嗨，
我想测试一个小型的llm程序，我决定用tensorflow来做。
我的源代码可以在 https://github.com/victordalet/first_llm
一、要求
您需要安装tensorflow和numpy
立即学习“Python免费学习笔记（深入）”；
pip install 'numpy<2' pip install tensorflow
ii - 创建数据集
您需要创建一个数据字符串数组来计算一个小数据集，例如我创建：
data = [
"salut comment ca va",
"je suis en train de coder",
"le machine learning est une branche de l'intelligence artificielle",
"le deep learning est une branche du machine learning",
]
如果你没有灵感，可以在kaggle上找到一个数据集。
iii - 构建模型并训练它
为此，我使用各种方法创建了一个小型 llm 类。
class llm:
def __init__(self):
self.model = none
self.max_sequence_length = none
self.input_sequences = none
self.total_words = none
self.tokenizer = none
self.tokenize()
self.create_input_sequences()
self.create_model()
self.train()
test_sentence = "pour moi le machine learning est"
print(self.test(test_sentence, 10))
def tokenize(self):
self.tokenizer = tokenizer()
self.tokenizer.fit_on_texts(data)
self.total_words = len(self.tokenizer.word_index) + 1
def create_input_sequences(self):
self.input_sequences = []
for line in data:
token_list = self.tokenizer.texts_to_sequences([line])[0]
for i in range(1, len(token_list)):
n_gram_sequence = token_list[:i + 1]
self.input_sequences.append(n_gram_sequence)
self.max_sequence_length = max([len(x) for x in self.input_sequences])
self.input_sequences = pad_sequences(self.input_sequences, maxlen=self.max_sequence_length, padding='pre')
def create_model(self):
self.model = sequential()
self.model.add(embedding(self.total_words, 100, input_length=self.max_sequence_length - 1))
self.model.add(lstm(150, return_sequences=true))
self.model.add(dropout(0.2))
self.model.add(lstm(100))
self.model.add(dense(self.total_words, activation='softmax'))
def train(self):
self.model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
x, y = self.input_sequences[:, :-1], self.input_sequences[:, -1]
y = tf.keras.utils.to_categorical(y, num_classes=self.total_words)
self.model.fit(x, y, epochs=200, verbose=1)
iv - 测试
最后，我使用类的构造函数中调用的测试方法来测试模型。
警告：如果生成的单词与前一个单词相同，我会在此测试函数中阻止生成。
def test(self, sentence: str, nb_word_to_generate: int):
last_word = ""
for _ in range(nb_word_to_generate):
token_list = self.tokenizer.texts_to_sequences([sentence])[0]
token_list = pad_sequences([token_list], maxlen=self.max_sequence_length - 1, padding='pre')
predicted = np.argmax(self.model.predict(token_list), axis=-1)
output_word = ""
for word, index in self.tokenizer.word_index.items():
if index == predicted:
output_word = word
break
if last_word == output_word:
return sentence
sentence += " " + output_word
last_word = output_word
return sentence
