GitHub |
您所在的位置：网站首页 › 句子创作 › GitHub |
GitHub
|
WriteGPT
通用型议论文创作人工智能框架，仅限交流与科普。 项目简介WriteGPT是基于OCR、NLP领域的最新模型所构建的生成式文本创作AI框架，目前第一版finetune模型针对高考作文（主要是议论文），可以有效生成符合人类认知的文章，多数文章经过测试可以达到正常高中生及格作文水平。 项目作者 主页1 主页2 Y1ran CSDN Github致谢 感谢开源作者@imcaspar 在GPT-2中文预训练框架与数据中的支持。 感谢@白小鱼博士 、@YJango博士 、@画渣花小烙、@万物拣史 、@柴知道、@风羽酱-sdk、@WhatOnEarth、@这知识好冷、@科技狐 的参与和支持 框架说明 基于EAST、CRNN、Bert和GPT-2语言模型的高考作文生成AI 支持bert tokenizer，当前版本基于clue chinese vocab 17亿参数多模块异构深度神经网络，超2亿条预训练数据 线上点击即用的文本生成效果demo：17亿参数作文杀手 端到端生成，从试卷识别到答题卡输出一条龙服务 Colab线上作文生成功能国内没有足够显存的免费GPU平台，所以配合Google Drive将训练好的AI核心功能Language Network写作模块迁移到Colab。 当前线上仅开放文本生成功能，输入对应句子，AI返回生成文章。同一个句子可以输入多次，每一次输出都不同。也可以选择同时生成多篇文章。具体见：17亿参数作文杀手 第一步：安装环境
第二部：加载模型
第三步：文章生成
写作效果
整个框架分为EAST、CRNN、Bert、GPT-2、DNN 5个模块，每个模块的网络单独训练，参数相互独立。infer过程使用pipeline串联，通过外接装置直接输出到答题卡。
高考语文试卷作文题 OpenCV 的EAST文本检测器是一个深度学习模型，它能够在 720p 的图像上以13帧/秒的速度实时检测任意方向的文本，并可以获得很好的文本检测精度。
模型亮点 简单的管道实现在当时较高精度的文本检测。 图像通过FCN处理产生像素级文本缩放地图和几何图形的多个频道。 可旋转的文本框，可以检测文本也可以检测单词。EAST文本检测器需要 OpenCV3.4.2 或更高的版本，有需要的读者可以查看 OpenCV 安装教程。虽然EAST的模型在检测自然场景下的英文文本有着较好的性能，要实现中文场景下的中文文本检测，仍然需要重新训练模型。 数据集处理 中文文本识别的数据集要按照原作者的命名方式修改，即使使用ICDAR3013这类标准数据集，也需要修改对应的图片命名方式。原代码数据集的命名方式：图片1.jpg 图片1.txt。 此外，代码是通过获取文件类型然后重新命名以原来的文件类型保存的，所以文本数据和图片数据需要分开处理。 训练命令： python multigpu_train.py --gpu_list=0 --input_size=512 --batch_size_per_gpu=14 --checkpoint_path=/tmp/east_icdar2015_resnet_v1_50_rbox/ \ --text_scale=512 --training_data_path=/data/ocr/icdar2015/ --geometry=RBOX --learning_rate=0.0001 --num_readers=24 \ --pretrained_model_path=/tmp/resnet_v1_50.ckpt更多细节可以参考：https://zhuanlan.zhihu.com/p/64737915 检测结果
除了EAST，也可以把识别网络替换为传统的CTPN等模型，github上有已经成熟的项目：https://github.com/Walleclipse/ChineseAddress_OCR 2.2 CRNN文本识别参考 https://github.com/ooooverflow/chinese-ocr 数据准备 下载训练集：共约364万张图片，按照99: 1划分成训练集和验证集 数据利用中文语料库（新闻 + 文言文），通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成。包含汉字、英文字母、数字和标点共5990个字符，每个样本固定10个字符，字符随机截取自语料库中的句子，图片分辨率统一为280x32。 修改/train/config.py中train_data_root，validation_data_root以及image_path 训练 cd train python train.py训练结果 Epoch 3/100 25621/25621 [==============================] - 15856s 619ms/step - loss: 0.1035 - acc: 0.9816 - val_loss: 0.1060 - val_acc: 0.9823 Epoch 4/100 25621/25621 [==============================] - 15651s 611ms/step - loss: 0.0798 - acc: 0.9879 - val_loss: 0.0848 - val_acc: 0.9878 Epoch 5/100 25621/25621 [==============================] - 16510s 644ms/step - loss: 0.0732 - acc: 0.9889 - val_loss: 0.0815 - val_acc: 0.9881 Epoch 6/100 25621/25621 [==============================] - 15621s 610ms/step - loss: 0.0691 - acc: 0.9895 - val_loss: 0.0791 - val_acc: 0.9886 Epoch 7/100 25621/25621 [==============================] - 15782s 616ms/step - loss: 0.0666 - acc: 0.9899 - val_loss: 0.0787 - val_acc: 0.9887 Epoch 8/100 25621/25621 [==============================] - 15560s 607ms/step - loss: 0.0645 - acc: 0.9903 - val_loss: 0.0771 - val_acc: 0.9888
