WriteGPT

通用型议论文创作人工智能框架，仅限交流与科普。

项目简介

WriteGPT是基于OCR、NLP领域的最新模型所构建的生成式文本创作AI框架，目前第一版finetune模型针对高考作文（主要是议论文），可以有效生成符合人类认知的文章，多数文章经过测试可以达到正常高中生及格作文水平。

项目作者	主页1	主页2
Y1ran	CSDN	Github

致谢

感谢开源作者@imcaspar 在GPT-2中文预训练框架与数据中的支持。 感谢@白小鱼博士 、@YJango博士 、@画渣花小烙、@万物拣史 、@柴知道、@风羽酱-sdk、@WhatOnEarth、@这知识好冷、@科技狐 的参与和支持

框架说明

• 基于EAST、CRNN、Bert和GPT-2语言模型的高考作文生成AI
• 支持bert tokenizer，当前版本基于clue chinese vocab
• 17亿参数多模块异构深度神经网络，超2亿条预训练数据
• 线上点击即用的文本生成效果demo：17亿参数作文杀手
• 端到端生成，从试卷识别到答题卡输出一条龙服务

Colab线上作文生成功能

国内没有足够显存的免费GPU平台，所以配合Google Drive将训练好的AI核心功能Language Network写作模块迁移到Colab。

当前线上仅开放文本生成功ene，输入对应句子，AI返回生成文章。同一个句子可以输入多次，每一次输出都不同。也可以选择同时生成多篇文章。具体见：17亿参数作文杀手

• 第一步：安装环境

• 第二部：加载模型

• 第三步：文章生成

• 写作效果

本地环境

• Ubuntu 18.04.2
• Pandas 0.24.2
• Regex 2019.4.14
• h5py 2.9.0
• Numpy 1.16.2
• Tensorboard 1.15.2
• Tensorflow-gpu 1.15.2
• Requests 2.22.0
• OpenCV 3.4.2
• CUDA >= 10.0
• CuDNN >= 7.6.0

开发日志

• 2020.06.23 本地Git项目建立
• 2020.07.03 整体模型架构搭建，开始语料收集
• 2020.07.13 基于OCR的视觉网络训练
• 2020.08.01 GPT-2中文预训练模型微调
• 2020.08.14 Bert文本摘要模型
• 2020.08.23 通顺度判分网络测试
• 2020.09.14 排版脚本与输出装置改装
• 2021.02.15 修复网页版模型打分
• 2021.06.10 训练集中增加了《毛泽东选集》、《陈独秀文集》、《鲁迅文集》等著作

模型结构

整个框架分为EAST、CRNN、Bert、GPT-2、DNN 5个模块，每个模块的网络单独训练，参数相互独立。infer过程使用pipeline串联，通过外接装置直接输出到答题卡。

1. 输入

高考语文试卷作文题

2. 识别网络

2.1 EAST文本检测

OpenCV 的EAST文本检测器是一个深度学习模型，它能够在 720p 的图像上以13帧/秒的速度实时检测任意方向的文本，并可以获得很好的文本检测精度。

模型亮点

1. 简单的管道实现在当时较高精度的文本检测。
2. 图像通过FCN处理产生像素级文本缩放地图和几何图形的多个频道。
3. 可旋转的文本框，可以检测文本也可以检测单词。

EAST文本检测器需要 OpenCV3.4.2 或更高的版本，有需要的读者可以查看 OpenCV 安装教程。虽然EAST的模型在检测自然场景下的英文文本有着较好的性能，要实现中文场景下的中文文本检测，仍然需要重新训练模型。

数据集处理

中文文本识别的数据集要按照原作者的命名方式修改，即使使用ICDAR3013这类标准数据集，也需要修改对应的图片命名方式。原代码数据集的命名方式：图片1.jpg 图片1.txt。

