transformer代码解析2-德语到英语的翻译实例

最新推荐文章于 2024-06-01 12:03:20 发布

骑着蜗牛环游深度学习世界

最新推荐文章于 2024-06-01 12:03:20 发布

阅读量329

点赞数

分类专栏： transformer学习笔记文章标签： transformer 深度学习人工智能

本文链接：https://blog.csdn.net/colleges/article/details/131797056

版权

transformer学习笔记专栏收录该内容

2 篇文章 0 订阅

订阅专栏

1数据准备

1.1分词器模型下载

此处使用spacy的分词器模型对数据进行分词，因此需要下载；版本要和使用的spacy版本一致，即3.2.0版本；下载地址如下：
1. en_core_web_sm-3.2.0：https://github.com/explosion/spacy-models/releases/tag/en_core_web_sm-3.2.0
2. de_core_news_sm-3.2.0：https://github.com/explosion/spacy-models/releases/tag/de_core_news_sm-3.2.0

先将这两个模型的压缩包下载下来，然后使用如下命令进行安装

# en_core_web_sm-3.2.0
pip install E:\temp_files\en_core_web_sm-3.2.0.tar.gz
# de_core_news_sm-3.2.0
pip install E:\temp_files\de_core_news_sm-3.2.0.tar.gz

在这里插入图片描述

1.2加载分词器对象

通过下面的语句加载德语和英语分词器对象
```
spacy_de, spacy_en = load_tokenizers()
```

1.3构建词汇表

在没有构建词汇表的情况下，将调用build_vocabulary方法
如下语句将下载数据集并将返回值分成训练、验证和测试集
```
train, val, test = datasets.Multi30k(language_pair=("de", "en"), root='data/')
```
1. root='data/'：自定义了下载下来的数据集存放的位置，这里是当前文件所在目录中的data文件夹下面
2. 注意：先可以运行一下，让程序下载数据集；直接debug的话，数据集可能下载不下来。
3. 由于一些原因，这里提供的下载数据集的方法已经无法完全下载数据了(即下载下来的数据量和例子里面说的数据量对不上)
  1. 详见这里：[Could not get the file at http://www.quest.dcs.shef.ac.uk/wmt16_files_mmt/training.tar.gz. RequestException] None. · Issue #96 · harvardnlp/annotated-transformer · GitHub
  2. 在上述链接中有人自己制造了一个数据集，因此本文就按照这个人做的数据集来实验，链接为：Annotated_Transformer_Clone - Colaboratory (google.com)
处理前数据集下载地址：Europarl Parallel Corpus (statmt.org)
1. 下载好后，解压，然后放到项目里去，这里就放到了E:\pycharmExperiments\transformer_annotated_paper\dataset目录下
从下载下来的数据集中读取数据，并打包成句子对
切片，获取训练集、验证集和测试集
这里将读取数据的过程封装在了build_dataset函数中
