以下是本范例模型的简要目录结构及说明：
.
├── README.md # 文档，本文件
├── 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 # 带注意力机制的对联生成程序
Sequence to Sequence (Seq2Seq)，使用编码器-解码器（Encoder-Decoder）结构，用编码器将源序列编码成vector，再用解码器将该vector解码为目标序列。Seq2Seq 广泛应用于机器翻译，自动对话机器人，文档摘要自动生成，图片描述自动生成等任务中。
本目录包含Seq2Seq的一个经典样例：自动对联生成，带attention机制的文本生成模型。
本模型中，在编码器方面，我们采用了基于LSTM的多层的RNN encoder；在解码器方面，我们使用了带注意力（Attention）机制的RNN decoder，在预测时我们使用Beam Search算法来生对联的下联。
本教程使用couplet数据集作为训练语料，该数据集来源于这个github repo，其中train_src.tsv及train_tgt.tsv为训练集，dev_src.tsv及dev_tgt.tsv为开发集，test_src.tsv及test_tgt.tsv为测试集。
数据集会在调用paddlenlp.datasets.load_dataset时自动下载，在linux系统下，数据集会自动下载到~/.paddlenlp/datasets/Couplet/目录下
执行以下命令即可训练带有注意力机制的Seq2Seq模型：
python train.py \
--num_layers 2 \
--hidden_size 512 \
--batch_size 128 \
--device gpu \
--model_path ./couplet_models \
--max_epoch 20
各参数的具体说明请参阅 args.py 。训练程序会在每个epoch训练结束之后，保存一次模型。
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=couplet_models/19即可，程序会自动加载模型参数couplet_models/19.pdparams，也会自动加载优化器状态couplet_models/19.pdopt。
训练完成之后，可以使用保存的模型（由 --init_from_ckpt 指定）对测试集进行beam search解码，命令如下：
python predict.py \
--num_layers 2 \
--hidden_size 512 \
--batch_size 128 \
--init_from_ckpt couplet_models/19 \
--infer_output_file infer_output.txt \
--beam_size 10 \
--device gpu
各参数的具体说明请参阅 args.py ，注意预测时所用模型超参数需和训练时一致。
上联：崖悬风雨骤 下联：月落水云寒
上联：约春章柳下 下联：邀月醉花间
上联：箬笠红尘外 下联：扁舟明月中
上联：书香醉倒窗前月 下联：烛影摇红梦里人
上联：踏雪寻梅求雅趣 下联：临风把酒觅知音
上联：未出南阳天下论 下联：先登北斗汉中书
上联：朱联妙语千秋颂 下联：赤胆忠心万代传
上联：月半举杯圆月下 下联：花间对酒醉花间
上联：挥笔如剑倚麓山豪气干云揽月去 下联：落笔似龙飞沧海龙吟破浪乘风来
我们的数据集采用了开源对联数据集couplet-clean-dataset，地址：https://github.com/v-zich/couplet-clean-dataset ，该数据集过滤了couplet-dataset（地址：https://github.com/wb14123/couplet-dataset ）中的低俗、敏感内容。