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）”；

Digital Singer

将NuwaAI数字形象变成歌手，口型随音频同步，支持背景同步

下载

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