以下是本范例模型的简要目录结构及说明：
.
├── README.md # 文档
├── args.py # 训练、预测以及模型参数配置程序
├── data.py # 数据读入程序
├── train.py # 训练主程序
├── predict.py # 预测主程序
└── model.py # VAE模型组网部分，以及Metric等
本目录下此范例模型的实现，旨在展示如何用Paddle构建用于文本生成的VAE示例，其中LSTM作为编码器和解码器。分别对PTB数据集和Yahoo Answer（采样100k）数据集进行训练。
关于VAE的详细介绍参照： (Bowman et al., 2015) Generating Sentences from a Continuous Space
本教程使用了两个文本数据集：
PTB数据集由华尔街日报的文章组成，包含929k个训练tokens，词汇量为10k。下载地址为: https://dataset.bj.bcebos.com/imikolov%2Fsimple-examples.tgz。
Yahoo数据集来自(Yang et al., 2017) Improved Variational Autoencoders for Text Modeling using Dilated Convolutions，该数据集从原始Yahoo Answer数据中采样100k个文档，数据集的平均文档长度为78，词汇量为200k。下载地址为：https://paddlenlp.bj.bcebos.com/datasets/yahoo-answer-100k.tar.gz，运行本例程序后，数据集会自动下载到`~/.paddlenlp/datasets/YahooAnswer100k`目录下。
如果使用ptb数据集训练，可以通过下面命令配置：
export CUDA_VISIBLE_DEVICES=0
python train.py \
--batch_size 32 \
--init_scale 0.1 \
--max_grad_norm 5.0 \
--dataset ptb \
--model_path ptb_model\
--device gpu \
--max_epoch 50 \
如果需要多卡运行，可以运行如下命令：
export CUDA_VISIBLE_DEVICES=0,1,2,3
python -m paddle.distributed.launch train.py \
--batch_size 32 \
--init_scale 0.1 \
--max_grad_norm 5.0 \
--dataset ptb \
--model_path ptb_model \
--device gpu \
--max_epoch 50 \
如果需要使用yahoo数据集进行多卡运行，可以将参数配置如下：
export CUDA_VISIBLE_DEVICES=0,1,2,3
python -m paddle.distributed.launch train.py \
--batch_size 32 \
--embed_dim 512 \
--hidden_size 550 \
--init_scale 0.1 \
--max_grad_norm 5.0 \
--dataset yahoo \
--model_path yahoo_model \
--device gpu \
--max_epoch 50 \
NOTE: 如需恢复模型训练，则init_from_ckpt只需指定到文件名即可，不需要添加文件尾缀。如--init_from_ckpt ptb_model/49即可，程序会自动加载模型参数ptb_model/49.pdparams，也会自动加载优化器状态ptb_model/49.pdopt。
当模型训练完成之后，可以选择加载模型保存目录下的第 50 个epoch的模型进行预测，生成batch_size条短文本。生成的文本位于参数infer_output_file指定的路径下。如果使用ptb数据集，可以通过下面命令配置：
export CUDA_VISIBLE_DEVICES=0
python predict.py \
--batch_size 32 \
--init_scale 0.1 \
--max_grad_norm 5.0 \
--dataset ptb \
--device gpu \
--infer_output_file infer_output.txt \
--init_from_ckpt ptb_model/49 \
使用yahoo数据集，需要配置embed_dim和hidden_size：
python predict.py \
--batch_size 32 \
--init_scale 0.1 \
--embed_dim 512 \
--hidden_size 550 \
--max_grad_norm 5.0 \
--dataset yahoo \
--device gpu \
--infer_output_file infer_output.txt \
--init_from_ckpt yahoo_model/49 \
| Test PPL | Test NLL | |
|---|---|---|
| ptb dataset | 108.71 | 102.76 |
| yahoo dataset | 78.38 | 349.48 |
shareholders were spent about N shares to spend $ N million to ual sell this trust stock last week
new york stock exchange composite trading trading outnumbered closed at $ N a share down N cents
the company cited pressure to pursue up existing facilities in the third quarter was for and four N million briefly stocks for so-called unusual liability
people had down out the kind of and much why your relationship are anyway
there are a historic investment giant chips which ran the benefit the attempting to original maker