BERT的全称是Bidirectional Encoder Representation from Transformers，即双向Transformer的Encoder。模型的主要创新点在pre-train方法上，用了Masked LM和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation。 模型的构成元素Transformer可以参考Google的 Attention is all you need ，BERT模型的结构如下图最左：
对比OpenAI GPT(Generative pre-trained transformer)，BERT是双向的Transformer block连接；就像单向RNN和双向RNN的区别，直觉上来讲效果会好一些。 在原论文中，作者展示了新的语言训练模型，称为编码语言模型与下一句预测 Original Paper : 3.3.1 Task #1: Masked LM Input Sequence : The man went to [MASK] store with [MASK] dog Target Sequence : the his 规则: 会有15%的随机输入被改变，这些改变基于以下规则 80%的tokens会成为‘掩码’token 10%的tokens会称为‘随机’token 10%的tokens会保持不变但需要被预测下一句预测 Input : [CLS] the man went to the store [SEP] he bought a gallon of milk [SEP] Label : Is Next Input = [CLS] the man heading to the store [SEP] penguin [MASK] are flight ##less birds [SEP] Label = NotNext 规则: 50%的下一句会（随机）成为连续句子 50%的下一句会（随机）成为不关联句子训练 哈工大的新浪微博短文本摘要LCSTS 教育新闻自动摘要语料chinese_abstractive_corpus python run.py --model bert
测试时，需要用正则表达式过滤考试专用词，包括“阅读下面的材料，根据要求写作”，“要求：xxx”，“请完成/请结合/请综合xx”。 比如
参考：https://github.com/imcaspar/gpt2-ml/ 预训练语料来自 THUCNews 以及 nlp_chinese_corpus，清洗后总文本量约 15G。 Finetune语料来自历年满分高考作文、优质散文集以及近现代散文作品，约1000篇。 预训练 参考 GPT2-ML 预训练模型，使用 Quadro RTX 8000 训练 28w 步
Finetune 1、进入dataset目录 python pre_data.py --filepath /data/home/share1/gpt2-ml-Finetune/data-mayun_xiugai --outfile /data/home/share1/gpt2-ml-Finetune/data/22.json filepath为finetune数据目录 2、生成tfrecord训练数据 python prepare_data.py -input_fn /data/home/share1/gpt2-ml-Finetune/data 3、finetune CUDA_VISIBLE_DEVICES=0 python train/train_wc.py --input_file=/data/EssayKiller/gpt2-ml-Finetune/data/train.tfrecord --output_dir=/data/EssayKiller/gpt2-ml-Finetune/finetune_model --init_checkpoint=/data/EssayKiller/gpt2-ml/models/mega/model.ckpt-220000 3.判分网络 3.1 DNN判分模型
这部分直接调用百度API。有现成的模型就不重复造轮子了，具体实现方式百度没有开源，这里简单描述一下语言模型的概念：
语言模型是通过计算给定词组成的句子的概率，从而判断所组成的句子是否符合客观语言表达习惯。通常用于机器翻译、拼写纠错、语音识别、问答系统、词性标注、句法分析和信息检索等。
这里使用通顺度打分作为判断依据。 3.2 高考排版器标题 复用BERT_SUM生成Top3的NER粒度token作为标题 主体 高考议论文的写作格式要求如下： 标题居中，一般少于20字 每段段首缩进两格 每个字符尽量保持在字体框内 字数不能过长或过短由于模型输出的文章不保证换行和分段，通过统计高考作文的常见段数、每段句数，编写脚本对输出进行划分。大多数情况下分段排版的结果都比较合理。
答题卡
外接装置 基于aedraw，一款开源的CNC(Computer Numerical Control数控机床)画图机器人，具有绘制图案、写字等功能，它也可以升级为激光雕刻等用途。 详细教程见 http://aelab.net/ ，不仅能自己制作一台写字绘画机器人，而且能够掌握其工作原理拓展更多的应用。
