想做一个"对对联" AI？PaddlePaddle授你以"渔"——生成模型Transformer

注意：本文不会教你怎么用PaddlePaddle写对联。

随着春节临近，各种“人工智能对对联”的新闻频繁出现，比如前段时间被网友们玩坏的《王斌给您对对联》，还有百度近期推出的“刷脸定制春联”。

看别人玩的这么热闹，你是不是也想搞一个？今天小编就给大家介绍一个PaddlePaddle的官方模型——Transformer，一个用以完成机器翻译等序列到序列（Seq2Seq）学习任务的一种全新网络结构，其完全使用注意力机制来实现序列到序列的建模。

文档中作为示例的不是一个对对联任务，但是聪明的你看过之后一定会想到怎么用Transformer对对联，甚至是写诗。也许明年火起来的，就是你了！

Github地址：

https://github.com/PaddlePaddle/models/blob/develop/fluid/PaddleNLP/neural_machine_translation/transformer/README_cn.md

运行本目录下的程序示例需要使用 PaddlePaddle 最新的 develop branch 版本。如果您的 PaddlePaddle 安装版本低于此要求，请按照安装文档中的说明更新 PaddlePaddle 安装版本。

PaddlePaddle 安装攻略：硬货|超长超丰富的新版本PaddlePaddle安装攻略

---

Transformer

以下是本例的简要目录结构及说明：

.
├── images               # README 文档中的图片
├── config.py            # 训练、预测以及模型参数配置
├── infer.py             # 预测脚本
├── model.py             # 模型定义
├── optim.py             # learning rate scheduling 计算程序
├── reader.py            # 数据读取接口
├── README.md            # 文档
├── train.py             # 训练脚本
└── gen_data.sh          # 数据生成脚本

简介

Transformer 是论文 《Attention Is All You Need 》中提出的用以完成机器翻译（machine translation, MT）等序列到序列（sequence to sequence, Seq2Seq）学习任务的一种全新网络结构，其完全使用注意力（Attention）机制来实现序列到序列的建模。

相较于此前 Seq2Seq 模型中广泛使用的循环神经网络（Recurrent Neural Network, RNN），使用（Self）Attention 进行输入序列到输出序列的变换主要具有以下优势：

• 计算复杂度小

• 特征维度为 d 、长度为 n 的序列，在 RNN 中计算复杂度为 O(n * d * d) （n 个时间步，每个时间步计算 d 维的矩阵向量乘法），在 Self-Attention 中计算复杂度为 O(n * n * d) （n 个时间步两两计算 d 维的向量点积或其他相关度函数），n 通常要小于 d 。

• 计算并行度高

• RNN 中当前时间步的计算要依赖前一个时间步的计算结果；Self-Attention 中各时间步的计算只依赖输入不依赖之前时间步输出，各时间步可以完全并行。

• 容易学习长程依赖（long-range dependencies）

• RNN 中相距为 n 的两个位置间的关联需要 n 步才能建立；Self-Attention 中任何两个位置都直接相连；路径越短信号传播越容易。

这些也在机器翻译任务中得到了印证，Transformer 模型在训练时间大幅减少的同时取得了 WMT'14 英德翻译任务 BLEU 值的新高。此外，Transformer 在应用于成分句法分析（Constituency Parsing）任务时也有着不俗的表现，这也说明其具有较高的通用性，容易迁移到其他应用场景中。这些都表明 Transformer 有着广阔的前景。

模型概览

Transformer 同样使用了 Seq2Seq 模型中典型的编码器-解码器（Encoder-Decoder）的框架结构，整体网络结构如图1所示。

 图 1. Transformer 网络结构图

Encoder 由若干相同的 layer 堆叠组成，每个 layer 主要由多头注意力（Multi-Head Attention）和全连接的前馈（Feed-Forward）网络这两个 sub-layer 构成。

• Multi-Head Attention 在这里用于实现 Self-Attention，相比于简单的 Attention 机制，其将输入进行多路线性变换后分别计算 Attention 的结果，并将所有结果拼接后再次进行线性变换作为输出。参见图2，其中 Attention 使用的是点积（Dot-Product），并在点积后进行了 scale 的处理以避免因点积结果过大进入 softmax 的饱和区域。

• Feed-Forward 网络会对序列中的每个位置进行相同的计算（Position-wise），其采用的是两次线性变换中间加以 ReLU 激活的结构。

此外，每个 sub-layer 后还施以 Residual Connection和 Layer Normalization [3]来促进梯度传播和模型收敛。

 图 2. Multi-Head Attention

Decoder 具有和 Encoder 类似的结构，只是相比于组成 Encoder 的 layer ，在组成 Decoder 的 layer 中还多了一个 Multi-Head Attention 的 sub-layer 来实现对 Encoder 输出的 Attention，这个 Encoder-Decoder Attention 在其他 Seq2Seq 模型中也是存在的。

