机器翻译baseline
1 下载和预处理数据集
# 导包
import os
import torch
from d2l import torch as d2l
D:\ana3\envs\nlp_prac\lib\site-packages\numpy\_distributor_init.py:32: UserWarning: loaded more than 1 DLL from .libs:
D:\ana3\envs\nlp_prac\lib\site-packages\numpy\.libs\libopenblas.IPBC74C7KURV7CB2PKT5Z5FNR3SIBV4J.gfortran-win_amd64.dll
D:\ana3\envs\nlp_prac\lib\site-packages\numpy\.libs\libopenblas.XWYDX2IKJW2NMTWSFYNGFUWKQU3LYTCZ.gfortran-win_amd64.dllstacklevel=1)
d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
'94646ad1522d915e7b0f9296181140edcf86a4f5')
#@save
def read_data_nmt():"""载⼊“英语-法语”数据集"""data_dir = d2l.download_extract('fra-eng')with open(os.path.join(data_dir, 'fra.txt'), 'r', encoding='utf-8') as f:return f.read()raw_text = read_data_nmt()
print(raw_text[:75])
# 下载成功!
Downloading ..\data\fra-eng.zip from http://d2l-data.s3-accelerate.amazonaws.com/fra-eng.zip...
Go. Va !
Hi. Salut !
Run! Cours !
Run! Courez !
Who? Qui ?
Wow! Ça alors !
# 预处理
def preprocess_nmt(text):def no_space(char, prev_char):return char in set(',.!?') and prev_char != ' '# 空格替换长空格、转小写, xa0是不间断空格text =text.replace('\u202f', ' ').replace('\xa0', ' ').lower()# 单词和标点符号之间插入空格out = [' ' + char if i > 0 and no_space(char, text[i-1]) else char for i, char in enumerate(text)]return ''.join(out)text = preprocess_nmt(raw_text)
print(text[:80])
go . va !
hi . salut !
run ! cours !
run ! courez !
who ? qui ?
wow ! ça alors !
2 词元化
# 可以设置样本数量
def tokenize_nmt(text, num_examples = None):source, target = [], []for i, line in enumerate(text.split('\n')):if num_examples and i > num_examples:breakparts = line.split('\t')if len(parts) == 2:source.append(parts[0].split(' '))target.append(parts[1].split(' '))return source, targetsource, target = tokenize_nmt(text)
source[:6], target[:6]
([['go', '.'],['hi', '.'],['run', '!'],['run', '!'],['who', '?'],['wow', '!']],[['va', '!'],['salut', '!'],['cours', '!'],['courez', '!'],['qui', '?'],['ça', 'alors', '!']])
# 绘制包含词元数量的直方图
def show_list_len_pair_hist(legend, xlabel, ylabel, xlist, ylist):d2l.set_figsize(figsize=(5,3))_, _, patches = d2l.plt.hist([[len(l) for l in xlist], [len(l) for l in ylist]])d2l.plt.xlabel(xlabel)d2l.plt.ylabel(ylabel)for patch in patches[0].patches:patch.set_hatch('\\')for patch in patches[1].patches:patch.set_hatch('/')d2l.plt.legend(legend)show_list_len_pair_hist(['source', 'target'], '# tokens per sequence','count', source, target)
3 构建词表,添加各种词元
# 构建词表,添加各种词元
src_vocab = d2l.Vocab(source, min_freq=2, reserved_tokens = ['<pad>', '<bos>', '<eos>'])
len(src_vocab)
10012
# 测试
src_vocab['hello'], src_vocab.to_tokens(1807)
(1807, 'hello')
4 加载数据集,截断或填充
# 截断和填充
def truncate_pad(line, num_steps, padding_token):if len(line) > num_steps: # 截断return line[:num_steps]return line + [padding_token] * (num_steps - len(line))truncate_pad(src_vocab[source[0]], 10, src_vocab['<pad>'])
[47, 4, 1, 1, 1, 1, 1, 1, 1, 1]
# 构建小批量数据集
def build_array_nmt(lines, vocab, num_steps):lines = [vocab[l] for l in lines]lines = [l + [vocab['<eos>']] for l in lines]array = torch.tensor([truncate_pad(l, num_steps, vocab['<pad>']) for l in lines])# 挺巧妙的方法计算长度valid_len = (array != vocab['<pad>']).type(torch.int32).sum(1) return array, valid_len
5 构造数据迭代器
def load_data_nmt(batch_size, num_steps, num_examples=600):text = preprocess_nmt(read_data_nmt()) # 文本预处理source, target = tokenize_nmt(text, num_examples) # 生成序列对# 构造词表src_vocab = d2l.Vocab(source, min_freq=2, reserved_tokens=['<pad>', '<bos>', '<eos>'])tgt_vocab = d2l.Vocab(target, min_freq=2,reserved_tokens=['<pad>', '<bos>', '<eos>'])# 构造小批量数据src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps)tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps)data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len)data_iter = d2l.load_array(data_arrays, batch_size)# 数据迭代器,词表return data_iter, src_vocab, tgt_vocab
