动手学深度学习（四十三） |
您所在的位置：网站首页 › 机器翻译的影响 › 动手学深度学习（四十三） |
动手学深度学习（四十三）
|
文章目录
一、机器翻译二、机器翻译数据集1. 下载和预处理数据集1.1 文本预处理1.2 词元化 [tokenization](https://zhuanlan.zhihu.com/p/371300063)1.3 词汇表（ [word embedding](https://www.zhihu.com/question/32275069)）
2. 加载数据集小结练习
这篇Blog开始介绍翻译，都是NLP的相关内容，翻译和我们前面提到的序列预测（RNN、LSTM、GRU等等）、填空（Bi-RNN）等等有什么联系和区别？ 一、机器翻译机器翻译（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Brown.Cocke.Della-Pietra.ea.1988, Brown.Cocke.Della-Pietra.ea.1990 。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。（统计机器翻译与神经机器翻译） 我们主要关注神经机器翻译方法，强调的是端到端的学习。与语言模型中的语料库是单一语言的语言模型问题存在不同，机器翻译的数据集是由源语言和目标语言的文本序列对组成的。因此，我们需要一种完全不同的方法来预处理机器翻译数据集，而不是复用语言模型的预处理程序。下面，我们将展示如何将预处理后的数据加载到小批量中用于训练。 二、机器翻译数据集 import os import torch from d2l import torch as d2l 1. 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）。 d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip', '94646ad1522d915e7b0f9296181140edcf86a4f5') 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') as f: return f.read() raw_text = read_data_nmt() print(raw_text[:80]) Go. Va ! Hi. Salut ! Run! Cours ! Run! Courez ! Who? Qui ? Wow! Ça alors ! Fire! 1.1 文本预处理 使用空格代替不间断空格（non-breaking space）使用小写字母代替大写字母在单词和标点符号之间插入空格 def preprocess_nmt(text): """预处理""" # 使用空格替换不间断空格,(\xa0是拉丁扩展字符集里的字符，代表的是不间断空白符) # 使用小写字母替换大写字母 text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower() # 在单词和标点符号之间插入空格 out = '' for i,char in enumerate(text): if i>0 and char in (',','!','.','?') and text[i-1] !=' ': out += ' ' out +=char # 下面是沐神的原代码，我写成上面的感觉比较好理解 # def no_space(char,prev_char): # return char in set(',.!?') and prev_char != ' ' # 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 ! 1.2 词元化 tokenization我个人的理解：将句子/段落划分成一个个单词组成的向量。就像是把一把📏按照其刻度切分开来了 def tokenize_nmt(text,num_examples=None): """将数据集词元化""" source,target = [],[] for i,line in enumerate(text.split('\n')): if num_examples and i>num_examples: break parts = line.split('\t') if len(parts)==2: source.append(parts[0].split(' ')) target.append(parts[1].split(' ')) return source,target source, target = tokenize_nmt(text) source[:6], target[:6] ([['go', '.'], ['hi', '.'], ['run', '!'], ['run', '!'], ['who', '?'], ['wow', '!']], [['va', '!'], ['salut', '!'], ['cours', '!'], ['courez', '!'], ['qui', '?'], ['ça', 'alors', '!']]) # 绘制每个文本序列包含的标记数量的直方图 # 句子的长度都不长，通常小于20 d2l.set_figsize() _, _, patches = d2l.plt.hist([[len(l) for l in source], [len(l) for l in target]], label=['source', 'target']) for patch in patches[1].patches: patch.set_hatch('/') d2l.plt.legend(loc='upper right');
1.3 词汇表（ word embedding）