构建词汇表
1. 在build_dataset中返回三个数据集，然后增加下面的语句
```
train, val, test = build_dataset()
```
2. 调用build_vocab_from_iterator构建德语词汇表：从一个迭代器中构建一个词汇表，返回一个torchtext.vocab.Vocab对象，表示构建好的词汇表
  1. 第一个参数yield_tokens就是一个迭代器
    1. 将三个数据集相加（列表相加），得到一个列表，作为一个可迭代对象传入yield_tokens；同时传入德语分词器模型tokenize_de，以及要对德语还是英语进行分词的index参数
    2. 调用逻辑为：
      1. 在yield_tokens函数中，会遍历data_iter这个列表，对于每一个from_to_tuple，它是一个元组，元组中是德语-英语句子对，使用index=0表示这里要对德语进行分词，因此使用from_to_tuple[index]获取每一个德语文本
      2. 然后使用tokenizer函数，即传入进来的tokenize_de函数，也即tokenize函数进行分词(使用的是spacy_de分词器模型)，最终就是使用spacy_de的tokenizer方法进行分词，然后返回分词列表
  2. 第二个参数min_freq：一个整数，表示词汇表中的词汇在迭代器中出现的最小次数。如果一个词汇在迭代器中出现的次数小于min_freq，那么它将不会被加入到词汇表中
  3. 第三个参数specials：一个字符串列表，表示特殊的词汇，如<s>、</s>、<blank>和<unk>(表示未知的词汇，为了处理未知的词汇，我们通常会将它们替换为一个特殊的标记，例如<unk>)等
    1. specials参数提供的特殊词汇会被添加到词汇表的开头，并按照它们在specials参数中出现的顺序进行排序
    2. 例如这里，词汇表的前四个词汇分别为<s>、</s>、<blank>和<unk>，它们的索引分别为0、1、2和3
  4. 注意，这里yield_tokens是一个迭代器，在build_vocab_from_iterator中会根据迭代器进行具体的操作，和之前演示的数据合成过程类似，这里也是交替的运行程序，即不是将yield_tokens中的循环执行完毕再去执行build_vocab_from_iterator中的操作
    1. build_vocab_from_iterator方法中，在执行for tokens in iterator:循环时，每循环一次，都会调用一次yield生成器函数，即调用一次yield tokenizer(from_to_tuple[index])
3. 最终得到的vocab_src是一个Vocab对象，如下图所示(德语词汇表)
4. 同理得英语词汇表
5. 然后将词汇表的默认索引设置为<unk>，当模型在处理输入时遇到未知的单词时，会将其索引设置为<unk>的索引。这样做的目的是为了避免模型在处理未知单词时出现错误
6. 然后保存词汇表
  1. torch.save函数：是PyTorch中用于将模型、张量和字典等Python对象保存到磁盘上的函数
    1. 第一个参数obj：是要保存的Python对象，可以是模型、张量、字典等任何Python对象，这里是一个元组，元组第一个元素是德语词汇表，第二个元素是英语词汇表
    2. 第二个参数f：是保存对象的文件名或文件对象。这里文件名是：vocab.pt
7. 如果已经创建过词汇表，则存在vocab.pt，直接读取，并将元组中的德语词汇表和英语词汇表分别赋值给vocab_src, vocab_tgt。（怎么存进去的，读出来就是什么样的）
8. 最后，将词汇表返回。