此外，代码是通过获取文件类型然后重新命名以原来的文件类型保存的，所以文本数据和图片数据需要分开处理。

训练命令：

python multigpu_train.py --gpu_list=0 --input_size=512 --batch_size_per_gpu=14 --checkpoint_path=/tmp/east_icdar2015_resnet_v1_50_rbox/ \ --text_scale=512 --training_data_path=/data/ocr/icdar2015/ --geometry=RBOX --learning_rate=0.0001 --num_readers=24 \ --pretrained_model_path=/tmp/resnet_v1_50.ckpt 

更多细节可以参考：https://zhuanlan.zhihu.com/p/64737915

检测结果

除了EAST，也可以把识别网络替换为传统的CTPN等模型，github上有已经成熟的项目：https://github.com/Walleclipse/ChineseAddress_OCR

2.2 CRNN文本识别

参考 https://github.com/ooooverflow/chinese-ocr

数据准备

下载训练集：共约364万张图片，按照99: 1划分成训练集和验证集

数据利用中文语料库（新闻 + 文言文），通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成。包含汉字、英文字母、数字和标点共5990个字符，每个样本固定10个字符，字符随机截取自语料库中的句子，图片分辨率统一为280x32。

修改/train/config.py中train_data_root，validation_data_root以及image_path

训练

cd train  
python train.py

训练结果

Epoch 3/100
25621/25621 [==============================] - 15856s 619ms/step - loss: 0.1035 - acc: 0.9816 - val_loss: 0.1060 - val_acc: 0.9823
Epoch 4/100
25621/25621 [==============================] - 15651s 611ms/step - loss: 0.0798 - acc: 0.9879 - val_loss: 0.0848 - val_acc: 0.9878
Epoch 5/100
25621/25621 [==============================] - 16510s 644ms/step - loss: 0.0732 - acc: 0.9889 - val_loss: 0.0815 - val_acc: 0.9881
Epoch 6/100
25621/25621 [==============================] - 15621s 610ms/step - loss: 0.0691 - acc: 0.9895 - val_loss: 0.0791 - val_acc: 0.9886
Epoch 7/100
25621/25621 [==============================] - 15782s 616ms/step - loss: 0.0666 - acc: 0.9899 - val_loss: 0.0787 - val_acc: 0.9887
Epoch 8/100
25621/25621 [==============================] - 15560s 607ms/step - loss: 0.0645 - acc: 0.9903 - val_loss: 0.0771 - val_acc: 0.9888

2. 语言网络

2.1 BERT文本摘要

BERT的全称是Bidirectional Encoder Representation from Transformers，即双向Transformer的Encoder。模型的主要创新点在pre-train方法上，用了Masked LM和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation。

模型的构成元素Transformer可以参考Google的 Attention is all you need ，BERT模型的结构如下图最左：

对比OpenAI GPT(Generative pre-trained transformer)，BERT是双向的Transformer block连接；就像单向RNN和双向RNN的区别，直觉上来讲效果会好一些。

在原论文中，作者展示了新的语言训练模型，称为编码语言模型与下一句预测

Original Paper : 3.3.1 Task #1: Masked LM

Input Sequence : The man went to [MASK] store with [MASK] dog Target Sequence : the his

规则: 会有15%的随机输入被改变，这些改变基于以下规则

• 80%的tokens会成为‘掩码’token
• 10%的tokens会称为‘随机’token
• 10%的tokens会保持不变但需要被预测

下一句预测

Input : [CLS] the man went to the store [SEP] he bought a gallon of milk [SEP] Label : Is Next Input = [CLS] the man heading to the store [SEP] penguin [MASK] are flight ##less birds [SEP] Label = NotNext

规则:

• 50%的下一句会（随机）成为连续句子
• 50%的下一句会（随机）成为不关联句子

训练

• 哈工大的新浪微博短文本摘要LCSTS
• 教育新闻自动摘要语料chinese_abstractive_corpus

python run.py --model bert

测试时，需要用正则表达式过滤考试专用词，包括“阅读下面的材料，根据要求写作”，“要求：xxx”，“请完成/请结合/请综合xx”。

比如

人们用眼睛看他人、看世界，却无法直接看到完整的自己。所以，在人生的旅程中，我们需要寻找各种“镜子”、不断绘制“自画像”来审视自我，尝试回答“我是怎样的人”“我想过怎样的生活”“我能做些什么”“如何生活得更有意义”等重要的问题。