# 读出第一个小批量数据
train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size=2, num_steps=8)
for x, x_valid_len, y, y_valid_len in train_iter:print('x: ', x.type(torch.int32))print('x的有效长度:', x_valid_len)print('y: ', y.type(torch.int32))print('y的有效长度:', y_valid_len)break
x: tensor([[ 90, 19, 4, 3, 1, 1, 1, 1],[136, 15, 4, 3, 1, 1, 1, 1]], dtype=torch.int32)
x的有效长度: tensor([4, 4])
y: tensor([[ 0, 12, 5, 3, 1, 1, 1, 1],[ 0, 5, 3, 1, 1, 1, 1, 1]], dtype=torch.int32)
y的有效长度: tensor([4, 3])
6 编码器解码器架构
6.1 编码器
from torch import nnclass Encoder(nn.Module):"""基本编码器接口"""def __init__(self, **kwargs):super(Encoder, self).__init__(**kwargs)def forward(self, x, *args):raise NotImplementedError
6.2 解码器
class Decoder(nn.Module):"""基本编码器接口"""def __init__(self, **kwargs):super(Decoder, self).__init__(**kwargs)def init_state(self, enc_outputs, *args):raise NotImplementedErrordef forward(self, x, state):raise NotImplementedError
6.3 合并编码器和解码器
class EncoderDecoder(nn.Module):"""编码器-解码器架构的基类"""def __init__(self, encoder, decoder, **kwargs):super(EncoderDecoder, self).__init__(**kwargs)self.encoder = encoderself.decoder = decoderdef forward(self, enc_x, dec_x, *args):enc_outputs = self.encoder(enc_x, *args) # 灌入数据等参数dec_state = self.decoder.init_state(enc_outputs, *args) # 思想向量灌入解码器return self.decoder(dec_x, dec_state)
7 seq2seq模型
7.1 编码器
import collections
import math
import torch
from torch import nn
from d2l import torch as d2l
class Seq2SeqEncoder(d2l.Encoder):"""Seq2Seq的RNN编码器"""def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,dropout=0, **kwargs):super(Seq2SeqEncoder, self).__init__(**kwargs)# 嵌入层self.embedding = nn.Embedding(vocab_size, embed_size)self.rnn = nn.GRU(embed_size, num_hiddens, num_layers, dropout=dropout)def forward(self, x, *args):# 输出x的形状:batch_size, num_steps, embed_sizex = self.embedding(x)# rnn中,第一个轴为时间步x = x.permute(1, 0, 2)# 状态初始默认为0output, state = self.rnn(x)# output维度: (num_steps, batch_size, num_hiddens)# state[0]的形状:(num_layers, batch_size, num_hiddens)return output, state
# 实例化上述编码器 词典大小 词向量维度 隐藏层单元数 编码器层数(隐藏层数量)
encoder = Seq2SeqEncoder(vocab_size=10, embed_size=8, num_hiddens=16, num_layers=2)
encoder.eval()
x = torch.zeros((4, 7), dtype=torch.long) # 4个长度为7的句子,即批量大小、时间步
output, state = encoder(x)
output.shape
torch.Size([7, 4, 16])
state.shape
torch.Size([2, 4, 16])
7.2 解码器
class Seq2SeqDecoder(d2l.Decoder):"""用于Seq2Seq学习的rnn解码器"""def __init__(self, vocab_size, embed_size, num_hiddens, num_layers, dropout=0, **kwargs):super(Seq2SeqDecoder, self).__init__(**kwargs)self.embedding = nn.Embedding(vocab_size, embed_size)self.rnn = nn.GRU(embed_size + num_hiddens, num_hiddens, num_layers, dropout=dropout)self.dense = nn.Linear(num_hiddens, vocab_size)def init_state(self, enc_outputs, *args):return enc_outputs[1]def forward(self, x, state):# x的维度:batch_size, num_steps, embed_sizex = self.embedding(x).permute(1, 0, 2)# 广播context,使具有与x系统的num_stepscontext = state[-1].repeat(x.shape[0], 1, 1)x_and_context = torch.cat((x, context), 2)output, state = self.rnn(x_and_context, state)output = self.dense(output).permute(1, 0, 2) # 换回去# output维度: batch_size, num_steps, vocab_size# state[0]维度:num_layers, batch_size, num_hiddensreturn output, state
# 实例化解码器
decoder = Seq2SeqDecoder(vocab_size=10, embed_size=8, num_hiddens=16, num_layers=2)
decoder.eval()
state = decoder.init_state(encoder(x))
output, state = decoder(x, state)
output.shape, state.shape
(torch.Size([4, 7, 10]), torch.Size([2, 4, 16]))
7.3 损失函数
# 先要屏蔽不相关的项
def sequence_mask(x, valid_len, value=0):"""在序列中屏蔽不相关的项"""maxlen = x.size(1) # 这里决定了总是操作第二维的长度!!