数据准备

WMT 数据集是机器翻译领域公认的主流数据集，WMT'16 EN-DE 数据集是其中一个中等规模的数据集，也是 Transformer 论文中用到的一个数据集，这里将其作为示例，可以直接运行 gen_data.sh 脚本进行 WMT'16 EN-DE 数据集的下载和预处理。数据处理过程主要包括 Tokenize 和 BPE 编码（byte-pair encoding）；BPE 编码的数据能够较好的解决未登录词（out-of-vocabulary，OOV）的问题[4]，其在 Transformer 论文中也被使用。运行成功后，将会生成文件夹 gen_data，其目录结构如下（可在 gen_data.sh 中修改）：

.
├── wmt16_ende_data              # WMT16 英德翻译数据
├── wmt16_ende_data_bpe          # BPE 编码的 WMT16 英德翻译数据
├── mosesdecoder                 # Moses 机器翻译工具集，包含了 Tokenize、BLEU 评估等脚本
└── subword-nmt                  # BPE 编码的代码

gen_data/wmt16_ende_data_bpe 中是我们最终使用的英德翻译数据，其中 train.tok.clean.bpe.32000.en-de 为训练数据，newstest2016.tok.bpe.32000.en-de 等为验证和测试数据，。vocab_all.bpe.32000 为相应的词典文件（已加入 <s> 、<e>和 <unk> 这三个特殊符号，源语言和目标语言共享该词典文件）。

对于其他自定义数据，转换为类似 train.tok.clean.bpe.32000.en-de 的数据格式（\t 分隔的源语言和目标语言句子对，句子中的 token 之间使用空格分隔）即可；如需使用 BPE 编码，可参考，亦可以使用类似 WMT，使用 gen_data.sh 进行处理。

模型训练

train.py 是模型训练脚本。以英德翻译数据为例，可以执行以下命令进行模型训练：

python -u train.py \
  --src_vocab_fpath gen_data/wmt16_ende_data_bpe/vocab_all.bpe.32000 \
  --trg_vocab_fpath gen_data/wmt16_ende_data_bpe/vocab_all.bpe.32000 \
  --special_token '<s>' '<e>' '<unk>' \
  --train_file_pattern gen_data/wmt16_ende_data_bpe/train.tok.clean.bpe.32000.en-de \
  --token_delimiter ' ' \
  --use_token_batch True \
  --batch_size 4096 \
  --sort_type pool \
  --pool_size 200000

上述命令中设置了源语言词典文件路径（src_vocab_fpath）、目标语言词典文件路径（trg_vocab_fpath）、训练数据文件（train_file_pattern，支持通配符）等数据相关的参数和构造 batch 方式（use_token_batch 指定了数据按照 token 数目或者 sequence 数目组成 batch）等 reader 相关的参数。有关这些参数更详细的信息可以通过执行以下命令查看：

python train.py --help

更多模型训练相关的参数则在 config.py 中的 ModelHyperParams 和 TrainTaskConfig 内定义；ModelHyperParams 定义了 embedding 维度等模型超参数，TrainTaskConfig 定义了 warmup 步数等训练需要的参数。这些参数默认使用了 Transformer 论文中 base model 的配置，如需调整可以在该脚本中进行修改。另外这些参数同样可在执行训练脚本的命令行中设置，传入的配置会合并并覆盖 config.py 中的配置，如可以通过以下命令来训练 Transformer 论文中的 big model （如显存不够可适当减小 batch size 的值，或设置 max_length 200 过滤过长的句子，或修改某些显存使用相关环境变量的值）：

# 显存使用的比例，显存不足可适当增大，最大为1export FLAGS_fraction_of_gpu_memory_to_use=1.0# 显存清理的阈值，显存不足可适当减小，最小为0，为负数时不启用export FLAGS_eager_delete_tensor_gb=0.8
python -u train.py \
  --src_vocab_fpath gen_data/wmt16_ende_data_bpe/vocab_all.bpe.32000 \
  --trg_vocab_fpath gen_data/wmt16_ende_data_bpe/vocab_all.bpe.32000 \
  --special_token '<s>' '<e>' '<unk>' \
  --train_file_pattern gen_data/wmt16_ende_data_bpe/train.tok.clean.bpe.32000.en-de \
  --token_delimiter ' ' \
  --use_token_batch True \
  --batch_size 3200 \
  --sort_type pool \
  --pool_size 200000 \
  n_layer 6 \
  n_head 16 \
  d_model 1024 \
  d_inner_hid 4096 \
  n_head 16 \
  prepostprocess_dropout 0.3