2.2 GPT-2文本生成

参考：https://github.com/imcaspar/gpt2-ml/

预训练语料来自 THUCNews 以及 nlp_chinese_corpus，清洗后总文本量约 15G。 Finetune语料来自历年满分高考作文、优质散文集以及近现代散文作品，约1000篇。

预训练
参考 GPT2-ML 预训练模型，使用 Quadro RTX 8000 训练 28w 步

Finetune

1、进入dataset目录
python pre_data.py --filepath /data/home/share1/gpt2-ml-Finetune/data-mayun_xiugai --outfile /data/home/share1/gpt2-ml-Finetune/data/22.json
filepath为finetune数据目录

2、生成tfrecord训练数据
python prepare_data.py -input_fn /data/home/share1/gpt2-ml-Finetune/data

3、finetune
CUDA_VISIBLE_DEVICES=0  python train/train_wc.py --input_file=/data/EssayKiller/gpt2-ml-Finetune/data/train.tfrecord --output_dir=/data/EssayKiller/gpt2-ml-Finetune/finetune_model --init_checkpoint=/data/EssayKiller/gpt2-ml/models/mega/model.ckpt-220000

3.判分网络

3.1 DNN判分模型

这部分直接调用百度API。有现成的模型就不重复造轮子了，具体实现方式百度没有开源，这里简单描述一下语言模型的概念： 语言模型是通过计算给定词组成的句子的概率，从而判断所组成的句子是否符合客观语言表达习惯。通常用于机器翻译、拼写纠错、语音识别、问答系统、词性标注、句法分析和信息检索等。

这里使用通顺度打分作为判断依据。

3.2 高考排版器

标题
复用BERT_SUM生成Top3的NER粒度token作为标题

主体
高考议论文的写作格式要求如下：

1. 标题居中，一般少于20字
2. 每段段首缩进两格
3. 每个字符尽量保持在字体框内
4. 字数不能过长或过短

由于模型输出的文章不保证换行和分段，通过统计高考作文的常见段数、每段句数，编写脚本对输出进行划分。大多数情况下分段排版的结果都比较合理。

输出

答题卡

外接装置

基于aedraw，一款开源的CNC(Computer Numerical Control数控机床)画图机器人，具有绘制图案、写字等功能，它也可以升级为激光雕刻等用途。 详细教程见 http://aelab.net/ ，不仅能自己制作一台写字绘画机器人，而且能够掌握其工作原理拓展更多的应用。

原版的输出临摹装置存在速度慢和格式不准的问题，通过改装和修改源代码得以优化

• 因为时间原因目前的手写装置还有些问题，偶尔会有漏写、越格的问题
• 视频中的作文经过后期的人工处理，补上了漏字

预训练模型

模型	参数量	下载链接	备注
EAST	< 0.1 Billion	GoogleDrive	检测模型
CRNN	< 0.1 Billion	网盘链接 提取码：vKeD	识别模型
BERT	0.1 Billion	GoogleDrive	摘要模型
GPT-2	1.5 Billion	GoogleDrive	生成模型

整个AI的参数量分布不均匀，主要原因在于，这是一个语言类AI，99%的参数量集中在语言网络中，其中GPT-2（15亿）占88%，BERT（1.1亿）占7%，其他的识别网络和判分网络共占5%。

当前问题

• 输出的格式和高考作文还不能完美契合，之后的参数需要微调一下。为了国庆前完成，我还没来得及优化
• 生成的100篇作文里有很大一部分其实算不上合格的作文，有些只能勉强及格，有些甚至能拿零分（占比不多），显然GPT-2的能力有限。为了视频效果我只选了相对好的几篇做展示
• 英文版的说明还没来得及写，有空的同学可以翻译一下提个pr

Q&A

• 我能否用EssayKiller来帮自己写作业？
  不能。所以有下一个问题：

• 为什么缺少一些关键文件？
  项目在一开始是完全开源的，经过慎重考虑我认为完全开源会被部分别有用心的人用以牟利，甚至用作不法用途。参考咸鱼和淘宝上一些魔改的开源框架应用。部分懂技术又不想动笔的小同志可能会让Essaykiller帮自己写作业，比如读后感、课后作文、思修小论文。我想说，这样不好。

