AIGC_text_detector 项目使用教程

1. 项目目录结构及介绍

AIGC_text_detector 项目目录结构如下：

AIGC_text_detector/
├── data/                         # 存放数据集
├── imgs/                         # 存放图片文件
├── requirements.txt              # 项目依赖的Python库
├── corpus_cleaning_kit.py        # 文本清洗工具
├── dataset.py                    # 数据集处理
├── multiscale_kit.py             # 多尺度处理工具
├── option.py                     # 参数配置
├── prior_kit.py                  # 先验知识工具
├── pu_loss_mod.py                # 正负样本不平衡损失函数
├── README.md                     # 项目说明文件
├── train.py                      # 训练脚本
└── utils.py                      # 工具函数

• data/：存放数据集文件，包括训练集和测试集。
• imgs/：存放项目相关的图片文件，例如模型架构图等。
• requirements.txt：记录项目所依赖的Python库，可以通过pip install -r requirements.txt命令安装。
• corpus_cleaning_kit.py：文本清洗工具，用于处理数据集中的文本，去除多余空格等。
• dataset.py：数据集处理模块，用于加载数据集并进行预处理。
• multiscale_kit.py：多尺度处理工具，用于实现文中提到的多尺度检测方法。
• option.py：参数配置模块，用于配置训练过程中的各种参数。
• prior_kit.py：先验知识工具，用于处理与先验知识相关的操作。
• pu_loss_mod.py：正负样本不平衡损失函数模块，用于解决正负样本不平衡问题。
• README.md：项目说明文件，详细介绍项目相关内容。
• train.py：训练脚本，用于启动模型训练过程。
• utils.py：工具函数模块，包含项目所需的工具函数。

2. 项目的启动文件介绍

项目的启动文件为train.py，该文件包含了启动模型训练所需的所有代码。以下是一个简单的启动示例：

CUDA_VISIBLE_DEVICES=0 python train.py --batch-size 32 --max-sequence-length 512 --train-data-file unfilter_full/en_train.csv --val-data-file unfilter_full/en_test.csv --model-name roberta-base --local-data data --lamb 0.4 --prior 0.2 --pu_type dual_softmax_dyn_dtrun --len_thres 55 --aug_min_length 1 --max-epochs 1 --weight-decay 0 --mode original_single --aug_mode sentence_deletion-0.25 --clean 1 --val_file1 unfilter_sent/en_test.csv --quick_val 1 --learning-rate 5e-05 --seed 0

用户可以根据自己的需求调整命令行参数，例如更改模型名称、数据集路径、训练参数等。

3. 项目的配置文件介绍

项目的配置文件为option.py，该文件包含了模型训练过程中所需的所有配置参数。以下是一些主要配置参数的说明：

• batch_size：训练过程中每批次的样本数量。
• max_sequence_length：文本序列的最大长度。
• train_data_file：训练数据集文件路径。
• val_data_file：验证数据集文件路径。
• model_name：使用的预训练模型名称。
• local_data：本地数据目录路径。
• lamb：正则化系数。
• prior：先验知识系数。
• pu_type：正负样本不平衡损失函数类型。
• len_thres：文本长度阈值。
• aug_min_length：数据增强的最小长度。
• max_epochs：最大训练轮数。
• weight_decay：权重衰减系数。
• mode：训练模式。
• aug_mode：数据增强模式。
• clean：是否进行文本清洗。
• val_file1：验证集文件路径。
• quick_val：是否进行快速验证。
• learning_rate：学习率。
• seed：随机种子。

用户可以通过修改option.py文件中的参数来调整训练过程，也可以通过命令行参数来覆盖配置文件中的参数。