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汇表。使用单词级标记化时，词汇量将明显大于使用字符级标记化时的词汇量。为了缓解这一问题，这里我们将出现次数少于2次的低频率标记视为相同的未知（“”）标记。除此之外，我们还指定了额外的特定标记，例如在小批量时用于将序列填充到相同长度的填充标记（“”），以及序列的开始标记（“”）和结束标记（“”）。这些特殊标记在自然语言处理任务中比较常用。 src_vocab = d2l.Vocab(source, min_freq=2, reserved_tokens=['', '', '']) len(src_vocab),list(src_vocab.token_to_idx.items())[:10] (10012, [('', 0), ('', 1), ('', 2), ('', 3), ('.', 4), ('i', 5), ('you', 6), ('to', 7), ('the', 8), ('?', 9)]) 2. 加载数据集在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。这个固定长度是由时间步数或标记数量参数指定的。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n，那么如果文本序列的标记数目少于这个长度n时，我们将继续在其末尾添加特定的“”标记，直到其长度达到统一长度；反之，我们将截断文本序列，只取其前n个标记，并且丢弃剩余的标记。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。 (其实我自己这里有一个问题：我们先添加了末尾的pad标记，在后面又应用了截断操作，那么如果长于我们的限制这个pad肯定就被裁减了，对于这些序列加上这个pad其实是多与的。当然，这并不影响我们的训练，仅仅是我看到这个逻辑的时候产生的小思考) def truncate_pad(line,num_steps,padding_token): """截断或者填充文本序列""" if len(line)>num_steps: return line[:num_steps] # 截断多余的 return line + [padding_token]*(num_steps -len(line)) # 填充缺少的 # 假设num_step为10，填充符号为，对每一句操作 truncate_pad(src_vocab[source[0]], 10, src_vocab['']) [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“”标记添加到所有序列的末尾，用于表示序列的结束。当模型通过一个标记接一个标记地生成序列进行预测时，生成了“”标记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标记，在稍后将要介绍的一些模型会需要这个长度信息。 def build_array_nmt(lines,vocab,num_steps): """将机器翻译的文本序列转换成小批量""" lines = [vocab[l] for l in lines] lines = [l+[vocab['']] for l in lines] # 加上一个结束标记 array = torch.tensor([ truncate_pad(l,num_steps,vocab['']) for l in lines]) valid_len = (array != vocab['']).type(torch.int32).sum(1) # 保存填充的长度 return array,valid_len # 注意eos是3 array,valid_len = build_array_nmt(source,src_vocab ,10) array[1],valid_len[1] (tensor([113, 4, 3, 1, 1, 1, 1, 1, 1, 1]), tensor(3)) # 整理数据加载和处理 def load_data_nmt(batch_size,num_steps,num_examples=600): """返回翻译数据集的迭代器和词汇表""" text = preprocess_nmt(read_data_nmt()) # 预处理 source, target = tokenize_nmt(text, num_examples) # 词元化 src_vocab = d2l.Vocab(source, min_freq=2, reserved_tokens=['', '', '']) tgt_vocab = d2l.Vocab(target, min_freq=2, reserved_tokens=['', '', '']) #构建词汇表 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) return data_iter, src_vocab, tgt_vocab 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('valid lengths for X:', X_valid_len) print('Y:', Y.type(torch.int32)) print('valid lengths for Y:', Y_valid_len) break X: tensor([[16, 51, 4, 3, 1, 1, 1, 1], [ 6, 0, 4, 3, 1, 1, 1, 1]], dtype=torch.int32) valid lengths for X: tensor([4, 4]) Y: tensor([[ 35, 37, 11, 5, 3, 1, 1, 1], [ 21, 51, 134, 4, 3, 1, 1, 1]], dtype=torch.int32) valid lengths for Y: tensor([5, 5]) 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。使用单词级标记化时的词汇量，将明显大于使用字符级标记化时的词汇量。为了缓解这一问题，我们可以将低频标记视为相同的未知标记。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 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汇量有何影响？很好理解：如果num_examples越大，意味着我们保留的低频词汇越多，则对应的词汇量会相对增加。而且词汇量越多，其组合也会增加。对我们训练和预测的开销影响是非常大的。测试了一下将这个值调整到800和1200的值。 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，单词级标记化仍然是个好主意吗？为什么？参考Blog：NLP+词法系列（一）︱中文分词技术小结、几大分词引擎的介绍与比较 |
我个人并没有做过NLP翻译工作，不过在我简单的想法中：我们的汉字是不是本身就可以单独进行标记，至于怎么进行分割，文字是一个个单独的个体相当于一个个字母而已，甚至按照字节来识别也不是不可以，毕竟中文一个词两个字节。【本文地址】