机器翻译与数据集_by《李沐：动手学深度学习v2》pytorch版

系列文章目录

介绍机器翻译

语言模型是自然语言处理的关键， 而机器翻译是语言模型最成功的基准测试。 因为机器翻译正是将输入序列转换成输出序列的序列转换模型（sequence transduction）的核心问题。 序列转换模型在各类现代人工智能应用中发挥着至关重要的作用， 为此，本节将介绍机器翻译问题及其后文需要使用的数据集。
机器翻译（machine translation）指的是将序列从一种语言自动翻译成另一种语言。 事实上，这个研究领域可以追溯到数字计算机发明后不久的20世纪40年代， 特别是在第二次世界大战中使用计算机破解语言编码。 几十年来，在使用神经网络进行端到端学习的兴起之前， 统计学方法在这一领域一直占据主导地位。因为统计机器翻译（statistical machine translation）涉及了 翻译模型和语言模型等组成部分的统计分析， 因此基于神经网络的方法通常被称为 神经机器翻译（neural machine translation）， 用于将两种翻译模型区分开来。
本书的关注点是神经网络机器翻译方法，强调的是端到端的学习。下面，我们看一下如何将预处理后的数据加载到小批量中用于之后的训练。

import os
import torch
from d2l import torch as d2l

下载和预处理数据集

首先，下载一个由Tatoeba项目的双语句子对
组成的“英－法”数据集，数据集中的每一行都是制表符分隔的文本序列对，序列对由英文文本序列和翻译后的法语文本序列组成。
请注意，每个文本序列可以是一个句子，也可以是包含多个句子的一个段落。
在这个将英语翻译成法语的机器翻译问题中，英语是源语言（source language），法语是目标语言（target language）。

# 注册数据集到数据中心，指定数据集名称和下载链接及其校验和
d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
                           '94646ad1522d915e7b0f9296181140edcf86a4f5')

# 定义一个函数，用于加载“英语－法语”数据集
def read_data_nmt():
    """载入“英语－法语”数据集"""
    # 下载并解压数据集，返回数据目录
    data_dir = d2l.download_extract('fra-eng')
    
    # 打开解压后的文本文件，读取其内容
    with open(os.path.join(data_dir, 'fra.txt'), 'r', encoding='utf-8') as f:
        return f.read()  # 返回文件的全部内容

# 调用函数，获取原始文本数据
raw_text = read_data_nmt()

# 打印原始文本的前50个字符
print(raw_text[:50])

Go.	Va !
Hi.	Salut !
Run!	Cours !
Run!	Courez !
Wh

下载数据集后，原始文本数据需要经过[几个预处理步骤]。
例如，我们用空格代替不间断空格（non-breaking space），使用小写字母替换大写字母，并在单词和标点符号之间插入空格。

def preprocess_nmt(text):
    """预处理“英语－法语”数据集"""
    
    # 定义一个辅助函数，用于判断是否在单词和标点之间插入空格
    def no_space(char, prev_char):
        return char in set(',.!?') and prev_char != ' '

    # 将文本中的不间断空格和某些特殊空格替换为普通空格
    # 将文本转换为小写字母
    text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()
    
    # 在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)]
    
    # 将处理后的字符列表连接成一个字符串并返回
    return ''.join(out)

# 调用预处理函数，处理原始文本数据
text = preprocess_nmt(raw_text)

# 打印处理后的文本前80个字符
print(text[:80])

go .	va !
hi .	salut !
run !	cours !
run !	courez !
who ?	qui ?
wow !	ça alors !

