本文共 4667 字，大约阅读时间需要 15 分钟。

 上次分享了FaceBook最近提出的Convolution Seq2Seq模型的一些理论知识，今天跟大家分享一下实际操作经验,

    主要包括三个方面内容：1、安装Torch平台，2、配置fairseq环境，3、模型测试与训练。

    实验支持：Mac Os/Ubuntu 12+/Centos 7系统都可以，最好拥有GPU支持，安装好CUDA。

    台主的实验环境：Centos 7 + Tesla M40 GPU + CUDA_8.0

1、安装Torch平台

    FaceBook开源的模型是基于Torch平台，采用Lua实现的，估计是考虑代码运行效率问题吧。因此，需要安装最新的Torch 7平台。

    如果已经安装了Torch，可以使用：luarocks install torch升级至最新版本，主要是后面安装最新的nn库需要。

    Torch具体安装参考官网Tutorial：http://torch.ch/docs/getting-started.html#_，下面简单罗列一下：

#下载并安装

git clone https://github.com/torch/distro.git ~/torch --recursive

cd ~/torch; bash install-deps;

./install.sh

#配置环境变量

# On Linux with bash

source ~/.bashrc

# On Linux with zsh

source ~/.zshrc

# On OSX or in Linux with none of the above.

source ~/.profile

#测试是否安装正确

th> torch.Tensor{1,2,3}

 1

 2

 3

#执行正确，则安装成功

#torch的所有依赖都在~/torch文件下，如果想要删除torch执行

rm -rf ~/torch

#安装torch中的包

$ luarocks install nn

2、配置fairseq环境

    运行fairseq模型需要安装 NVIDIA GPU和NCCL。

    1）、安装NCCL，github安装地址：https://github.com/NVIDIA/nccl

可以把NCCL的包拷贝到torch包下面，

$ git clone https://github.com/NVIDIA/nccl.git

#建库并测试

$ cd nccl

$ make CUDA_HOME=<cuda install path> test

注意：遇到nccl安装失败

Compiling src/libwrap.cu                      > /search/odin/data/liuqi/fairseq/nccl/build/obj/libwrap.o

nvcc fatal   : Value 'gnu++0x' is not defined for option 'std' make: *** [/search/odin/data/liuqi/fairseq/nccl/build/obj/libwrap.o] \u9519\u8bef 1

参考解决：https://github.com/NVIDIA/nccl/issues/60

$ export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:./build/lib

$ ./build/test/single/all_reduce_test

Error: must specify at least data size in bytes!

$ ./build/test/single/all_reduce_test 10000000

# Using devices

#   Device  0 ->  0 [0x0a] GeForce GTX TITAN X

#   Device  1 ->  1 [0x09] GeForce GTX TITAN X

#   Device  2 ->  2 [0x06] GeForce GTX TITAN X

#   Device  3 ->  3 [0x05] GeForce GTX TITAN X

#安装NCCL

$ make PREFIX=<install dir> install

<install dir>最好选择~/torch，安装在其他地方，在配置fairseq时，似乎会出现THTBC版本不匹配问题。

#添加lib路径到LD_LIBRARY_PATH

$ export LD_LIBRARY_PATH = $LD_LIBRARY_PATH:~/torch/nccl/lib

    2)、安装最新版的nn：

luarocks install nn

可能报错：Error installing nn

原因是Torch 版本太老，升级torch：

luarocks install torch

安装nn：luarocks install nn

okay！

    3）、配置fairseq环境：

luarocks make rocks/fairseq-scm-1.rockspec

注意CPU安装下面版本：luarocks make rocks/fairseq-cpu-scm-1.rockspec

可能会出现问题：Error generating /tmp/luarocks_tbc-scm-1-3148/TemporalConvolutionTBC/build/lib/CMakeFiles/THTBC.dir//./THTBC_generated_init_cuda.cu.o

原因是THTBC冲突，fairseq中Mac Os的依赖，Linux中不存在，参考解决：http://blog.csdn.net/lqfarmer/article/details/71603425

3、模型测试与训练

     1）、拷贝训练好的模型：wmt14.en-fr.fconv-cuda/，测试

#GPU版本：

$ curl https://s3.amazonaws.com/fairseq/models/wmt14.en-fr.fconv-cuda.tar.bz2 | tar xvjf -

#CPU版本：Alternatively, use a CPU-based model:

$ curl https://s3.amazonaws.com/fairseq/models/wmt14.en-fr.fconv-float.tar.bz2 | tar xvjf -

#运行模型，查看结果：

$ fairseq generate-lines -path wmt14.en-fr.fconv-cuda/model.th7 -sourcedict wmt14.en-fr.fconv-cuda/dict.en.th7 \

    -targetdict wmt14.en-fr.fconv-cuda/dict.fr.th7 -beam 5

| [target] Dictionary: 44666 types

| [source] Dictionary: 44409 types

> Why is it rare to discover new marine mam@@ mal species ?

SWhy is it rare to discover new marine mam@@ mal species ?

OWhy is it rare to discover new marine mam@@ mal species ?

H-0.068684287369251Pourquoi est-il rare de découvrir de nouvelles espèces de mammifères marins ?

A1 1 4 4 6 6 7 11 9 9 9 12 13

    2）、训练自己的模型：

#准备数据：

$ cd data/

$ bash prepare-iwslt14.sh

$ cd ..

$ TEXT=data/iwslt14.tokenized.de-en

$ fairseq preprocess -sourcelang de -targetlang en \

 -trainpref $TEXT/train -validpref $TEXT/valid -testpref $TEXT/test \

 -thresholdsrc 3 -thresholdtgt 3 -destdir data-bin/iwslt14.tokenized.de-en

  

#训练模型，facebook放出了多个版本的seq2seq模型，并给出了例子：

# Standard bi-directional LSTM model

$ mkdir -p trainings/blstm

$ fairseq train -sourcelang de -targetlang en -datadir data-bin/iwslt14.tokenized.de-en \

 -model blstm -nhid 512 -dropout 0.2 -dropout_hid 0 -optim adam -lr 0.0003125 -savedir trainings/blstm

# Fully convolutional sequence-to-sequence model

$ mkdir -p trainings/fconv

$ fairseq train -sourcelang de -targetlang en -datadir data-bin/iwslt14.tokenized.de-en \

 -model fconv -nenclayer 4 -nlayer 3 -dropout 0.2 -optim nag -lr 0.25 -clip 0.1 \

 -momentum 0.99 -timeavg -bptt 0 -savedir trainings/fconv

# Convolutional encoder, LSTM decoder

$ mkdir -p trainings/convenc

$ fairseq train -sourcelang de -targetlang en -datadir data-bin/iwslt14.tokenized.de-en \

 -model conv -nenclayer 6 -dropout 0.2 -dropout_hid 0 -savedir trainings/convenc

 

执行程序过程中，代码会自动查找可以使用的GPU，如果不想占用太多GPU，可以使用：CUDA_VISIBLE_DEVICES=”GPU ID”指定想要使用的GPU,参考http://acceleware.com/blog/cudavisibledevices-masking-gpus。

F

    基本环境搭建和初步的使用到这里就差不多了，对网络结构感兴趣的朋友可以去钻研下源码，欢迎互相交流。

    更多的使用方法，参考FaceBook github地址：https://github.com/facebookresearch/fairseq

转载地址：https://lqfarmer.blog.csdn.net/article/details/72235899 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！