训练LSTM——一路的坎坷

骑猪看日落 2022-02-02 10:23 185阅读 0赞

**很久没写博客了，今天必须记录一下这个大转折。**

最近一直在研究**语言模型**，找了一个做**文本生成**的**LSTM**，想用来**检测句子的流畅性**，把训练集替换成我们自己的，然后就开始训练模型。

对于一个LSTM小白，刚开始很排斥去搞明白它的原理，然而，事实证明，我早晚得弄明白它，绕不过去，还不如早早研究，不至于浪费这么长时间，这次真真的给了我一个教训啊！！！

**重点来了：**

1. 网上做文本生成的训练集一般都是散文诗集之类的，所以找的这个代码作者训练的时候不用考虑断句。因为有标点符号之类的特殊字符，而且需求是学习训练语料的说话方式，只要生成的文本语义合理即可。一开始的无知，直接替换掉训练集就开始训，训完就测，结果当然跟想象中的不一样了。

后来发现，我们的训练集是要需要考虑分行的，所以input的时候得保证一行一行的喂。行与行之间不能直接首尾相连。然后就在这个代码上改，按我的方式喂数据，事实证明，结果跟预期差不太多，给我激动的啊。

所以，训练之前，一定要先搞明白大家的需求是不是一样，原理清楚了，觉得OK了，再训练，还是不能太心急。

2. 训练完之后，找了几条数据测试了一下，结果还可以，于是就要把模型放进我的项目里用。因为我们项目留的接口是把模型的网络结构和参数打包成.pb文件（我用的TensorFlow，训练完会把参数和网络结构分开保存，我需要把.ckpt文件和.pbtxt文件做freeze）。顺利打包完之后，就拿一条测了一下，万万没想到，同样的数据每次的结果都不一样，耽误了两天还是没想明白为什么，就想着，反正每次的结果都相差不大，先凑活用，批量测试看看改之后的模型效果如何。当时没注意到测试速度的问题，就开始批量测试了。阿欧，原本10分钟就测完的数据，跑了一晚上才测了1/4，我都惊呆了。想不明白，我也没做什么大改动啊，不至于这么慢。可能一大早头脑比较清醒，我对比了新模型的网络大小，参数大小与之前用的文件大小，我的新.pbtxt竟然比之前的大很多，然后我又去读了一下代码testmodel.py。结果，是我把train的pbtxt当成test的用了。又重新freeze之后测试，速度明显快了，而且之前的每次测试结果都不一样问题也随之解决，Kill two birds with one stone（昨天新学的），总算皆大欢喜了，还好我没有放弃。

安慰自己：有时候一个不起眼的小问题就是能折磨你好几天，等发现问题后，都想跪了，也算有收获。