• 为什么不直接加密？
  本来打算用混淆加密，但一些模块本就是开源的，所以我开源了整体的模型文件，只隐藏了关键的，包括pipeline、输入输出在内的文件，另外有些文件里也加了盐。

• 有哪些模组可用？
  目前完全开源，可以独立复用的部分包括：

  • 检测网络
  • 文本摘要网络
  • 文本生成网络
  • 判分网络与排版脚本

• 为什么不用GPT-3
  训练一个中文GPT-3的价格至少为1200万美元，折合人民币将近1亿。要是真有人训练出来一个中文GPT-3还开源模型文件了，我愿称之为最强。

• 训练EssayKiller需要多少钱？
  从头到尾训练完pipeline的话在1K～100K人民币不等，取决于你有无分布式集群可用

Citation

@misc{EssayKillerBrain,
  author = {Turing's Cat},
  title = {Autowritting Ai Framework},
  year = {2020},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/EssayKillerBrain/writeGPT}},
}

参考资料

[1] BERT：面向语言理解的深度双向Transformer预训练
[2] ERNIE：通过知识融合增强表示
[3] 针对抽取式摘要任务微调BERT
[4] EAST：一种高效准确的场景文本检测器
[5] 一种端到端可训练的基于图像的序列识别神经网络及其在场景文本识别中的应用
[6] 语言模型是无监督的多任务学习者
[7] https://github.com/Morizeyao/GPT2-Chinese
[8] https://github.com/argman/EAST
[9] https://github.com/bgshih/crnn
[10] https://github.com/zhiyou720/chinese_summarizer
[11] https://zhuanlan.zhihu.com/p/64737915
[12] https://github.com/ouyanghuiyu/chineseocr_lite
[13] https://github.com/google-research/bert
[14] https://github.com/rowanz/grover
[15] https://github.com/wind91725/gpt2-ml-finetune-
[16] https://github.com/guodongxiaren/README
[17] https://www.jianshu.com/p/55560d3e0e8a
[18] https://github.com/YCG09/chinese_ocr
[19] https://github.com/xiaomaxiao/keras_ocr
[20] https://github.com/nghuyong/ERNIE-Pytorch
[21] https://zhuanlan.zhihu.com/p/43534801 [22] https://blog.csdn.net/xuxunjie147/article/details/87178774/
[23] https://github.com/JiangYanting/Pre-modern_Chinese_corpus_dataset
[24] https://github.com/brightmart/nlp_chinese_corpus
[25] https://github.com/SophonPlus/ChineseNlpCorpus
[26] https://github.com/THUNLP-AIPoet/Resources
[27] https://github.com/OYE93/Chinese-NLP-Corpus
[28] https://github.com/CLUEbenchmark/CLUECorpus2020
[29] https://github.com/zhiyou720/chinese_summarizer

免责声明

该项目中的内容仅供技术研究与科普，不作为任何结论性依据，不提供任何商业化应用授权

WriteGPT 快速上手指南

WriteGPT 是一个基于 OCR、NLP 最新模型构建的通用型议论文创作 AI 框架。本项目主要针对高考作文（议论文）场景，支持从试卷图像识别到文章生成的端到端流程。

环境准备

系统要求

• 操作系统: Ubuntu 18.04.2 (推荐)
• GPU: 支持 CUDA >= 10.0
• 驱动: CuDNN >= 7.6.0

前置依赖

请确保已安装以下 Python 库及版本：

• Pandas 0.24.2
• Regex 2019.4.14
• h5py 2.9.0
• Numpy 1.16.2
• Tensorboard 1.15.2
• Tensorflow-gpu 1.15.2 (核心依赖)
• Requests 2.22.0
• OpenCV 3.4.2 (用于 EAST 文本检测)