# print(maxlen)mask = torch.arange((maxlen), dtype=torch.float32, device=x.device)[None, :] < valid_len[:, None]# 在行维度上提升一维度, 在列维度上提升一个维度
# print(torch.arange((maxlen), dtype=torch.float32,
# device=x.device)[None, :])
# print(mask, ~mask, sep='\n')
# print(valid_len[:, None])x[~mask] = value # 把0给需要屏蔽的项目return x
# 测试
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
sequence_mask(x, torch.tensor([1, 2]))
tensor([[1, 0, 0],[4, 5, 0]])
# 测试广播
torch.tensor([[0., 1., 2.]]) < torch.tensor([[1],[2]])
~torch.tensor([[True, True, False]])
tensor([[False, False, True]])
# 屏蔽最后几个轴上的所有项;也可以指定非零值来替换这些项
x = torch.ones(2, 3, 4)
sequence_mask(x, torch.tensor([1, 2]), value=-1) # 第二维度上的前1和前2项保留
tensor([[[ 1., 1., 1., 1.],[-1., -1., -1., -1.],[-1., -1., -1., -1.]],[[ 1., 1., 1., 1.],[ 1., 1., 1., 1.],[-1., -1., -1., -1.]]])
# 计算最终的交叉熵损失(屏蔽了不相关的预测)
class MaskedSoftmaxCELoss(nn.CrossEntropyLoss):# pred形状:batch_size, num_steps, vocab_size# label: batch_size, num_steps (其实就是batch_size个句子,每个句子长度为num_steps)# valid_len:batch_size (每个句子的长度大小)def forward(self, pred, label, valid_len):weights = torch.ones_like(label)weights = sequence_mask(weights, valid_len)self.reduction = 'none'unweighted_loss = super(MaskedSoftmaxCELoss, self).forward(pred.permute(0, 2, 1), label)weighted_loss = (unweighted_loss * weights).mean(dim=1)return weighted_loss
# 测试
loss = MaskedSoftmaxCELoss()
loss(torch.ones(3, 4, 10), torch.ones((3, 4), dtype=torch.long), torch.tensor([4, 2, 0]))
tensor([2.3026, 1.1513, 0.0000])
7.4 训练
def train_seq2seq(net, data_iter, lr, num_epochs, tgt_vocab, device):"""训练seq2seq模型"""# xavier初始化权重def xavier_init_weights(m):if type(m) == nn.Linear:nn.init.xavier_uniform_(m.weight)if type(m) == nn.GRU:for param in m._flat_weights_names:if 'weight' in param:nn.init.xavier_uniform_(m._parameters[param])net.apply(xavier_init_weights) # 初始化网络参数net.to(device) # 使用gpu训练optimizer = torch.optim.Adam(net.parameters(), lr=lr) # 使用adam优化网络的参数,灌入学习率loss = MaskedSoftmaxCELoss() # 创建损失函数net.train() # 网络训练模式animator = d2l.Animator(xlabel='epoch', ylabel='loss', xlim=[10, num_epochs]) # 打印数据# 按照轮次进行训练for epoch in range(num_epochs):timer = d2l.Timer() # 计时器metric = d2l.Accumulator(2) # 训练损失总和,词元数量for batch in data_iter: # 批量数据训练optimizer.zero_grad() # 优化器梯度置为0x, x_valid_len, y, y_valid_len = [x.to(device) for x in batch] # 获取本次小批量数据bos = torch.tensor([tgt_vocab['<bos>']] * y.shape[0], # 加上开始标签device=device).reshape(-1, 1)dec_input = torch.cat([bos, y[:, :-1]], 1) # 强制教学 teacher forcing, 加上开始标签和原始输出序列y_hat, _ = net(x, dec_input, x_valid_len) # 输入灌入网络,获得预测值l = loss(y_hat, y, y_valid_len) # 计算损失l.sum().backward() # 损失函数的标量进行“反向传播”d2l.grad_clipping(net, 1) # 防止梯度爆炸num_tokens = y_valid_len.sum() # 标签的词元总数optimizer.step() # 优化器优化with torch.no_grad(): metric.add(l.sum(), num_tokens) # 损失总数,词元总数# 画图if (epoch + 1) % 10 == 0:animator.add(epoch + 1, (metric[0]) / metric[1], ) # 计算平均损失print(f'loss{metric[0] / metric[1]:.3f},{metric[1] / timer.stop():.1f}'f'tokens / sec on{str(device)}')