词元化

与字符级词元化不同，在机器翻译中，我们更喜欢单词级词元化（最先进的模型可能使用更高级的词元化技术）。下面的tokenize_nmt函数对前num_examples个文本序列对进行词元，其中每个词元要么是一个词，要么是一个标点符号。
此函数返回两个词元列表：source和target：source[i]是源语言（这里是英语）第$i$个文本序列的词元列表，target[i]是目标语言（这里是法语）第$i$个文本序列的词元列表。

# 定义一个函数，用于将“英语－法语”数据集进行词元化
def tokenize_nmt(text, num_examples=None):
    """词元化“英语－法语”数据集"""
    
    # 初始化源语言（英语）和目标语言（法语）的列表
    source, target = [], []
    
    # 遍历文本中的每一行
    for i, line in enumerate(text.split('\n')):
        # 如果指定了样本数量，且已处理的行数超过该数量，则停止处理
        if num_examples and i > num_examples:
            break
        
        # 将当前行按制表符分割，得到源语言和目标语言的部分
        parts = line.split('\t')
        
        # 如果当前行包含源语言和目标语言（即分割后有两个部分）
        if len(parts) == 2:
            # 将源语言部分按空格分割并添加到源语言列表中
            source.append(parts[0].split(' '))
            # 将目标语言部分按空格分割并添加到目标语言列表中
            target.append(parts[1].split(' '))
    
    # 返回源语言和目标语言的列表
    return source, target

# 调用词元化函数，处理文本数据
source, target = tokenize_nmt(text)

# 打印源语言和目标语言的前6个样本
source[:6], target[:6]

([['go', '.'],
  ['hi', '.'],
  ['run', '!'],
  ['run', '!'],
  ['who', '?'],
  ['wow', '!']],
 [['va', '!'],
  ['salut', '!'],
  ['cours', '!'],
  ['courez', '!'],
  ['qui', '?'],
  ['ça', 'alors', '!']])

让我们[绘制每个文本序列所包含的词元数量的直方图]。
在这个简单的“英－法”数据集中，大多数文本序列的词元数量少于$20$个。

# 定义一个函数，用于绘制列表长度对的直方图
def show_list_len_pair_hist(legend, xlabel, ylabel, xlist, ylist):
    """绘制列表长度对的直方图"""
    
    # 设置图形的大小
    d2l.set_figsize()
    
    # 绘制直方图，计算 xlist 和 ylist 中每个列表的长度
    _, _, patches = d2l.plt.hist(
        [[len(l) for l in xlist], [len(l) for l in ylist]]
    )
    
    # 设置 x 轴标签
    d2l.plt.xlabel(xlabel)
    
    # 设置 y 轴标签
    d2l.plt.ylabel(ylabel)
    
    # 为第二个数据集的直方图的每个条形设置斜线填充
    for patch in patches[1].patches:
        patch.set_hatch('/')
    
    # 添加图例
    d2l.plt.legend(legend)

# 调用函数，绘制源语言和目标语言的长度直方图
show_list_len_pair_hist(['source', 'target'], '# tokens per sequence',
                        'count', source, target);

词表

由于机器翻译数据集由语言对组成，因此我们可以分别为源语言和目标语言构建两个词表。
使用单词级词元化时，词表大小将明显大于使用字符级词元化时的词表大小。
为了缓解这一问题，这里我们将出现次数少于2次的低频率词元视为相同的未知（“<unk>”）词元。
除此之外，我们还指定了额外的特定词元，例如在小批量时用于将序列填充到相同长度的填充词元（“<pad>”），以及序列的开始词元（“<bos>”）和结束词元（“<eos>”）。这些特殊词元在自然语言处理任务中比较常用。

# 创建源语言（英语）词汇表，指定最小频率和保留的特殊标记
src_vocab = d2l.Vocab(source, min_freq=2,
                      reserved_tokens=['<pad>', '<bos>', '<eos>'])

# 获取词汇表中的词汇数量
len(src_vocab)

10012

# 访问源语言列表中的第一个句子，并获取该句子的第二个词元
source[0][1]

'.'