注意：本项目基于 TensorFlow 1.x 构建，请勿使用 TF 2.x 环境。

安装步骤

1. 克隆项目

git clone https://github.com/EssayKillerBrain/writeGPT.git
cd writeGPT

2. 安装 Python 依赖

建议使用虚拟环境安装依赖：

pip install pandas==0.24.2 regex==2019.4.14 h5py==2.9.0 numpy==1.16.2 tensorboard==1.15.2 tensorflow-gpu==1.15.2 requests==2.22.0 opencv-python==3.4.2

3. 下载预训练模型

项目包含 EAST(检测)、CRNN(识别)、BERT(摘要)、GPT-2(生成) 四个核心模块。请根据 预训练模型 表格下载对应权重文件：

模型	用途	下载来源建议
EAST	文本检测	GoogleDrive / 自行寻找国内镜像
CRNN	文本识别	百度网盘 (提取码：vKeD)
BERT	文本摘要	GoogleDrive
GPT-2	文章生成	GoogleDrive

将下载的模型文件放置于项目指定的 checkpoint 或 models 目录中（具体路径参考各模块训练脚本中的默认配置）。

基本使用

本项目提供两种主要使用方式：本地全流程部署（需高性能 GPU）和 Colab 在线文本生成（推荐快速体验）。

方式一：Colab 在线文本生成（推荐）

由于国内免费 GPU 资源有限，官方提供了迁移至 Google Colab 的轻量级使用方案，仅包含语言网络（写作模块）。

1. 打开 Notebook 访问：17 亿参数作文杀手 Colab

2. 安装环境 在第一个代码单元格运行：

   # 安装必要依赖
   !pip install ... (参考 Notebook 内具体指令)
   

3. 加载模型 运行加载预训练权重的代码块，系统将自动挂载 Google Drive 并读取 GPT-2 微调模型。

4. 生成文章 输入作文题目或关键句，执行生成命令。同一输入可多次运行以获取不同结果。

   # 示例逻辑（具体见 Notebook）
   generate_essay(prompt="人们用眼睛看他人、看世界，却无法直接看到完整的自己...")
   

方式二：本地端到端流程（高级用户）

若需在本地完成从“试卷图片”到“答题卡输出”的全流程，需依次调用以下模块：

1. 文本检测 (EAST)

对试卷图片进行文本区域检测：

python multigpu_train.py --gpu_list=0 --input_size=512 --batch_size_per_gpu=14 --checkpoint_path=/tmp/east_icdar2015_resnet_v1_50_rbox/ --text_scale=512 --training_data_path=/data/ocr/icdar2015/ --geometry=RBOX --learning_rate=0.0001 --num_readers=24 --pretrained_model_path=/tmp/resnet_v1_50.ckpt

注：实际推理请使用对应的 inference 脚本加载上述训练好的 checkpoint。

2. 文本识别 (CRNN)

进入识别目录并运行：

cd train
python train.py

注：需先修改 /train/config.py 中的 train_data_root 等路径配置。

3. 文本摘要与清洗 (BERT)

提取作文题目核心信息，并过滤考试专用词（如“阅读下面的材料”）：

python run.py --model bert

4. 文章生成 (GPT-2 Finetune)

使用微调后的 GPT-2 模型生成正文：

# 1. 数据预处理
python pre_data.py --filepath /data/home/share1/gpt2-ml-Finetune/data-mayun_xiugai --outfile /data/home/share1/gpt2-ml-Finetune/data/22.json

# 2. 生成 TFRecord
python prepare_data.py -input_fn /data/home/share1/gpt2-ml-Finetune/data

# 3. 执行微调或推理
CUDA_VISIBLE_DEVICES=0 python train/train_wc.py --input_file=/data/EssayKiller/gpt2-ml-Finetune/data/train.tfrecord --output_dir=/data/EssayKiller/gpt2-ml-Finetune/finetune_model --init_checkpoint=/data/EssayKiller/gpt2-ml/models/mega/model.ckpt-220000

5. 排版与输出

生成的文本将通过内置脚本进行分段、缩进处理，并可配合外接装置（如 aedraw 绘图机器人）输出至物理答题卡。