# 在机器翻译数据集上,创建和训练一个rnn“编码器-解码器”模型用于Seq2Seq的学习
# 初始化参数
embed_size, num_hiddens, num_layers, dropout = 64, 64, 2, 0.3
batch_size, num_steps = 64, 10
lr, num_epochs, device = 0.005, 500, d2l.try_gpu()train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size, num_steps) # 载入数据和词表
# 构造网络模型
encoder = Seq2SeqEncoder(len(src_vocab), embed_size, num_hiddens, num_layers, dropout)
decoder = Seq2SeqDecoder(len(tgt_vocab), embed_size, num_hiddens, num_layers, dropout)
net = d2l.EncoderDecoder(encoder, decoder)
# 训练
train_seq2seq(net, train_iter, lr, num_epochs, tgt_vocab, device)
loss 0.019, 17781.7 tokens / sec on cuda:0
## 保存模型
torch.save(net, 'mt_model_gru1.pth')
7.5 预测
# seq2seq模型的预测
def predict_seq2seq(net, src_sentence, src_vocab, tgt_vocab, num_steps, device, save_attention_weights=False):# 预测的时候,设置net为评估模式net.eval()# 原始句子转为tokenssrc_tokens = src_vocab[src_sentence.lower().split(' ')] + [src_vocab['<eos>']]enc_valid_len = torch.tensor([len(src_tokens)], device=device)# 用pad补全src_tokens = d2l.truncate_pad(src_tokens, num_steps, src_vocab['<pad>'])# 添加批量轴enc_x = torch.unsqueeze(torch.tensor(src_tokens, dtype=torch.long, device=device), dim=0)# 计算出思想向量enc_outputs = net.encoder(enc_x, enc_valid_len)# 用思想向量初始化解码器dec_state = net.decoder.init_state(enc_outputs, enc_valid_len)# 添加批量轴dec_x = torch.unsqueeze(torch.tensor([tgt_vocab['<bos>']], dtype=torch.long, device=device), dim=0)output_seq, attention_weight_seq = [], []for _ in range(num_steps):# 解码器中灌入初始词元<bos>和思想向量初始化的解码器y, dec_state = net.decoder(dec_x, dec_state)# 使用具有预测最高可能性的词元(贪心搜索),作为解码器在下一时间步的输入dec_x = y.argmax(dim=2)pred = dec_x.squeeze(dim=0).type(torch.int32).item() # 拿到这个标量# 保存注意力权重if save_attention_weights:attention_weight_seq.append(net.decoder.attention_weights)# 一旦序列结束词元被预测,输出序列的生成就完成了if pred == tgt_vocab['<eos>']:breakoutput_seq.append(pred) # 将每次预测token加入输出序列return ' '.join(tgt_vocab.to_tokens(output_seq)), attention_weight_seq
7.6 预测序列的评估——BLEU指标
- 前半部分为惩罚系数,惩罚短的预测序列
- 后半部分为精确度
def bleu(pred_seq, label_seq, k): # 累加到k元pred_tokens, label_tokens = pred_seq.split(' '), label_seq.split(' ')len_pred, len_label = len(pred_tokens), len(label_tokens)score = math.exp(min(0, 1 - len_label / len_pred)) # 计算惩罚项# 循环统计n元准确率,使用字典来实现for n in range(1, k + 1):num_matches, label_subs = 0, collections.defaultdict(int)for i in range(len_label - n + 1):label_subs[' '.join(label_tokens[i: i + n])] += 1for i in range(len_pred - n + 1):if label_subs[' '.join(pred_tokens[i: i + n])] > 0:num_matches += 1label_subs[' '.join(pred_tokens[i: i + n])] -= 1score *= math.pow(num_matches / (len_pred - n + 1), math.pow(0.5, n))return score
# 测试bleu最终结果
engs = ['go .', "i lost .", 'he\'s calm .', 'i\'m home .']
fras = ['va !', 'j\'ai perdu .', 'il est calme .', 'je suis chez moi .']
