce_mean(cov_loss)我觉得这也算是一个优化~~
详见 pgn/loss.py
之后结合新学的知识再继续改进模型吧，继续优化代码，增加可读性。
其他：
- 想办法整整tf.function加速运算(0%)
- 实现beam_search的加速。（因为beam_search预测得实在太慢，模型的跑分全是用的greedy_search）(0%)
- 把gru单元换成lstm单元试试(80%)
里边notebook的文件夹记录了很多我的学习笔记（虽然还很乱）,有的还配了图比如下面：
我以后还会继续更新，完善notebook，复习的同时把自己学到的知识做成一个教程。