有关这些参数更详细信息的请参考 config.py 中的注释说明。

训练时默认使用所有 GPU，可以通过 CUDA_VISIBLE_DEVICES 环境变量来设置使用的 GPU 数目。也可以只使用 CPU 训练(通过参数 --divice CPU 设置)，训练速度相对较慢。在训练过程中，每隔一定 iteration 后(通过参数 save_freq 设置，默认为10000)保存模型到参数 model_dir 指定的目录，每个 epoch 结束后也会保存 checkpiont 到 ckpt_dir 指定的目录，每隔一定数目的 iteration (通过参数 --fetch_steps 设置，默认为100)将打印如下的日志到标准输出：

[2018-10-26 00:49:24,705 INFO train.py:536] step_idx: 0, epoch: 0, batch: 0, avg loss: 10.999878, normalized loss: 9.624138, ppl: 59866.832031
[2018-10-26 00:50:08,717 INFO train.py:545] step_idx: 100, epoch: 0, batch: 100, avg loss: 9.454134, normalized loss: 8.078394, ppl: 12760.809570, speed: 2.27 step/s
[2018-10-26 00:50:52,655 INFO train.py:545] step_idx: 200, epoch: 0, batch: 200, avg loss: 8.643907, normalized loss: 7.268166, ppl: 5675.458496, speed: 2.28 step/s
[2018-10-26 00:51:36,529 INFO train.py:545] step_idx: 300, epoch: 0, batch: 300, avg loss: 7.916654, normalized loss: 6.540914, ppl: 2742.579346, speed: 2.28 step/s
[2018-10-26 00:52:20,692 INFO train.py:545] step_idx: 400, epoch: 0, batch: 400, avg loss: 7.902879, normalized loss: 6.527138, ppl: 2705.058350, speed: 2.26 step/s
[2018-10-26 00:53:04,537 INFO train.py:545] step_idx: 500, epoch: 0, batch: 500, avg loss: 7.818271, normalized loss: 6.442531, ppl: 2485.604492, speed: 2.28 step/s
[2018-10-26 00:53:48,580 INFO train.py:545] step_idx: 600, epoch: 0, batch: 600, avg loss: 7.554341, normalized loss: 6.178601, ppl: 1909.012451, speed: 2.27 step/s
[2018-10-26 00:54:32,878 INFO train.py:545] step_idx: 700, epoch: 0, batch: 700, avg loss: 7.177765, normalized loss: 5.802025, ppl: 1309.977661, speed: 2.26 step/s
[2018-10-26 00:55:17,108 INFO train.py:545] step_idx: 800, epoch: 0, batch: 800, avg loss: 7.005494, normalized loss: 5.629754, ppl: 1102.674805, speed: 2.26 step/s

模型预测

infer.py 是模型预测脚本。以英德翻译数据为例，模型训练完成后可以执行以下命令对指定文件中的文本进行翻译：

python -u infer.py \
  --src_vocab_fpath gen_data/wmt16_ende_data_bpe/vocab_all.bpe.32000 \
  --trg_vocab_fpath gen_data/wmt16_ende_data_bpe/vocab_all.bpe.32000 \
  --special_token '<s>' '<e>' '<unk>' \
  --test_file_pattern gen_data/wmt16_ende_data_bpe/newstest2016.tok.bpe.32000.en-de \
  --token_delimiter ' ' \
  --batch_size 32 \
  model_path trained_models/iter_100000.infer.model \
  beam_size 4 \
  max_out_len 255

和模型训练时类似，预测时也需要设置数据和 reader 相关的参数，并可以执行 python infer.py --help 查看这些参数的说明（部分参数意义和训练时略有不同）；同样可以在预测命令中设置模型超参数，但应与模型训练时的设置一致；此外相比于模型训练，预测时还有一些额外的参数，如需要设置 model_path 来给出模型所在目录，可以设置 beam_size 和 max_out_len来指定 Beam Search 算法的搜索宽度和最大深度（翻译长度），这些参数也可以在 config.py 中的 InferTaskConfig 内查阅注释说明并进行更改设置。

执行以上预测命令会打印翻译结果到标准输出，每行输出是对应行输入的得分最高的翻译。对于使用 BPE 的英德数据，预测出的翻译结果也将是 BPE 表示的数据，要还原成原始的数据（这里指 tokenize 后的数据）才能进行正确的评估，可以使用以下命令来恢复 predict.txt 内的翻译结果到 predict.tok.txt 中（无需再次 tokenize 处理）：

sed -r 's/(@@ )|(@@ ?$)//g' predict.txt > predict.tok.txt

接下来就可以使用参考翻译对翻译结果进行 BLEU 指标的评估了。以英德翻译 newstest2016.tok.de 数据为例，执行如下命令：

perl gen_data/mosesdecoder/scripts/generic/multi-bleu.perl gen_data/wmt16_ende_data/newstest2016.tok.de < predict.tok.txt