for eng, fra in zip(engs, fras):translation, attention_weight_seq = predict_seq2seq(net, eng, src_vocab, tgt_vocab, num_steps, device)print(f'{eng}=>{translation}, bleu{bleu(translation, fra, k=2):.3f}')
go . => va !, bleu 1.000
i lost . => j'ai perdu ., bleu 1.000
he's calm . => il est mouillé ., bleu 0.658
i'm home . => je suis chez <unk> ., bleu 0.752
机器翻译baseline相关推荐
- 讯飞机器翻译质量评估挑战赛Baseline(PaddlePaddle)
赛题简介 比赛地址:点击直达 举办方:科大讯飞股份有限公司 任务类型:质量评估(QE).自然语言回归 赛事背景 机器翻译质量评估(QE)指在没有人工翻译参考下对机器翻译系统译文进行自动打分.一方面,Q ...
- 神经机器翻译WMT14英法基准系统 WMT14 English-French Baseline
最近(2017年以来)的WMT14 English-French Baseline记录 1. GNMT https://arxiv.org/pdf/1609.08144.pdf 语料处理:a shar ...
- 这年头,机器翻译都会通过文字脑补画面了 | NAACL 2021
博雯 发自 凹非寺 量子位 报道 | 公众号 QbitAI 现在,想象一个外国人面前摆了句「金石迸碎荡尘埃,磐山纡水尽为开」. 除了痛苦地死抠复杂单词和长难句语法,他还能怎么去理解这句话呢? --想象 ...
- NLP精选10个实现项目推荐-涉及预训练Bert、知识图谱、智能问答、机器翻译、对话等...
自然语言处理技术近几年发展非常快,像BERT.GPT-3.图神经网络.知识图谱等技术被大量应用于项目实践中. 今年大厂的NLP面试中对项目方面的考察深度也随之提升了很多,经常会被面试官揪着细节一步一步 ...
- ACL 2021 | 北京大学KCL实验室:如何利用双语词典增强机器翻译?
今天给大家介绍一篇 ACL 2021 机器翻译的文章,这篇文章来自北京大学 KCL 实验室.KCL(Knowledge Computing Lab,知识计算实验室)是北大软件工程国家工程研究中心一支 ...
- AI Challenger 2018 机器翻译参赛总结
金山集团 AI Lab 组队参加了 AI Challenger 2018 全球挑战赛的英中机器翻译项目,并且获得冠军. AI Challenger 2018 主题为"用 AI 挑战真实世界 ...
- 聊聊机器翻译界的“灌水与反灌水之战”!
文 | Willie_桶桶 编 | 智商掉了一地 针对机器翻译领域如何提高和判断实验可信度,这篇ACL2021的oustanding paper迈出了关键的一步!(来读!全文在末尾) 作为不停读论文和 ...
- Step-by-step to Transformer:深入解析工作原理(以Pytorch机器翻译为例)
大家好,我是青青山螺应如是,大家可以叫我青青,工作之余是一名独立摄影师.喜欢美食.旅行.看展,偶尔整理下NLP学习笔记,不管技术文还是生活随感,都会分享本人摄影作品,希望文艺的技术青年能够喜欢~~如果 ...
- 参赛邀请 | 第二届古汉语自动分析国际评测EvaHan(古汉语机器翻译)开始报名...
EvaHan2023 中国古代典籍是中国传统文化的重要组成部分,在古籍研究领域,古籍的翻译起着非常重要的作用.古汉语在语法.句法.词汇等方面与现代汉语有很大的差异,提高古汉语到现代汉语的机器翻译性能可 ...
最新文章
- 传Exchange 15将于今年9月发布
- 百度CTO王海峰博鳌解读AI“融合创新”,算力算法数据发挥综合作用
- python3 split()函数
- 台湾瑞萨Synergy 助客户攻物联网
- 推荐:一个VS插件——CopySourceAsHtml
- Leetcode每日一题:376.wiggle-subsequence(摆动的序列)
- 苹果三星业绩比惨:iPhone营收降17%,三星手机运营利润降40%
- h3c Telnet配置实验
- xss绕过尖括号和双括号_【Web安全入门】三个技巧教你玩转XSS漏洞
- 如何删除mysql系统服务_如何彻底删除mysql服务(清理注册表)详解
- Alexa交叉编译(avs-device-sdk)
- 智慧城管管理平台和监控系统建设方案
- PJSIP集成G729
- webp的js插件_网页及CSS使用JS脚本加载webP图片
- 图形 1.3 纹理的秘密
- 002_Python基础学习网站
- 牛客小白月赛65个人题解A-E
- APP被Rejected 的各种原因翻译(转)
- RabbitMq集成SpirngBoot
- go 格式化占位符详解