在pytorch中计算困惑度

calculate perplexity in pytorch

我刚刚使用 pytorch 训练了一个 LSTM 语言模型。 class 的主体是这样的:

class LM(nn.Module):
    def __init__(self, n_vocab, 
                       seq_size, 
                       embedding_size, 
                       lstm_size, 
                       pretrained_embed):

        super(LM, self).__init__()
        self.seq_size = seq_size
        self.lstm_size = lstm_size
        self.embedding = nn.Embedding.from_pretrained(pretrained_embed, freeze = True)
        self.lstm = nn.LSTM(embedding_size,
                            lstm_size,
                            batch_first=True)
        self.fc = nn.Linear(lstm_size, n_vocab)

    def forward(self, x, prev_state):
        embed = self.embedding(x)
        output, state = self.lstm(embed, prev_state)
        logits = self.fc(output)

        return logits, state

现在我想写一个函数,根据训练好的语言模型(一些分数,如困惑等),计算一个句子的好坏。

我有点迷茫,不知道该如何计算。
类似的样本会有很大用处。

使用交叉熵损失时,您只需使用指数函数torch.exp()根据损失计算困惑度。

所以这只是一些虚拟示例:

import torch
import torch.nn.functional as F
num_classes = 10
batch_size  = 1

# your model outputs / logits
output      = torch.rand(batch_size, num_classes) 

# your targets
target      = torch.randint(num_classes, (batch_size,))

# getting loss using cross entropy
loss        = F.cross_entropy(output, target)

# calculating perplexity
perplexity  = torch.exp(loss)
print('Loss:', loss, 'PP:', perplexity)  

在我的例子中,输出是:

Loss: tensor(2.7935) PP: tensor(16.3376)

如果你想得到每个词的困惑度,你只需要注意这一点,你也需要有每个词的损失。

这里是一个简洁的语言模型示例,可能看起来很有趣,它还计算输出的困惑度:

https://github.com/yunjey/pytorch-tutorial/blob/master/tutorials/02-intermediate/language_model/main.py#L30-L50