基于Transformer的路径规划 - 第五篇 GPT生成策略_解码方法优化
上一篇：基于Transformer的路径规划 - 第四篇 GPT模型优化
在上一篇中，我尝试优化GPT路径生成模型，但没有成功。在随机生成的测试集上，路径规划成功率只有99%左右。而使用传统的路径规划算法，例如A*，路径规划成功率能达到100%。显然，如果想让模型具备一定的实用价值，还需要继续提升指标。在本篇中，我将尝试通过优化GPT生成策略（在有些文章中又称为解码策略）来提升路径规划成功率。
我们将生成的路径用Tree来表示，在贪心搜索中，每次选择置信度最大的节点，因此只会生成一条路径。如果考虑置信度大于设定阈值ε的所有节点，那会是什么情况呢？
以下图为例：
若使用贪心搜索，生成的路径会发生碰撞，如下图所示：
若考虑置信度大于0.1的所有节点，则可以生成7条路径，如下图所示：
可视化结果如下：
可以看到，除了贪心搜索得到的路径发生了碰撞外，其它6条路径都是正确的。
这个实验结果让人看到了GPT模型在路径规划问题上的潜力：我们可以设置更低的阈值ε，一次生成多条路径，然后选择最好的一条路径，这样路径规划成功率就逼近100%了。
实验总结：
- 基于Transformer的模型至少能够解决简单的路径规划问题
- GPT生成模型需要搭配合适的生成策略才能挖掘出模型的潜力
全篇完
原文链接 请勿转载