ai-school/exp3/modified/predict.py

from pathlib import Path
import sys
import numpy
import torch
import torch.nn.functional as F
import settings
from dataset import Tokenizer, PoetryDataLoader
from model import Rnn

sys.path.append(str(Path(__file__).resolve().parent.parent.parent))
import gpu_utils


def generate_random_poetry(tokenizer: Tokenizer, model: Rnn, device: torch.device, s: str=''):
    """
    随机生成一首诗

    :param tokenizer: 分词器
    :param model: 用于生成古诗的模型
    :param s: 用于生成古诗的起始字符串，默认为空串
    :return: 一个字符串，表示一首古诗
    """
    # 将初始字符串转成token
    token_ids = tokenizer.encode(s)

    # 去掉结束标记[SEP]
    token_ids = token_ids[:-1]
    while len(token_ids) < settings.POETRY_MAX_LEN:
        # 进行预测，其中batch_size=1
        input = torch.tensor(token_ids, dtype=torch.long).unsqueeze(0)
        output: torch.Tensor = model(input.to(device))
        # 计算最后一个字符的概率分布。
        # 由于后续预测概率时，需要批次维度，所以方括号里第一项写:保留批次维度。
        # 然后因为只有最后一个字符是预测的，其他字符都是辅助推断的，所以方括号第二项-1表示取这个最后一个字符。
        # 最后，它的概率分布中不包含[PAD][UNK][CLS]的概率分布，所以方括号第三项3:把这些东西删掉（这些编号是Tokenizer在编译时写死的，详细查看对应模块）。
        possibilities = F.softmax(output[:, -1, 3:])
        # 按照预测出的概率，随机选择一个词作为预测结果。
        # 如果需要贪心，则用argmax替代。
        target_index = torch.multinomial(possibilities, num_samples=1)
        # 记得把之前删除的维度加回来才是token id
        target_id = target_index + 3
        
        # 把target_id加入序列
        token_ids.append(target_id)
        # 如果target_id是[SEP]，表示输出结束，需要退出
        if target_id == 3: break
    
    # 解码并返回结果
    return tokenizer.decode(token_ids)


def generate_acrostic(tokenizer: Tokenizer, model: Rnn, device: torch.device, head: str):
    """
    随机生成一首藏头诗

    :param tokenizer: 分词器
    :param model: 用于生成古诗的模型
    :param head: 藏头诗的头
    :return: 一个字符串，表示一首古诗
    """
    # 使用空串初始化token_ids
    token_ids = tokenizer.encode('')
    # 去掉结束标记[SEP]，只保留[CLS]
    token_ids = token_ids[:-1]

    # 标点符号，这里简单的只把逗号和句号作为标点
    punctuations = ['，', '。']
    punctuation_ids = {tokenizer.token_to_id(token) for token in punctuations}

    # 缓存生成的诗的list
    poetry: list[str] = []
    # 对于藏头诗中的每一个字，都生成一个短句
    for ch in head:
        # 先记录下这个字
        poetry.append(ch)
        # 将藏头诗的字符转成token id
        token_id = tokenizer.token_to_id(ch)
        # 加入到列表中去
        token_ids.append(token_id)

        # 开始生成一个短句
        while True:
            # 与generate_random_poetry函数相同的方式，不断地生成诗句的下一个字。
            input = torch.tensor(token_ids, dtype=torch.long).unsqueeze(0)
            output: torch.Tensor = model(input.to(device))
            possibilities = F.softmax(output[:, -1, 3:])
            target_index = torch.multinomial(possibilities, num_samples=1)
            target_id = target_index + 3
            
            # 把target_id加入序列
            token_ids.append(target_id)
            # 只有对应ID不是特殊符号的ID，我们才把这个字符推入诗句中
            if target_id > 3: poetry.append(tokenizer.id_to_token(target_id))
            # 此外，与上面不同的是，当输出为标点符号时，我们退出当前循环，进而生成藏头诗的下一句。
            if target_id in punctuation_ids: break
        
    # 解码并返回结果
    return ''.join(poetry)


class Predictor:
    device: torch.device
    data_loader: PoetryDataLoader
    model: Rnn

    def __init__(self):
        self.device = gpu_utils.get_gpu_device()
        self.data_loader = PoetryDataLoader(batch_size=settings.N_BATCH_SIZE)
        self.model = Rnn(self.data_loader.get_vocab_size()).to(self.device)

        # 加载保存好的模型参数
        self.model.load_state_dict(torch.load(settings.SAVED_MODEL_PATH))

    def generate_random_poetry(self):
        """随机生成一首诗"""
        with torch.no_grad():
            generate_random_poetry(self.data_loader.get_tokenizer(),
                                self.model,
                                self.device)

    def generate_acrostic(self):
        """随机生成一首藏头诗"""
        with torch.no_grad():
            generate_acrostic(self.data_loader.get_tokenizer(),
                              self.model,
                              self.device)