2非分布式训练过程详述

将调用train_worker函数，其中gpu和ngpus_per_node的主要是在分布式训练时起作用
1. 由于这里是非分布式训练，因此gpu=0表示使用第0块GPU进行训练
2. torch.cuda.set_device(gpu)：具体通过这句话实现。用来设置当前进程使用的GPU设备。由于是非分布式，因此全部的训练都是在GPU 0上进行的

2.1创建模型等

设置相关参数并构建transformer架构的模型，然后将模型移动到指定的GPU设备上进行计算
1. pad_idx：填充符在词表中的索引，其在src和tgt中的索引是一样的，如下图所示
2. d_model = 512
3. 构建transformer模型：将src和tgt的词表长度传入transformer，用于embedding以及最后由d_model转换为词表大小的generator类的操作，如下图所示
将模型复制一份，完全一样；并设置当前进程为主进程(因为是非分布式训练，所以就一个进程)
当前为非分布式训练，因此暂不考虑下面的关于分布式的处理
构建标签平滑对象(包含损失计算函数)，并移动到GPU上
1. 传入目标词汇表的大小
2. 传入填充符索引，这里填充符的索引是2
3. 设置平滑因子0.1

2.2创建数据导入器

调用create_dataloaders时传入的参数
1. batch_size：将batch_size除以ngpus_per_node是为了在多GPU训练时，每个GPU上的batch_size保持一致。例如，如果batch_size为128，ngpus_per_node为4，则每个GPU上的batch_size为32。这样可以确保每个GPU上的训练数据量相同，从而保证训练的公平性和稳定性。
  1. 但这里只是单个GPU，但也不影响
  2. 这里batch_size=32
2. max_padding：最大填充设置为72
同样需要调用build_dataset来读取数据，之前读取数据是因为需要构建一下词汇表。
接着，构建训练集和验证集采样器
1. 这里训练集和验证集采样器，即train_sampler和valid_sampler主要是在分布式训练时使用
2. 为了考虑到分布式训练的需求，这里使用了三元表达式，在单卡训练的情况下，采样器为None，即不起作用(这个时候起作用的就是shuffle参数，即打乱)
3. 在此之前还使用train_iter_map = to_map_style_dataset(train_iter)语句的大概原因：
  1. DataLoader默认使用map-style类型的数据集，而这句话的作用就是将Iterable-style数据集转换成map-style类型的数据集
  2. map-style数据集还可以通过实现len方法来支持len()函数，以便直接获取数据集的长度；
  3. 而Iterable-style数据集是一种通过迭代器的方式获取数据的数据集，它不支持直接获取数据集的长度。这是因为在使用迭代器获取数据时，数据集的长度是未知的，只有在迭代完整个数据集后才能确定其长度
  4. 另外，DistributedSampler类的第一个参数必须是map-style类型的数据集。DistributedSampler需要知道数据集的长度，以便在分布式训练时对数据进行划分
然后构建训练集和验证集的数据加载器
1. 传入的train_iter_map和valid_iter_map都是上面说的map-style类型的数据集
2. shuffle=(train_sampler is None)：当是分布式训练时，train_sampler不为None，因此shuffle=False；反之，shuffle=True
3. 使用collate_fn参数指定了一个函数collate_fn，即会调用collate_batch对一个batch中的数据进行一些处理
4. 但是需要注意的是，这里只是先传入一些参数，然后构建出train_dataloader和valid_dataloader这两个DataLoader的对象，并没有对数据进行一些处理（可通过打断点查看程序运行过程来发现这一点）
返回创建好的train_dataloader和valid_dataloader，如下图所示
1. 可以看到，返回的数据导入器包含了一系列的信息，其中batch_sampler中的3125表示要采样3125次，因为训练数据总共100000条，一批的大小是32,32*3125=100000。(后面想录一个关于dataloader的详细笔记讲解)

2.3创建优化器调度器等

使用Adam构建自适应学习率优化器，并创建学习率调整的调度器
1. 复制任务的例子中，也实际说明了，创建了学习率调度器之后，就对学习率进行了调整。这里也是一样的，因此学习率不是optimizer中的1.0，而是下图所示的大小。
创建一个记录训练状态的类：train_state

2.4训练

总共训练8个epoch
将模型设置为训练模式，调用run_epoch函数进行每一代的训练。进入run_epoch函数之后：
1. 前面说，创建dataloader时，不会去读取数据，那么这里则会先进入到run_epoch函数中，然后在遍历一个batch的数据的时候，从train_dataloader中读取第一批数据，然后，调用Batch类生成包含掩码矩阵等信息的Batch对象。调用顺序如下视频所示(视频需要缓冲一会才会清晰)。
  
