att_filter_size=att_filter_size,
att_filter_num=att_filter_num,
sos_id=sos_id,
att_temperature=att_temperature,
enc_num_layers=enc_num_layers,
dec_num_layers=dec_num_layers,
enc_bidirectional=enc_bidirectional,
enc_sub_sample=enc_sub_sample,
enc_rnn_type=enc_rnn_type)
# モデルのパラメータを読み込む
model.load_state_dict(torch.load(model_file))
# 訓練/開発データのデータセットを作成する
test_dataset = SequenceDataset(feat_scp_test,
label_test,
feat_mean,
feat_std)
# 評価データのDataLoaderを呼び出す
test_loader = DataLoader(test_dataset,
batch_size=batch_size,
shuffle=False,
num_workers=4)
# CUDAが使える場合はモデルパラメータをGPUに，
# そうでなければCPUに配置する
if torch.cuda.is_available():
device = torch.device('cuda')
else:
device = torch.device('cpu')
model = model.to(device)
enc_num_layers=enc_num_layers,
dec_num_layers=dec_num_layers,
enc_bidirectional=enc_bidirectional,
enc_sub_sample=enc_sub_sample,
enc_rnn_type=enc_rnn_type)
print(model)
# オプティマイザを定義
optimizer = optim.Adadelta(model.parameters(),
lr=initial_learning_rate,
rho=0.95,
eps=1e-8,
weight_decay=0.0)
# 訓練/開発データのデータセットを作成する
train_dataset = SequenceDataset(feat_scp_train, label_train, feat_mean,
feat_std)
# 開発データのデータセットを作成する
dev_dataset = SequenceDataset(feat_scp_dev, label_dev, feat_mean, feat_std)
# 訓練データのDataLoaderを呼び出す
# 訓練データはシャッフルして用いる
# (num_workerは大きい程処理が速くなりますが，
# PCに負担が出ます．PCのスペックに応じて
# 設定してください)
train_loader = DataLoader(train_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=4)
# 開発データのDataLoaderを呼び出す
# 開発データはデータはシャッフルしない
dim_out=dim_out,
num_layers=num_layers)
print(model)
# オプティマイザを定義
# ここでは momentum stochastic gradient descent
# を使用
optimizer = optim.SGD(model.parameters(),
lr=initial_learning_rate,
momentum=0.99)
# 訓練データのデータセットを作成する
# padding_indexはdim_out以上の値に設定する
train_dataset = SequenceDataset(train_feat_scp,
train_label_file,
feat_mean,
feat_std,
pad_index,
splice)
# 開発データのデータセットを作成する
dev_dataset = SequenceDataset(dev_feat_scp,
dev_label_file,
feat_mean,
feat_std,
pad_index,
splice)
# 訓練データのDataLoaderを呼び出す
# 訓練データはシャッフルして用いる
# (num_workerは大きい程処理が速くなりますが，
# PCに負担が出ます．PCのスペックに応じて
# 設定してください)