基于Python的自然语言处理系列（39）：Huggingface中的解码策略
在自然语言生成任务中，如何选择下一步的单词或者词语对生成的文本质量影响巨大。Huggingface 提供了多种解码策略，可以在不同的场景下平衡流畅度、创造力以及生成效率。在这篇文章中，我们将逐步介绍 Huggingface 中的几种常见解码策略，包括贪婪搜索、Beam Search（束搜索）、采样、Top-K 采样以及 Top-p（核采样）。通过具体代码示例，我们将对比这些策略的效果，并讨论它们在实际应用中的利弊。
加载GPT-2模型
我们首先加载 GPT-2 模型和对应的分词器。为了避免警告信息，我们将 EOS（End of Sequence，序列结束符）设置为 PAD（填充符）。
from transformers import GPT2LMHeadModel, GPT2Tokenizer
tokenizer = GPT2Tokenizer.from_pretrained("gpt2")
# 将 EOS token 设置为 PAD token
model = GPT2LMHeadModel.from_pretrained("gpt2", pad_token_id=tokenizer.eos_token_id)
贪婪搜索（Greedy Search）
贪婪搜索是一种最简单的解码方法。在每一步，贪婪搜索直接选择具有最高概率的下一个词语，直到达到设定的最大长度。这种策略虽然简单高效，但往往会导致模型重复生成相同的词组。
让我们通过 GPT-2 模型来生成一段文本，给定的上下文是 I enjoy walking with my cute dog。
# 编码输入
input_ids = tokenizer.encode('I enjoy walking with my cute dog', return_tensors='pt')
# 使用贪婪搜索生成文本，最大长度设为50
greedy_output = model.generate(input_ids, max_length=50)
print("输出:\n" + 100 * '-')
print(tokenizer.decode(greedy_output[0], skip_special_tokens=True))
虽然生成的文本看似合理，但贪婪搜索容易出现重复生成的情况。这个问题在对话生成、故事生成等开放式任务中尤为突出。
Beam Search（束搜索）
Beam Search 能够缓解贪婪搜索的局限性，通过在每个时间步跟踪 num_beams 个最有可能的候选词序列，直到所有序列都到达 EOS 标记为止。这种方法比贪婪搜索更有可能找到更优的词序列。
# 激活束搜索，设定 beam 数量为 5
beam_output = model.generate(
input_ids,
max_length=50,
num_beams=5,
early_stopping=True
)
print("输出:\n" + 100 * '-')
print(tokenizer.decode(beam_output[0], skip_special_tokens=True))
尽管 Beam Search 生成的文本更连贯，但它仍然可能出现重复现象。为了进一步提升生成质量，我们可以通过引入 n-gram 惩罚机制来减少重复的出现。
# 设置 no_repeat_ngram_size 参数为 2，避免重复生成二元组
beam_output = model.generate(
input_ids,
max_length=50,
num_beams=5,
no_repeat_ngram_size=2,
early_stopping=True
)
print("输出:\n" + 100 * '-')
print(tokenizer.decode(beam_output[0], skip_special_tokens=True))
我们还可以通过设置 num_return_sequences 参数，生成多个不同的候选序列。
# 生成多个候选序列
beam_outputs = model.generate(
input_ids,
max_length=50,
num_beams=5,
no_repeat_ngram_size=2,
num_return_sequences=3,
early_stopping=True
)
print("输出:\n" + 100 * '-')
for i, beam_output in enumerate(beam_outputs):
print(f"{i}: {tokenizer.decode(beam_output, skip_special_tokens=True)}")
虽然 Beam Search 能够生成更连贯的文本，但在开放式生成任务中，它的表现往往不如其他解码方法。
采样（Sampling）
采样策略不再像贪婪搜索或束搜索那样总是选择概率最高的词语，而是从词汇表中根据每个词的概率随机选取下一个词。采样的多样性较高，但可能会生成不连贯的句子。
import torch
torch.manual_seed(0)
# 激活采样，关闭 Top-K 采样
sample_output = model.generate(
input_ids,
do_sample=True,
max_length=50,
top_k=0
)
print("输出:\n" + 100 * '-')
print(tokenizer.decode(sample_output[0], skip_special_tokens=True))
由于采样的随机性，生成的文本可能会包含一些不连贯或不自然的句子。我们可以通过调整 temperature 参数来让生成更加连贯。
# 使用 temperature 减少不合理单词的生成
sample_output = model.generate(
input_ids,
do_sample=True,
max_length=50,
top_k=0,
temperature=0.7
)
print("输出:\n" + 100 * '-')
print(tokenizer.decode(sample_output[0], skip_special_tokens=True))
Top-K 采样
Top-K 采样是采样的改进版，它限制每次采样只从 K 个概率最高的单词中选择，能够有效避免生成一些低概率的单词。
# 设置 top_k 为 50
sample_output = model.generate(
input_ids,
do_sample=True,
max_length=50,
top_k=50
)
print("输出:\n" + 100 * '-')
print(tokenizer.decode(sample_output[0], skip_special_tokens=True))
Top-p 采样（核采样）
Top-p 采样根据概率阈值 p 选择最小数量的词汇，使其累积概率超过 p，然后在这些词中进行采样。这种动态的选择方法更具弹性，能够适应不同的词汇分布。
# 设置 top_p 为 0.92
sample_output = model.generate(
input_ids,
do_sample=True,
max_length=50,
top_p=0.92,
top_k=0
)
print("输出:\n" + 100 * '-')
print(tokenizer.decode(sample_output[0], skip_special_tokens=True))
最后，我们还可以结合 Top-K 和 Top-p 采样，生成多个候选序列。
# 结合 top_k 和 top_p 并生成多个候选序列
sample_outputs = model.generate(
input_ids,
do_sample=True,
max_length=50,
top_k=50,
top_p=0.95,
num_return_sequences=3
)
print("输出:\n" + 100 * '-')
for i, sample_output in enumerate(sample_outputs):
print(f"{i}: {tokenizer.decode(sample_output, skip_special_tokens=True)}")
结语
通过这篇文章，我们深入了解了 Huggingface 提供的各种解码策略。从最简单的贪婪搜索到更为复杂的 Top-K 和 Top-p 采样，每种方法在不同的场景下都有其独特的优势。贪婪搜索和束搜索在生成固定长度输出的任务中表现较好，而 Top-p 和 Top-K 采样在开放式生成任务（如对话和故事生成）中更具表现力。根据具体应用场景选择合适的解码策略，能够显著提升文本生成的质量。
如果你觉得这篇博文对你有帮助，请点赞、收藏、关注我，并且可以打赏支持我！
欢迎关注我的后续博文，我将分享更多关于人工智能、自然语言处理和计算机视觉的精彩内容。
谢谢大家的支持！