  2023-07-12 21-19-53
2. 从train_dataloader中抽取32条数据作为一个batch之后，使用collate_fn，即collate_batch函数进行处理：
  1. 定义两个Tensor，一个是句子开始符的索引，一个是结束符的索引
  2. 然后遍历这一批32条数据中的每个数据，对于其中的src，先进行分词，然后获取其在词表中的索引信息，形成一个Tensor，然后和开始符以及结束符的两个Tensor连接起来，组成一个加入了开始符合结束符的src序列的索引形式的序列；其中，torch.cat的第二个参数指定为0是因为，这里的三个待连接的Tensor都是一维的，因此在第0维度(下标从0开始)进行连接。如下是连接过程的截图：
    1. 如下是src
    2. 如下是对src的分词结果，长度是18
    3. 如下是转换成索引之后的
    4. 如下是连接之后的，长度是20
  3. 对于这个Batch中的tgt，也是一样的操作，转换成索引序列。可以看到，这条数据，德语序列的长度是20，英语序列的长度是24
  4. 接下来对src进行填充，需要用到pad函数，pad函数是PyTorch中的一个函数，用于对张量进行填充。
    1. 它的第一个参数是要填充的张量，这里是processed_src
    2. 第二个参数是一个元组，表示在每个维度上要填充的数量。这里processed_src只有一个维度，所以维度指定为0，然后填充的数量是最多填充的数量减去processed_src的长度
      1. 根据这里填充数量的计算，可以知道，填充之后的序列的长度是固定值，即max_padding的值
      2. 这里max_padding - len(processed_src)也可能是负数，此时会造成部分数据的丢失，即从这个例子中可以发现，当待填充序列的长度大于最大填充数量的时候，序列将被截断。因此max_padding既是用计算需要填充的数量的，也是序列的固定的长度。
    3. 第三个参数是填充的值。这里是填充符对应的索引，即2
    4. 如下是长度小于最大填充数量的时候，填充的结果
  5. 同理，对tgt进行填充处理
  6. 最后，构建符合模型输入的src和tgt，以元组形式返回
    1. torch.stack函数：将一系列张量沿着一个新的维度进行堆叠，默认沿着第0个维度
    2. 这里的src_list是一个数据列表，长度是32，因此堆叠之后就变成了(32,72)，即(batch_size,max_length)。如下图所示
3. 然后传入Batch类，构建src以及tgt的掩码张量（构建过程在复制任务中已经描述过了），结果如下图所示：
4. 然后输入到transformer中进行前向计算，得到下图的结果。模型输出的维度是(32,71,512)
5. 然后计算损失，下图是损失计算的类
6. 然后计算梯度，记录训练信息
  1. 从下图可以看出，生成的两个损失中，loss_node包含grad_fn，而loss不含有此项，因此在计算梯度的时候使用的是平均损失loss_node。（后面可以去了解一下Tensor里面的grad_fn属性）
  2. 记录训练信息的train_state类，是先在train_worker函数中创建的，因此这一个epoch结束之后，train_state仍然存在，一直记录训练信息的（这一点不同于复制任务例子中的设置，此处设置更加合理）。
7. 达到累计的步数之后，就对参数进行更新
  1. 注意步数step和迭代数epoch的区别：每用一个批次的数据进行一次计算，就是一个step，而一个epoch中会对所有的数据进行计算，因此一个epoch中step的增加量相当于总的数据量除以batch_size
  2. 注意n_accum和train_state.accum_step的区别：在复制任务的例子中，两者不存在区别，但是在这里，由于train_state类，是先在train_worker函数中创建的，因此两者的区别显现出来了：
    1. n_accum：每调用一次epoch就会重新初始化为0，因此作用是在一个epoch中，记录参数更新的累计次数；在打印日志信息的时候会进行输出。
    2. train_state.accum_step：记录整个训练过程中，参数更新的次数。
8. 然后进行一次学习率的调整
9. 计算累计的损失total_loss和累计的有效token数(tgt中的)total_tokens。
10. tokens的作用：每个epoch都会清零；在训练的时候，会打印日志信息，因此主要作用是：用于计算上次打印日志信息之后到这次输出日志信息时(即每40个Batch)，单位时间内处理的token数；因此输出一次日志信息之后也会清零。
11. 打印训练时的日志信息(日志信息详细描述在复制任务中已经讲过了)
12. 然后返回。这里在train_worker中，run_epoch返回后，只接收了训练状态信息。
  1. 下图是第一个epoch中训练之后接收到的train_state的信息
13. 然后打印GPU的使用信息
14. 然后保存这个epoch中训练结束的时候，模型的状态信息
  1. state_dict()方法：用于返回一个包含模型所有参数的字典。这个字典的键是参数的名称，值是对应的参数张量
15. 清空GPU上的数据缓存
  1. torch.cuda.empty_cache()：用于清空当前GPU上的内存缓存的函数。在使用PyTorch进行深度学习训练时，由于模型和数据的规模较大，会占用大量的显存。当显存不足时，程序会崩溃。为了避免这种情况的发生，可以使用 torch.cuda.empty_cache() 函数来清空显存缓存，以便释放一些显存空间。但是，这个函数的使用应该谨慎，因为它会导致程序的运行速度变慢(即数据都清除掉了，下次再计算还要全部重新加载)。

2.5评估

评估也是调用run_epoch函数，详细的过程在复制任务的例子中已经进行了描述。
这里，只接收了run_epoch返回值中的平均损失数据，因为评估时也不存在训练状态信息，并且也不需要关注训练状态信息；而上面训练时，需要关注训练的信息。需要指出的是，这个例子中，并没有在训练结束之后接收损失的数据，因为这里在更新参数时并没有利用损失数据，但是有一些算法会在梯度下降和更新参数时考虑上一次模型的损失，那个时候就需要接收了。
打印评估模式下模型的损失
1. 这里只是单纯的打印了一下
2. 实际使用时，可能会记录所有的评估的损失值，做个图啥的。
最终，等所有的epoch都迭代完成之后，将最后的模型参数保存下来，供预测使用。如下图所示。