加载数据集

回想一下，语言模型中的[序列样本都有一个固定的长度]，无论这个样本是一个句子的一部分还是跨越了多个句子的一个片断。
这个固定长度是由语言模型中的num_steps（时间步数或词元数量）参数指定的。
在机器翻译中，每个样本都是由源和目标组成的文本序列对，其中的每个文本序列可能具有不同的长度。
为了提高计算效率，我们仍然可以通过截断（truncation）和填充（padding）方式实现一次只处理一个小批量的文本序列。
假设同一个小批量中的每个序列都应该具有相同的长度num_steps，那么如果文本序列的词元数目少于num_steps时，我们将继续在其末尾添加特定的“<pad>”词元，直到其长度达到num_steps；反之，我们将截断文本序列时，只取其前num_steps 个词元，并且丢弃剩余的词元。这样，每个文本序列将具有相同的长度，以便以相同形状的小批量进行加载。如前所述，下面的truncate_pad函数将(截断或填充文本序列)。

# 定义一个函数，用于截断或填充文本序列
def truncate_pad(line, num_steps, padding_token):
    """截断或填充文本序列"""
    
    # 如果序列长度超过指定的步数，则进行截断
    if len(line) > num_steps:
        return line[:num_steps]  # 截断到 num_steps 长度
    
    # 否则，进行填充，直到达到指定的步数
    return line + [padding_token] * (num_steps - len(line))  # 填充

# 调用函数，处理源语言的第一个句子，目标长度为 10，填充标记为词汇表中的 <pad>
truncate_pad(src_vocab[source[0]], 10, src_vocab['<pad>'])

[47, 4, 1, 1, 1, 1, 1, 1, 1, 1]

现在我们定义一个函数，可以将文本序列[转换成小批量数据集用于训练]。
我们将特定的“<eos>”词元添加到所有序列的末尾，用于表示序列的结束。
当模型通过一个词元接一个词元地生成序列进行预测时，生成的“<eos>”词元说明完成了序列输出工作。
此外，我们还记录了每个文本序列的长度，统计长度时排除了填充词元，在稍后将要介绍的一些模型会需要这个长度信息。

# 定义一个函数，将机器翻译的文本序列转换成小批量
def build_array_nmt(lines, vocab, num_steps):
    """将机器翻译的文本序列转换成小批量"""
    
    # 将每个文本行转换为对应的词汇表索引
    lines = [vocab[l] for l in lines]
    
    # 在每个序列末尾添加结束标记 <eos>
    lines = [l + [vocab['<eos>']] for l in lines]
    
    # 使用 truncate_pad 函数填充或截断每个序列，并转换为张量
    array = torch.tensor([truncate_pad(
        l, num_steps, vocab['<pad>']) for l in lines])
    
    # 计算每个序列的有效长度（不包括填充部分）
    valid_len = (array != vocab['<pad>']).type(torch.int32).sum(1)
    
    # 返回填充后的张量和有效长度
    return array, valid_len

训练模型

最后，我们定义load_data_nmt函数来返回数据迭代器，以及源语言和目标语言的两种词表。

# 定义一个函数，用于加载翻译数据集并返回迭代器和词表
def load_data_nmt(batch_size, num_steps, num_examples=600):
    """返回翻译数据集的迭代器和词表"""
    
    # 读取和预处理数据
    text = preprocess_nmt(read_data_nmt())
    
    # 对文本进行词元化，得到源语言和目标语言
    source, target = tokenize_nmt(text, num_examples)
    
    # 创建源语言的词汇表，指定最小频率和保留的特殊标记
    src_vocab = d2l.Vocab(source, min_freq=2,
                          reserved_tokens=['<pad>', '<bos>', '<eos>'])
    
    # 创建目标语言的词汇表，指定最小频率和保留的特殊标记
    tgt_vocab = d2l.Vocab(target, min_freq=2,
                          reserved_tokens=['<pad>', '<bos>', '<eos>'])
    
    # 将源语言序列转换为数组，并计算有效长度
    src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps)
    
    # 将目标语言序列转换为数组，并计算有效长度
    tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps)
    
    # 将所有数据数组组合成一个元组
    data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len)
    
    # 创建数据迭代器，支持批量处理
    data_iter = d2l.load_array(data_arrays, batch_size)
    
    # 返回数据迭代器和源、目标语言的词汇表
    return data_iter, src_vocab, tgt_vocab

当然可以！以下是对 Vocab 类的逐行解释，以及对整个类的总结。

class Vocab:
    """Vocabulary for text."""
    