原版的输出临摹装置存在速度慢和格式不准的问题，通过改装和修改源代码得以优化 因为时间原因目前的手写装置还有些问题，偶尔会有漏写、越格的问题 视频中的作文经过后期的人工处理，补上了漏字 预训练模型 模型 参数量 下载链接 备注 EAST < 0.1 Billion GoogleDrive 检测模型 CRNN < 0.1 Billion 网盘链接 提取码：vKeD 识别模型 BERT 0.1 Billion GoogleDrive 摘要模型 GPT-2 1.5 Billion GoogleDrive 生成模型整个AI的参数量分布不均匀，主要原因在于，这是一个语言类AI，99%的参数量集中在语言网络中，其中GPT-2（15亿）占88%，BERT（1.1亿）占7%，其他的识别网络和判分网络共占5%。 当前问题 输出的格式和高考作文还不能完美契合，之后的参数需要微调一下。为了国庆前完成，我还没来得及优化 生成的100篇作文里有很大一部分其实算不上合格的作文，有些只能勉强及格，有些甚至能拿零分（占比不多），显然GPT-2的能力有限。为了视频效果我只选了相对好的几篇做展示 英文版的说明还没来得及写，有空的同学可以翻译一下提个pr Q&A我能否用EssayKiller来帮自己写作业？ 不能。所以有下一个问题： 为什么缺少一些关键文件？ 项目在一开始是完全开源的，经过慎重考虑我认为完全开源会被部分别有用心的人用以牟利，甚至用作不法用途。参考咸鱼和淘宝上一些魔改的开源框架应用。部分懂技术又不想动笔的小同志可能会让Essaykiller帮自己写作业，比如读后感、课后作文、思修小论文。我想说，这样不好。 为什么不直接加密？ 本来打算用混淆加密，但一些模块本就是开源的，所以我开源了整体的模型文件，只隐藏了关键的，包括pipeline、输入输出在内的文件，另外有些文件里也加了盐。 有哪些模组可用？ 目前完全开源，可以独立复用的部分包括： 检测网络 文本摘要网络 文本生成网络 判分网络与排版脚本为什么不用GPT-3 训练一个中文GPT-3的价格至少为1200万美元，折合人民币将近1亿。要是真有人训练出来一个中文GPT-3还开源模型文件了，我愿称之为最强。 训练EssayKiller需要多少钱？ 从头到尾训练完pipeline的话在1K～100K人民币不等，取决于你有无分布式集群可用 Citation @misc{EssayKillerBrain, author = {Turing's Cat}, title = {Autowritting Ai Framework}, year = {2020}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/EssayKillerBrain/writeGPT}}, } 参考资料[1] BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding [2] ERNIE: Enhanced Representation through Knowledge Integration [3] Fine-tune BERT for Extractive Summarization [4] EAST: An Efficient and Accurate Scene Text Detector [5] An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition [6] Language Models are Unsupervised Multitask Learners [7] https://github.com/Morizeyao/GPT2-Chinese [8] https://github.com/argman/EAST [9] https://github.com/bgshih/crnn [10] https://github.com/zhiyou720/chinese_summarizer [11] https://zhuanlan.zhihu.com/p/64737915 [12] https://github.com/ouyanghuiyu/chineseocr_lite [13] https://github.com/google-research/bert [14] https://github.com/rowanz/grover [15] https://github.com/wind91725/gpt2-ml-finetune- [16] https://github.com/guodongxiaren/README [17] https://www.jianshu.com/p/55560d3e0e8a [18] https://github.com/YCG09/chinese_ocr [19] https://github.com/xiaomaxiao/keras_ocr [20] https://github.com/nghuyong/ERNIE-Pytorch [21] https://zhuanlan.zhihu.com/p/43534801 [22] https://blog.csdn.net/xuxunjie147/article/details/87178774/ [23] https://github.com/JiangYanting/Pre-modern_Chinese_corpus_dataset [24] https://github.com/brightmart/nlp_chinese_corpus [25] https://github.com/SophonPlus/ChineseNlpCorpus [26] https://github.com/THUNLP-AIPoet/Resources [27] https://github.com/OYE93/Chinese-NLP-Corpus [28] https://github.com/CLUEbenchmark/CLUECorpus2020 [29] https://github.com/zhiyou720/chinese_summarizer 免责声明该项目中的内容仅供技术研究与科普，不作为任何结论性依据，不提供任何商业化应用授权 |
【本文地址】
今日新闻 |
推荐新闻 |