可以看到类似如下的结果（为单机两卡训练 200K 个 iteration 后模型的预测结果）。

BLEU = 33.08, 64.2/39.2/26.4/18.5 (BP=0.994, ratio=0.994, hyp_len=61971, ref_len=62362)

目前在未使用 model average 的情况下，英德翻译 base model 八卡训练 100K 个 iteration 后测试 BLEU 值如下：

测试集	newstest2014	newstest2015	newstest2016
BLEU	26.25	29.15	33.64

分布式训练

Transformer 模型支持同步或者异步的分布式训练。分布式的配置主要两个方面:

1 命令行配置

• --local，有两个取值，True表示单机训练，而False表示使用分布式训练。默认为单机训练模式。

• --sync，有两个取值，但只有当--local参数为False才会产生影响，其中True表示同步训练模式，False表示异步训练模式。默认为同步训练模式。

2 环境变量配置

在分布式训练模式下，会手动配置训练的trainer数量和pserver数量。在网络拓扑上，每一个trainer都会和每一个pserver相连，pserver作为服务端，而trainer作为客户端。下面分pserver和trainer说明具体的参数配置：

pserver配置

• PADDLE_IS_LOCAL=[0|1] 是否是分布式训练，0标识是分布式，1标识是单机

• TRAINING_ROLE=PSERVER 标识当前节点是pserver

• POD_IP=ip 设置当前pserver使用对外服务的地址

• PADDLE_PORT=port 设置当前pserver对外服务监听端口号，和POD_IP共同构成对外的唯一标识

• PADDLE_TRAINERS_NUM=num 设置pserver连接的trainer的数量

下面是配置的示例, 使用两个pserver, 192.168.2.2上的配置如下:

export PADDLE_PSERVERS=192.168.2.2,192.168.2.3
export POD_IP=192.168.2.2
export PADDLE_TRAINERS_NUM=2
export TRAINING_ROLE=PSERVER
export PADDLE_IS_LOCAL=0
export PADDLE_PORT=6177

192.168.2.3上的配置如下:

export PADDLE_PSERVERS=192.168.2.2,192.168.2.3
export POD_IP=192.168.2.3
export PADDLE_TRAINERS_NUM=2
export TRAINING_ROLE=PSERVER
export PADDLE_IS_LOCAL=0
export PADDLE_PORT=6177

trainer配置

• PADDLE_IS_LOCAL=[0|1] 是否是分布式训练，0标识是分布式，1标识是单机

• TRAINING_ROLE=TRAINER 标识当前节点是trainer

• PADDLE_PSERVERS=[ip1,ip2,……] 设置pserver的ip地址,用于告知trainer互联的pserver的ip, 使用,分割

• PADDLE_TRAINER_ID=num 设置当前节点的编号, 编号的取值范围为0到N-1的整数

• PADDLE_PORT=port 设置请求的pserver服务端口号

下面是配置的示例, 使用两个trainer, trainer 1上的配置如下:

export TRAINING_ROLE=TRAINER
export PADDLE_PSERVERS=192.168.2.2,192.168.2.3
export PADDLE_TRAINERS_NUM=2
export PADDLE_TRAINER_ID=0
export PADDLE_IS_LOCAL=0
export PADDLE_PORT=6177

trainer 2上的配置如下:

export TRAINING_ROLE=TRAINER
export PADDLE_PSERVERS=192.168.2.2,192.168.2.3
export PADDLE_TRAINERS_NUM=2
export PADDLE_TRAINER_ID=1
export PADDLE_IS_LOCAL=0
export PADDLE_PORT=6177

参考文献

1. Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advances in Neural Information Processing Systems. 2017: 6000-6010.

2. He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.

3. Ba J L, Kiros J R, Hinton G E. Layer normalization[J]. arXiv preprint arXiv:1607.06450, 2016.

4. Sennrich R, Haddow B, Birch A. Neural machine translation of rare words with subword units[J]. arXiv preprint arXiv:1508.07909, 2015.

Github地址：

https://github.com/PaddlePaddle/models/blob/develop/fluid/PaddleNLP/neural_machine_translation/transformer/README_cn.md

或点击阅读原文

---

期待你早日用PaddlePaddle做出自己的对联AI，也许明年火的就是你！

---

---