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        """初始化词汇表"""
        if tokens is None:
            tokens = []  # 如果没有提供 tokens，则初始化为空列表
        if reserved_tokens is None:
            reserved_tokens = []  # 如果没有提供保留的特殊标记，则初始化为空列表
        
        # 统计词频并按频率排序
        counter = count_corpus(tokens)  # 统计每个词的出现频率
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True)  # 按频率降序排序
        
        # 未知标记的索引为 0
        self.idx_to_token = ['<unk>'] + reserved_tokens  # 初始化索引到词的映射，包含未知标记和保留标记
        self.token_to_idx = {token: idx for idx, token in enumerate(self.idx_to_token)}  # 创建词到索引的映射
        
        # 添加频率大于 min_freq 的词到词汇表
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break  # 如果频率小于 min_freq，则停止添加
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)  # 将词添加到索引到词的列表
                self.token_to_idx[token] = len(self.idx_to_token) - 1  # 更新词到索引的映射

    def __len__(self):
        return len(self.idx_to_token)  # 返回词汇表的大小

    def __getitem__(self, tokens):
        # 支持通过索引获取词或词列表
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)  # 返回词的索引，如果不存在则返回未知标记的索引
        return [self.__getitem__(token) for token in tokens]  # 返回词列表的索引

    def to_tokens(self, indices):
        # 将索引转换为词
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]  # 返回单个索引对应的词
        return [self.idx_to_token[index] for index in indices]  # 返回索引列表对应的词

    @property
    def unk(self):  # 返回未知标记的索引
        return 0

    @property
    def token_freqs(self):  # 返回词频列表
        return self._token_freqs

对上述代码中出现的Vocab进行总体解释和逐行解释

Vocab 类用于管理文本数据的词汇表，提供词与索引之间的映射、词频统计等功能。其主要功能包括：

1. 初始化词汇表：

   • 接受一组词元（tokens），最小频率（min_freq），以及保留的特殊标记（reserved_tokens）。
   • 统计词频，并按频率排序。
   • 将频率大于指定最小频率的词添加到词汇表中，并建立词到索引的映射。

2. 支持索引操作：

   • 可以通过 __getitem__ 方法根据词获取其索引，支持单个词和词列表的查询。
   • 可以通过 to_tokens 方法根据索引获取对应的词，支持单个索引和索引列表的查询。

3. 属性方法：

   • unk 返回未知标记的索引（通常为0）。
   • token_freqs 返回词频列表，便于分析。

使用场景

• 文本处理：在自然语言处理任务中，Vocab 类可用于构建词汇表，帮助模型理解输入文本的结构。
• 数据预处理：在训练模型之前，使用 Vocab 类可以有效地将文本数据转换为数值格式，以便于后续的模型训练和评估。

class Vocab:
    """Vocabulary for text."""
    
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        """初始化词汇表"""
        if tokens is None:
            tokens = []  # 如果没有提供 tokens，则初始化为空列表
        if reserved_tokens is None:
            reserved_tokens = []  # 如果没有提供保留的特殊标记，则初始化为空列表
        
        # 统计词频并按频率排序
        counter = count_corpus(tokens)  # 统计每个词的出现频率
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True)  # 按频率降序排序
        
        # 未知标记的索引为 0
        self.idx_to_token = ['<unk>'] + reserved_tokens  # 初始化索引到词的映射，包含未知标记和保留标记
        self.token_to_idx = {token: idx for idx, token in enumerate(self.idx_to_token)}  # 创建词到索引的映射
        
