七夕節(jié)脫單“神助攻”！AI教你寫情話
為了給開發(fā)者謀福利，加班加點在PaddleHub上線了AI情話和情詩模型！
允中 發(fā)自 凹非寺
量子位 編輯 | 公眾號 QbitAI
廣大的鋼鐵直男們，七夕節(jié)快要到了，給女朋友的禮物下單了么？玫瑰鮮花預訂好了么？燭光晚餐籌備了么？
什么？！還有沒女朋友的或者還沒有向女神表白的？
要想贏得女神芳心，文（甜）藝（言）情（蜜）話（語）也是不能少的！
但是，禮物的小賀卡上準備好要寫什么了嗎？打電話或者見面后準備說啥？還在說“XX，我愛你”，“XX，我們白頭到老”么？還是一直撓頭不知道怎么表達？
沒關系，AI來拯救你！
AI情話、AI藏頭詩、AI情詩大禮包開源上線啦！
為了在8月25日這天給鋼鐵直男們助攻一個浪漫優(yōu)雅的七夕節(jié)，飛槳的研發(fā)人員也是蠻拼的！為了給開發(fā)者謀福利，加班加點在PaddleHub上線了AI情話和情詩模型！
話不多說，咱們直接看效果！
AI情話實測效果展示
輸入：
你問我多喜歡你
生成：
你問我多喜歡你，
我也說不出來，
我心里明白，
我寧愿跟你吵架也不愿意去愛別人。
哎媽呀，淚奔了，哭的不要不要的！
再試試，輸入：
你有打火機么?
生成：
你有打火機么? 沒有啊！那你怎么點燃我的心的？
效果炸裂，這還只是一個AI情話功能。
要是再整首詩寫在小卡片上，女神的心能瞬間化成一江春水向東流。。。
AI藏頭詩實測效果展示
輸入：
吾愛秋香
生成：
吾慕斯人不以官，
愛閑能有幾人閑。
秋來莫作功名看，
香滿南山雪滿山。
一戰(zhàn)深藏功與名！
目前演示頁限制是七言絕句，如果是需要其它的七言律詩、五言絕句和五言律詩，可以通過代碼調(diào)用，效果也是妥妥的！
是不是著急了？我仿佛看到一群大老爺們兒向我殺來。
我這就把鏈接交出來，大家快來我們PaddleHub官網(wǎng)上體驗吧：
https://www.paddlepaddle.org.cn/hub/scene/aiwriting
這是怎么做到的？
這樣炸裂效果的背后，離不開頂尖的ERNIE-GEN 算法加持，什么？不知道ERNIE-GEN？ERNIE聽說過吧，NLP領域模型中的帶頭大哥，曾經(jīng)斬獲多項大獎！后來經(jīng)過不斷研發(fā)，ERNIE又衍生出了很多其它模型或組件，形成了ERNIE家族！ERNIE-GEN就是其中優(yōu)秀一員。
熱心的說明：下面是講技術的環(huán)節(jié)，想了解怎么用的小伙伴可以快速往下滑
ERNIE-GEN是面向生成任務的預訓練-微調(diào)框架，首次在預訓練階段加入span-by-span 生成任務，讓模型每次能夠生成一個語義完整的片段。在預訓練和微調(diào)中通過填充式生成機制和噪聲感知機制來緩解曝光偏差問題。此外, ERNIE-GEN 采用多片段-多粒度目標文本采樣策略, 增強源文本和目標文本的關聯(lián)性，加強了編碼器和解碼器的交互。
更多詳情參考論文ERNIE-GEN:An Enhanced Multi-Flow Pre-training and Fine-tuning Framework for Natural Language Generation
這些由ERNIE-GEN算法衍生出的AI情話（ernie_gen_lover_words）、AI藏頭詩（ernie_gen_acrostic_poetry）等模型在微調(diào)時首先通過加載ERNIE 1.0中文模型參數(shù)完成熱啟動，然后采用開發(fā)者在網(wǎng)絡上搜集到的情詩、情話數(shù)據(jù)，基于ERNIE-GEN框架進行微調(diào)。與傳統(tǒng)的Seq2Seq做法相比，該模型實際使用效果具備更強的泛化能力，即使是微調(diào)使用的數(shù)據(jù)集中沒見過的詞匯或句子，模型也能夠理解。
例如輸入“小編帶大家了解一下程序員情人節(jié)”，將會輸出：
實際上“程序員”“數(shù)據(jù)庫”這些詞是從未出現(xiàn)在情話數(shù)據(jù)集中的，但是得益于知識增強的語義表示模型ERNIE帶來的泛化能力，使模型仍然能夠領悟到二者之間的關系。同時ERNIE-GEN獨特的填充生成機制和噪聲感知生成的策略，使得微調(diào)后模型文本生成效果更加自然流暢，相比傳統(tǒng)的基于RNN結合Seq2Seq的生成做法，所需的訓練數(shù)據(jù)量更小，而且文本生成效果更有內(nèi)涵。
正如模型輸出所言，希望在七夕這一天，我們的程序都能夠正常的工作，大家可以放心地過個愉快的情人節(jié)。
想知道怎么用嗎？
整個預訓練模型只要求安裝PaddlePaddle 與 PaddleHub，諸位兄弟只需要了解基礎 Python 就能跑得動。
飛槳PaddleHub的開發(fā)者提供了AI情話、AI藏頭詩、AI對聯(lián)、AI寫詩四種文本生成的示例代碼，通過 Notebook 文件，我們能更形象地了解模型使用的完整過程。
以下為調(diào)用AI情話預訓練模型的代碼：
import?paddlehub?as?hub
#導入預訓練模型module?=?hub.Module(name="ernie_gen_lover_words")
#準備輸入開頭數(shù)據(jù)test_texts?=?['情人節(jié)']
#執(zhí)行文本生成results?=?module.generate(texts=test_texts,?use_gpu=True,?beam_width=5)
#打印輸出結果for?result?in?results:
????print(result)
