ViT (Vision Transformer) ---- Text Generation（文本生成器）

1. 使用RNN对文本预测

假如输入的文本是：the cat sat on the ma     那么下一个字符什么呢？

这里采用的是many to many模型，如下:

此时模型的输出字符概率为：

1. 如何训练RNN模型？

如上一段英语文字，我们采用分割的方法，这里采用输入的长度为40，滑动距离为3，即从开始到第40个字符用作输入，

第41个字符用作标签数据label，如上：

输入为：Machine learning is a subset of artifici   label为：a

上面是第一个训练数据对即pairs

第二个如下：

因为滑动为3，因此在第一个训练对的基础上，向后滑动三个字符在进行分割，分割距为40个字符，后面一个为对应的预测label，因此训练标签对为：

输入为：hine learning is a subset of artificial             label为 ：I

以此类推，直到把这个段落分割完，做成训练对

制作好的数据集，开始训练，输入数据，通过rnn的最后一个状态查找字符字典，然后和label进行比对，通过交叉熵进行计算loss，在通过优化机制和反向传播更新rnn的参数矩阵，然后迭代多次即可完成训练

1. 制作数据集

下面就开始整个数据集的制作和训练

• 分割数据

该步骤主要是把一段话或者一篇文章或者一本书进行字符分割，分割时有两个需要设置的参数，分割的长度，滑动长度，这里分割长度是60，滑动长度为3

• 字典制作

这里是制作字符的字典，英文有26个字符还要加上各种标点和空格总共有57个字符向量，现在按照顺序进行编号，然后给编号进行向量化，这样从字符到向量就完成了

第一步假设分割的段落长度为60，字符字典为57

那么每个段落对应的矩阵就表示为：

假如这里有200278这样的pair，都这样进行矩阵化，这样数据集就制作完成了

下面就是搭建模型训练了：

• 搭建模型并训练

标签：字符,Transformer,训练,Generation,生成器,分割,label,滑动,个字符
来源： https://blog.csdn.net/weixin_42398658/article/details/122111049