NLP实践——文本生成中停不下来的问题

1. 问题概述

对于NLG任务，在推理阶段可能经常会遇到“停不下来”的问题，即重复的token被反复预测出来。
例如，输入“Google”，翻译模型可能会翻译为“谷歌谷歌”。

这个问题已经有很多人研究很久了，在模型侧提出的应对方案也有很多，本文介绍最简便的一种处理方法，只需要添加一行代码，就可以有效地改善。

2. 造成的原因

对于这种现象出现的原因，有很多相关的分析和介绍，其中苏神的这篇文章让我感到受益匪浅，从数学的角度分析了为什么会重复，非常建议大家读一下这篇文章。

3. 解决的方法

其实在transformers的源码中，以及预置了一个参数，用来控制对重复出现token的惩罚，思想非常朴素，最早应该是出现在CTRL的论文中：
https://arxiv.org/pdf/1909.05858.pdf

我们来看一下论文里是怎么描述的：

在生成的时候，就是在计算词表中词汇的概率嘛，如果我们不希望之前出现的token连续出现，那只要把出现过的token对应的得分，人为地降低就好了，也就是给它一个惩罚的力度，让它变小一点。

反应在代码中，就是transformers/generation_utils.py中的GenerationMixin.generate方法，其中的repetition_penalty参数，就是用来控制这个惩罚的，也就是论文中的theta。

这个参数必须为大于0的浮点数，当取值为1.0时，相当于什么也没有做。如果在调用generate的时候给了这个参数，则会创建一个RepetitionPenaltyLogitsProcessor，简单看一下这个Processor是如何运作的：

class RepetitionPenaltyLogitsProcessor(LogitsProcessor):r""":class:`transformers.LogitsProcessor` enforcing an exponential penalty on repeated sequences.Args:repetition_penalty (:obj:`float`):The parameter for repetition penalty. 1.0 means no penalty. See `this paper<https://arxiv.org/pdf/1909.05858.pdf>`__ for more details."""def __init__(self, penalty: float):if not isinstance(penalty, float) or not (penalty > 0):raise ValueError(f"`penalty` has to be a strictly positive float, but is {penalty}")self.penalty = penaltydef __call__(self, input_ids: torch.LongTensor, scores: torch.FloatTensor) -> torch.FloatTensor:score = torch.gather(scores, 1, input_ids)# if score < 0 then repetition penalty has to be multiplied to reduce the previous token probabilityscore = torch.where(score < 0, score * self.penalty, score / self.penalty)scores.scatter_(1, input_ids, score)return scores

其中input_ids就是generate时，输入的input_ids, scores是每一步推理计算出来的为下一步提供的得分。简单来说，这个类就是根据输入序列的token id，把score里边对应位置的得分取出来，然后惩罚一下这些位置的得分，让它的得分变小，然后把惩罚过的分数，替换掉原来计算出来的得分。

4. 效果

还是以翻译模型为例，采用的模型是opus-mt-en-zh，实例化这个模型：

from transformers import AutoModelWithLMHead,AutoTokenizer
mode_name = 'liam168/trans-opus-mt-en-zh'
model = AutoModelWithLMHead.from_pretrained(mode_name)
tokenizer = AutoTokenizer.from_pretrained(mode_name)

翻译一个词：

text = 'Google'
batch = tokenizer.prepare_seq2seq_batch(src_texts=[text], return_tensors='pt', max_length=512)
translation = model.generate(**batch)
res = tokenizer.batch_decode(translation, skip_special_tokens=True)

翻译结果为“谷歌谷歌”。可以看到，当输入文本很短时，很容易就出现了重复。

而如果在generate的时候，增加一个参数：

text = 'Google'
batch = tokenizer.prepare_seq2seq_batch(src_texts=[text], return_tensors='pt', max_length=512)
batch['repetition_penalty'] = 1.2   # 论文中默认的参数1.2
translation = model.generate(**batch)
res = tokenizer.batch_decode(translation, skip_special_tokens=True)

翻译结果就变成了只有一个"谷歌"。

再大胆一点，如果把惩罚力度设置为无穷大，也会出问题。当设置惩罚为float('inf')时，在翻译句子“Google has Google translate”的时候，就会变成“谷歌有Google翻译”，第二个Google就因为被惩罚了而没有翻译成谷歌，而如果惩罚为1.2，则翻译结果为“谷歌有谷歌翻译”。所以惩罚力度设置为多大，还需要自己把握一下。