3加载训练好的模型

在加载模型参数等信息前，需要先构建出模型架构
如果不存在训练好的模型，则先训练模型(这里将之前训练时的config以及训练入口都放到了load_trained_model中)

在这里插入图片描述

4使用验证集数据来检查模型的输出

这里使用训练好的模型进行预测时，使用的是cpu，因此上面加载模型的地方，导入模型的时候也做了如下图所示的调整：
然后将run_model_example中导入模型的部分注释掉，也注释掉了global vocab_src, vocab_tgt, spacy_de, spacy_en，并修改了run_model_example的形参列表，并在主函数入口部分做了对应的修改，如下图所示：
在这里，加载模型，将模型加载到了CPU上

4.1加载待预测数据

预测数据来源于验证集
1. 将数据集加载到CPU上
2. batch_size=1：一条一条的预测
3. n_examples=5：因此这里只预测验证集中的5条数据
接下来进入check_outputs进行预测

4.2预测

定义一个存放模型输出结果的列表results，长度为 n_examples，其中每个元素都是一个空元组，然后用一个循环来预测n_examples个数据
b = next(iter(valid_dataloader))：iter 函数用于将 valid_dataloader 转换为一个迭代器，next 函数用于从迭代器中取出一个元素b，这里就是一个 batch 的数据，也即1条数据
1. 在训练时，是使用for b in train_dataloader来获取dataloader中的一批数据的，和这里的next方式稍微不同
使用这一批数据构建一个Batch对象。如下图所示
1. src的维度是(1,128)，即一条数据，长度是128(填充之后的)
2. src_mask的维度是(1,1,128)：表示一条数据，这条数据的掩码张量维度是(1,128)
3. tgt的维度是(1,127)，即一条数据，长度是127，因为去掉了目标语言句子中的结束符
4. tgt_mask的维度是(1,127,127)，即一条数据，这条数据的掩码张量维度是(127,127)
5. tgt_y的维度是(1,127)，即一条数据，长度是127，因为去掉了目标语言句子中的开始符
然后对源序列进行分词，便于之后输出展示
1. rb.src[0]：获取了这一条数据所在的Tensor，并且是一维的，如下图所示
2. vocab_src.get_itos()：返回一个列表，其中包含了源语言词汇表中所有单词的字符串形式
3. 然后遍历这个Tensor里面的每个元素，如果不是填充符，就使用vocab_src.get_itos()[x]从列表中获取索引对应的字符
然后输出展示，如下图所示
接下来将待预测序列及其掩码张量传入greedy_decode，解码得到目标序列(解码的过程在复制任务中讲述过了)
1. 对greedy_decode返回值使用[0]切片，是为了将原先的维度为(1,72)的ys变成维度是(72,)的一维的Tensor
2. 输出维度是72是因为解码时的循环条件是for i in range(max_len - 1)
将模型输出的索引转换成对应的字符串
1. 首先遍历模型的输出，将其中的非填充符索引转换成字符，如下图所示
2. 然后用空格将这些字符连接起来，如下图所示(注意到，这里的字符串中存在多个结束符标签，这可能是模型预测的结果)
3. 然后用split函数对字符串进行分割，只进行一次分割，用结束符进行分割，对于分割后的结果，只取第一个字符串(这里就比较简单粗暴了)
4. 因为第一个字符串的结束符在split的时候作为了分隔符，因此对于获取的最终的字符串，需要在最后再加上一个结束符
5. 然后输出，输出的时候去掉了换行符
6. 保存这一次的预测的相关信息
  1. rb：这个Batch对象的信息
  2. src_tokens：源序列的字符
  3. tgt_tokens：真实的目标序列的字符
  4. model_out：模型输出的值
  5. model_txt：模型输出转换之后的结果
7. 最终输出了5个验证数据的翻译结果