運行這個腳本后，我們就可以收貨了。
哎呀，甜度太高了，有點上頭。
[2020-08-21?20:58:08,095]?[????INFO]?-?Installing?ernie_gen_lover_words?module
[2020-08-21?20:58:08,097]?[????INFO]?-?Module?ernie_gen_lover_words?already?installed?in?/home/aistudio/.paddlehub/modules/ernie_gen_lover_words
['情人節(jié)，我愿做一條魚，任你紅燒、白煮、清蒸，然后躺在你溫柔的胃里。',?'情人節(jié)，對你的思念太重，壓斷了電話線，燒壞了手機卡，掏盡了錢包袋，吃光了安眠藥，哎!可我還是思念你。',?'情人節(jié)，對你的思念太重，壓斷了電話線，燒壞了手機卡，掏盡了錢包袋，吃光了安眠藥，哎!可我還是思念你，祝你情人節(jié)快樂!',?'情人節(jié)，對你的思念太重，壓斷了電話線，燒壞了手機卡，掏盡了錢包袋，吃光了安眠藥，唉!可我還是思念你，祝你情人節(jié)快樂!',?'情人節(jié)，對你的思念太重，壓斷了電話線，燒壞了手機卡，掏盡了錢包袋，吃光了安眠藥，哎!可是我還是思念你。']
如果有服務化部署的需求，借助 PaddleHub，服務器端的部署也非常簡單，直接用一條命令行在服務器啟動模型就行了：
!hub?serving?start?-m?ernie_gen_lover_words?-p?8866
是的，就是這么簡單，一行搞定服務器端！相比手動配置各種參數(shù)或者調(diào)用各種框架，PaddleHub的服務器端部署實在是太好用了。
只要在服務器端完成部署，剩下在客戶端調(diào)用就問題不大了。如下為客戶端向服務器端發(fā)送請求做推理的示例腳本，包括制定要推理的輸入文本、發(fā)送推理請求、返回并保存推理結果幾個部分。
import?requests
import?json#?發(fā)送HTTP請求data?=?{'texts':['情人節(jié)'],
????????'use_gpu':False,?'beam_width':5}
headers?=?{"Content-type":?"application/json"}
url?=?"http://127.0.0.1:8866/predict/ernie_gen_lover_words"
r?=?requests.post(url=url,?headers=headers,?data=json.dumps(data))
#?保存結果results?=?r.json()["results"]
for?result?in?results:
????print(result)如下所示，運行腳本后就可以從服務器端拿到推理結果了。
飛槳的PaddleHub已經(jīng)幫我們做好了各種處理過程。相信只要有一些 Python 基礎，在本地預測、以及部署到服務器端都是沒問題的。
更多預訓練模型，馬上了解PaddleHub
大家看到的AI情話，包括之前疫情期間開源的口罩人臉檢測模型，都只是飛槳模型生態(tài)的冰山一角，更多的高質(zhì)量的預訓練模型，歡迎登錄飛槳官網(wǎng)了解。
歡迎加入社群
飛槳模型生態(tài)的發(fā)展，離不開每一位開發(fā)者的貢獻，值得一提的是，我們本次的AI情話模型，也是開發(fā)者在AI Studio平臺基于ERNIE-GEN的代碼訓練并貢獻到PaddleHub上的，我們也歡迎更多的開發(fā)者可以加入進來，一起把深度學習模型玩起來用起來，看看通過豐富的預訓練模型還能構造出哪些有趣的任務滿足七夕的需求吧。
同時我們相信還有很多技術達人想了解更多模型微調(diào)的技術細節(jié)，為了滿足大家的需求，我們將于8月27日開一場直播課為大家進行講解。
歡迎大家加入，第一時間獲取直播鏈接，與更多深度學習開發(fā)者交流，并有機會參與七夕晚上的抽獎活動！
添加微信15711058002，并備注“Hub”，飛槳小哥哥會拉你入群。
— 完 —
- 長城汽車自研芯片點亮！提前布局下一代架構RISC-V，魏建軍：不能再受制于人2024-09-27
- 騰訊云發(fā)布自研大數(shù)據(jù)高性能計算引擎Meson，性能最高提升6倍2024-07-04
- Intel2024-03-18
- 數(shù)字員工全新發(fā)布 加速企業(yè)轉型2024-01-15
相關閱讀
業(yè)務數(shù)據(jù)全用上也喂不飽AI？試試這個小樣本學習工具包
基于飛槳的小樣本學習工具包，旨在降低小樣本學習研究和應用的設計與時間成本。PaddleFSL提供了低層次的工具函數(shù)與接口，以供使用者設計新的小樣本學習方法或構建新的小樣本學習數(shù)據(jù)集，同時也提供了經(jīng)典小樣本學習方法的高層次實現(xiàn)，以及經(jīng)典的小樣本數(shù)據(jù)集。
精度45.9%，推理速度72.9FPS，百度飛槳推出工業(yè)級目標檢測模型 PP-YOLO
飛槳目標檢測套件PaddleDetection的研發(fā)團隊也為了讓YOLOv3模型在工業(yè)實際應用場景擁有更優(yōu)異的精度與推理速度，以盡量不增加模型計算量和推理開銷為前提，探索出了一整套更深度的算法優(yōu)化秘籍，將原先YOLOv3模型的精度（在COCO test-dev2017數(shù)據(jù)集）從33.0%提升了12.9個絕對百分點，達到45.9%，處于業(yè)界領先行列！而在該精度下，其推理速度在V100上達到了72.9 FPS。
