引入库
与之前语言处理的单语言数据集不同,机器翻译的数据集使用双语言的序列对构成,因此处理方式也有不同。首先引入相关库。
import os
from mxnet import np, npx
from d2l import mxnet as d2l
npx.set_np()
下载和预处理数据集
在机器翻译中,我们使用的数据集为Tab-delimited Bilingual Sentence Pairs。
d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
'94646ad1522d915e7b0f9296181140edcf86a4f5')
def read_data_nmt():
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()
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。
out...这一行代码比较复杂,我们慢慢来看。将一个文本的序号和字符进行枚举,如果是没有前置空格的标点符号,则在前面添加空格,否则直接添加字符,即实现上文所述的单词和标点符号之间插入空格。
def preprocess_nmt(text):
def no_space(char, prev_char):
return char in set(',.!?') and prev_char != ' '
text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()
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)
词元化
在机器翻译中,我们更喜欢单词级词元化。 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。
把一行中的前一部分加入source序列,后一部分加入target序列,以空格在内部进行分割,以满足每个词元要么是一个词,要么是一个标点符号。
def tokenize_nmt(text, num_examples=None):
"""词元化“英语-法语”数据数据集"""
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]
据此得到输出如下:
([['go', '.'], ['hi', '.'], ['run', '!'], ['run', '!'], ['who', '?'], ['wow', '!']], [['va', '!'], ['salut', '!'], ['cours', '!'], ['courez', '!'], ['qui', '?'], ['ça', 'alors', '!']])
词表
接下来为数据集构建词表,预留词元包括'<pad>''<bos>''<eos>'。
预留词元分别为,“填充”,“开始”,“结束”。
src_vocab = d2l.Vocab(source, min_freq=2,
reserved_tokens=['<pad>', '<bos>', '<eos>'])
加载数据集
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 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。
我们可以通过截断(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。
#@save
def truncate_pad(line, num_steps, padding_token):
"""截断或填充文本序列"""
if len(line) > num_steps:
return line[:num_steps] # 截断
return line + [padding_token] * (num_steps - len(line)) # 填充
truncate_pad(src_vocab[source[0]], 10, src_vocab['<pad>'])
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。
#@save
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['<eos>']] for l in lines]
array = np.array([truncate_pad(
l, num_steps, vocab['<pad>']) for l in lines])
valid_len = (array != vocab['<pad>']).astype(np.int32).sum(1)
return array, valid_len
训练模型
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。
src_vocab和tgt_vocab分别存储了两个语言的词表。
#@save
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"""
text = preprocess_nmt(read_data_nmt())
source, target = tokenize_nmt(text, num_examples)
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>'])
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
创建一个小批量进行测试一下:
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.astype(np.int32))
print('X的有效长度:', X_valid_len)
print('Y:', Y.astype(np.int32))
print('Y的有效长度:', Y_valid_len)
break
[07:16:20] ../src/storage/storage.cc:196: Using Pooled (Naive) StorageManager for CPU X: [[ 0 4 3 1 1 1 1 1] [ 6 18 59 4 3 1 1 1]] X的有效长度: [3 5] Y: [[ 0 4 3 1 1 1 1 1] [ 6 7 168 4 3 1 1 1]] Y的有效长度: [3 5]
思考
1.我们假定了num_examples为600,这个数据变大变小会导致什么?
2.如果是中文,没有空格,这时候怎么做?