Update app.py

app.py

@@ -9,14 +9,21 @@ tokenizer = BertTokenizer.from_pretrained("supermy/couplet-gpt2")
 model = GPT2LMHeadModel.from_pretrained("supermy/couplet-gpt2")
 model.eval()
 
+# top_k或top_p解码策略，仅保留top_k个或累积概率到达top_p的标记，其他标记设为filter_value，后续在选取标记的过程中会取不到值设为无穷小。
+# 从模型输出的logit里面，划分出概率最高的几个
 def top_k_top_p_filtering( logits, top_k=0, top_p=0.0, filter_value=-float('Inf') ):
+    #确保输出logit维度为1行若干列的矩阵，便于处理
     assert logits.dim() == 1
+    #将top_k的值初始化为logit元素个数和设定的top_k之间的最小值
     top_k = min( top_k, logits.size(-1) )
     if top_k > 0:
+        # 去除掉概率值小于top_k里最后一个token概率的后续token
+        # torch.topk()返回最后一维最大的top_k个元素，返回值为二维(values,indices)
+        # ...表示其他维度由计算机自行推断
         indices_to_remove = logits < torch.topk(logits, top_k)[0][..., -1, None]
-        logits[indices_to_remove] = filter_value
+        logits[indices_to_remove] = filter_value # 对于topk之外的其他元素的logits值设为负无穷
     if top_p > 0.0:
-        sorted_logits, sorted_indices = torch.sort(logits, descending=True)
+        sorted_logits, sorted_indices = torch.sort(logits, descending=True) # 对logits进行递减排序
         cumulative_probs = torch.cumsum( F.softmax(sorted_logits, dim=-1), dim=-1 )
         sorted_indices_to_remove = cumulative_probs > top_p
         sorted_indices_to_remove[..., 1:] = sorted_indices_to_remove[..., :-1].clone()
@@ -30,13 +37,17 @@ def generate(input_text):
     input_ids.extend( tokenizer.encode(input_text + "-", add_special_tokens=False) )
     input_ids = torch.tensor( [input_ids] )
 
+    # 最多生成max_len个token
     generated = []
     for _ in range(100):
         output = model(input_ids)
-
+        # 对于已生成的结果generated中的每个token添加一个重复惩罚项，降低其生成概率
         next_token_logits = output.logits[0, -1, :]
+        # 对于[UNK]的概率设为无穷小，也就是说模型的预测结果不可能是[UNK]这个token
         next_token_logits[ tokenizer.convert_tokens_to_ids('[UNK]') ] = -float('Inf')
+        # 使用top_k_top_p_filtering函数，按照top_k和top_p的值，对预测结果进行筛选
         filtered_logits = top_k_top_p_filtering(next_token_logits, top_k=8, top_p=1)
+        # torch.multinomial表示从候选集合中无放回地进行抽取num_samples个元素，权重越高，抽到的几率越高，返回元素的下标
         next_token = torch.multinomial( F.softmax(filtered_logits, dim=-1), num_samples=1 )
         if next_token == tokenizer.sep_token_id:
             break