来源：Deephub Imba本文约800字，建议阅读5分钟本文介绍了Python文本生成的Beam Search的解码。贪婪搜索是在每个时间步中选择概率最高的单词，也是我们最常用的一种方法，Beam Search不取每个标记本身的绝对概率，而是考虑每个标记的所有可能扩展。然后根据其对数概率选择最合适的标记序列。
例如令牌的概率如下所示：
例如，Pancakes looks时间段1的概率等效于：
代码语言：javascript复制Pancakes looks so = log（0.2） log（0.7）= -1.9Pancakes looks fluffy = log（0.2） log（0.3）= -2.8所以我们需要定义一个函数来完成整句的概率计算：
代码语言：javascript复制import torch.nn.functional as Fdef log_probability_single(logits, labels): logp = F.log_softmax(logits, dim=-1) logp_label = torch.gather(logp, 2, labels.unsqueeze(2)).squeeze(-1) return logp_labeldef sentence_logprob(model, labels, input_len=0): with torch.no_grad(): result = model(labels) log_probability = log_probability_single(result.logits[:, :-1, :], labels[:, 1:]) sentence_log_prob = torch.sum(log_probability[:, input_len:]) return sentence_log_prob.cpu().numpy()接下来，可以将其应用于贪婪搜索解码方法生成的输出，并计算生成的序列的对数概率。
在此示例中，我将在村上春木的书中简要介绍：1Q84。
代码语言：javascript复制input_sentence = "A love story, a mystery, a fantasy, a novel of self-discovery, a dystopia to rival George Orwell’s — 1Q84 is Haruki Murakami’s most ambitious undertaking yet: an instant best seller in his native Japan, and a tremendous feat of imagination from one of our most revered contemporary writers."
max_sequence = 100input_ids = tokenizer(input_sentence, return_tensors='pt')['input_ids'].to(device)output = model.generate(input_ids, max_length=max_sequence, do_sample=False)
greedy_search_output = sentence_logprob(model, output, input_len=len(input_ids[0]))print(tokenizer.decode(output[0]))我们可以看到生成的序列的对数概率为-52.31。
现在，我们将并比较通过Beam Search生成的序列的对数概率得分，得分越高潜在结果越好。
我们可以增加n-gram惩罚参数no_repeat_ngram_size，这有助于减少输出中的重复生成的序列。
代码语言：javascript复制beam_search_output = model.generate(input_ids, max_length=max_sequence, num_beams=5, do_sample=False, no_repeat_ngram_size=2)beam_search_log_prob = sentence_logprob(model, beam_search_output, input_len=len(input_ids[0]))print(tokenizer.decode(beam_search_output[0]))print(f"nlog_prob: {beam_search_log_prob:.2f}")输出如下：
分时和连贯性要比贪婪的方法好很多，对吧。
编辑：王菁
校对：林亦霖
