transfer-learning-conv-ai - 使用迁移学习构建最先进的对话式 AI

项目介绍：transfer-learning-conv-ai

背景

transfer-learning-conv-ai 是一个基于传递学习构建对话人工智能的项目。这个项目采用 OpenAI 的 GPT 和 GPT-2 转换器语言模型，通过传递学习来实现对话代理的训练。它的代码既干净又注释详细，包含了训练和测试脚本，用户可以利用这些脚本有效地训练具备会话功能的人工智能。

项目成果

该项目的代码可以用于重现 HuggingFace 团队在 NeurIPS 2018 对话比赛（ConvAI2）中的成果。这个比赛中，他们的模型在自动化指标上处于领先地位。项目中提供的训练代码将当时的比赛代码量从 3000 多行浓缩到了 250 行，支持分布式和 FP16 选项。

使用该模型，在配备 8 个 V100 显卡的云实例上，可以大约在一个小时内完成训练，同时项目也提供了预训练的模型供使用。

安装指南

常规安装

首先，需要克隆代码库并安装相关依赖：

git clone https://github.com/huggingface/transfer-learning-conv-ai
cd transfer-learning-conv-ai
pip install -r requirements.txt
python -m spacy download en

使用 Docker 安装

用户也可以通过 Docker 安装，此时需构建自包含的映像：

docker build -t convai .

确保 Docker 设置分配足够的内存来构建容器。默认的 1.75GB 可能因 PyTorch 轮过大而导致失败。构建后，可以通过以下方式进入映像：

docker run --rm -it convai bash

预训练模型

项目提供了一个预训练并经过微调的模型，用户可以通过运行 interact.py 脚本与其对话。默认情况下，脚本会自动下载并缓存模型。

使用训练脚本

训练脚本支持单 GPU 和多 GPU 设置，并接受多种参数用于调整训练过程。以下是一些常用的训练参数：

dataset_path：数据集路径或 URL。
model：模型路径、URL 或者模型的简短名称。
train_batch_size：训练批量大小。
n_epochs：训练的轮次数。

运行训练脚本的示例命令：

python ./train.py  # 单 GPU 训练
python -m torch.distributed.launch --nproc_per_node=8 ./train.py  # 在 8 个 GPU 上训练

使用交互脚本

在训练完成后，可以使用交互脚本与模型进行交互。交互脚本允许用户调整解码算法，例如最大输出长度、温度、和 top-k 过滤等参数。

运行交互脚本的示例命令：

python ./interact.py --model_checkpoint ./data/your_checkpoint/  # 使用训练检查点运行
python ./interact.py  # 使用项目的微调模型

评估脚本

用户可以运行 ConvAI2 的评估脚本来评估模型的性能。在运行评估前，需在代码库中安装 ParlAI：

git clone https://github.com/facebookresearch/ParlAI.git
cd ParlAI
python setup.py develop

然后可以在 ParlAI 的基础文件夹中运行评估脚本：

python ../convai_evaluation.py --eval_type hits@1

总结

transfer-learning-conv-ai 项目为用户提供了一套完善的工具来训练和评估对话型人工智能。通过传递学习，该项目为爱好者和研究人员提供了一个构建先进对话系统的捷径。