        # 添加频率大于 min_freq 的词到词汇表
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break  # 如果频率小于 min_freq，则停止添加
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)  # 将词添加到索引到词的列表
                self.token_to_idx[token] = len(self.idx_to_token) - 1  # 更新词到索引的映射

    def __len__(self):
        return len(self.idx_to_token)  # 返回词汇表的大小

    def __getitem__(self, tokens):
        # 支持通过索引获取词或词列表
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)  # 返回词的索引，如果不存在则返回未知标记的索引
        return [self.__getitem__(token) for token in tokens]  # 返回词列表的索引

    def to_tokens(self, indices):
        # 将索引转换为词
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]  # 返回单个索引对应的词
        return [self.idx_to_token[index] for index in indices]  # 返回索引列表对应的词

    @property
    def unk(self):  # 返回未知标记的索引
        return 0

    @property
    def token_freqs(self):  # 返回词频列表
        return self._token_freqs

下面我们[读出“英语－法语”数据集中的第一个小批量数据]。

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([[134,  12,   4,   3,   1,   1,   1,   1],
        [ 13, 178,   4,   3,   1,   1,   1,   1]], dtype=torch.int32)
X的有效长度: tensor([4, 4])
Y: tensor([[0, 5, 3, 1, 1, 1, 1, 1],
        [0, 4, 3, 1, 1, 1, 1, 1]], dtype=torch.int32)
Y的有效长度: tensor([3, 3])

for X, X_valid_len, Y, Y_valid_len in train_iter:
    print(Y[0][0].type(torch.int32))
    Z = Y[0][0].type(torch.int32)
    print(Z)
    break

tensor(0, dtype=torch.int32)
tensor(0, dtype=torch.int32)

小结

• 机器翻译指的是将文本序列从一种语言自动翻译成另一种语言。
• 使用单词级词元化时的词表大小，将明显大于使用字符级词元化时的词表大小。为了缓解这一问题，我们可以将低频词元视为相同的未知词元。
• 通过截断和填充文本序列，可以保证所有的文本序列都具有相同的长度，以便以小批量的方式加载。

练习

1. 在load_data_nmt函数中尝试不同的num_examples参数值。这对源语言和目标语言的词表大小有何影响？
2. 某些语言（例如中文和日语）的文本没有单词边界指示符（例如空格）。对于这种情况，单词级词元化仍然是个好主意吗？为什么？

答案

1. num_examples 参数对词表大小的影响

在 load_data_nmt 函数中，num_examples 参数决定了用于构建词表的示例数量。尝试不同的 num_examples 值会对源语言和目标语言的词表大小产生以下影响：

• 较小的 num_examples：

  • 词表可能会更小，因为只考虑了有限数量的示例，导致一些频率较低的词被忽略。
  • 可能无法捕捉到语言的多样性，尤其是在处理复杂或多样化的文本时。

• 较大的 num_examples：

  • 词表通常会更大，因为包含了更多的词汇和短语，能够更好地反映语言的丰富性。
  • 可能会包含更多的低频词，增加词表的复杂性，导致模型在训练时需要处理更多的词。

总结来说，num_examples 的选择直接影响词表的覆盖范围和复杂性，较大的示例数量通常能更好地捕捉语言的特性。

2. 对于没有单词边界的语言，单词级词元化的有效性

在处理没有单词边界的语言（如中文和日语）时，单词级词元化可能面临挑战。以下是一些考虑因素：

• 问题：

  • 由于缺乏明确的单词边界，单词级词元化可能会导致错误的词分割，无法准确捕捉到语言的结构和意思。
  • 词汇表可能会变得非常庞大，因为每个字符或字可能被视为一个单独的“单词”。

• 替代方案：

  • 对于这些语言，更常用的做法是使用字符级或子词级（如 BPE，Byte Pair Encoding）词元化。
  • 这种方法可以更好地处理语言的特性，减少词汇表的大小，同时保留语义信息。

总结：
单词级词元化在没有单词边界的语言中并不总是有效，使用字符级或子词级词元化通常是更好的选择，因为它们能够更好地适应这些语言的结构特点。