NLP——机器翻译

目录：

1、定义

2、原理

3、代码示例

1、定义：机器翻译是指将一段文本从一种语言自动翻译到另一种语言。因为一段文本序列在不同语言中的长度不一定相同，所以我们使用机器翻译为例来介绍编码器—解码器和注意力机制的应用。

2、原理：机器翻译（Machine Translation, MT）是指使用计算机自动将一种自然语言（源语言）的文本转换成另一种自然语言（目标语言）的文本的技术。其背后的原理和过程涉及多个关键步骤，包括预处理、编码、解码和训练。下面详细介绍这些步骤及其关联的概念和技术。

(1) 数据预处理

机器翻译的数据预处理是非常重要的一步，它包括：

a. 分词（Tokenization）：将原始文本分割成词语或子词的序列。
b. 建立词汇表（Vocabulary Building）：收集并统计所有在训练数据中出现的词语或子词，并为每个词分配一个唯一的索引。
c. 填充和截断（Padding and Truncation）：确保所有输入序列具有相同的长度，通过填充（通常使用特殊符号如`<pad>`）或截断处理。

(2) 编码器-解码器框架

机器翻译通常使用编码器-解码器（Encoder-Decoder）框架来实现。这种框架主要由两部分组成：

编码器（Encoder）: 编码器负责将输入文本编码成一个中间表示，即编码器输出（encoder representation）。典型的编码器结构包括：

a. 词嵌入（Word Embeddings）：将词汇表中的词索引转换为密集的词向量表示。
b. 位置编码（Positional Encoding）：将输入序列的位置信息编码到词嵌入中，以保留序列的顺序信息。
c. 多层Transformer编码器（Multi-layer Transformer Encoder）：使用多头自注意力（Multi-head Self-Attention）和前馈神经网络（Feedforward Neural Networks）构成的Transformer编码器层，用于捕捉输入序列中的语义和上下文信息。

解码器: 解码器接收编码器输出，并将其转换成目标语言的文本。解码器的关键组件包括：

a. 词嵌入和位置编码：类似编码器部分，但这里的词嵌入和位置编码用于目标语言的序列。
b. 多层Transformer解码器（Multi-layer Transformer Decoder）：由多个Transformer解码器层组成，每个层使用自注意力和编码器-解码器注意力（Encoder-Decoder Attention），帮助解码器聚焦于输入的不同部分并生成适当的输出。
c. 生成器（Generator）：最后一层解码器输出的线性层，将Transformer解码器的输出映射到目标语言的词汇表上。

(3) 训练过程

机器翻译的训练过程通常包括以下步骤：

a. 数据准备：将数据划分为训练集、验证集和测试集。每个训练样本是一个源语言句子和一个对应的目标语言句子。
b. 损失函数：通常使用交叉熵损失函数（Cross-Entropy Loss），用于衡量模型生成的目标语言序列与实际目标语言序列之间的差异。
c. 优化器：使用优化算法（如Adam或SGD）来最小化损失函数，更新模型参数。
d. 前向传播和反向传播：对于每个训练样本，将源语言序列传递给编码器，然后将解码器的输出与目标语言序列进行比较，并计算损失。然后通过反向传播计算梯度，并更新模型参数以减小损失。

(4) 推理（Inference）

训练完成后，可以将训练好的模型用于实际的翻译任务。推理阶段类似于训练阶段的解码器过程，但在每个时间步骤选择具有最高概率的词作为输出，直到遇到结束符号（如`<eos>`）或达到最大输出长度。

3、代码示例

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.utils.data as Data
import torchtext.vocab as Vocab
import io
import collections

# 常量定义
PAD, BOS, EOS = '<pad>', '<bos>', '<eos>'

# 分词函数示例（根据实际情况选择合适的分词方法）
def tokenize(text):
    return text.split()  # 简单的空格分割

# 将一个序列中所有的词记录在all_tokens中以便之后构造词典，然后在该序列后面添加PAD直到序列
# 长度变为max_seq_len，然后将序列保存在all_seqs中
def process_one_seq(seq_tokens, all_tokens, all_seqs, max_seq_len):
    all_tokens.extend(seq_tokens)
    seq_tokens += [EOS] + [PAD] * (max_seq_len - len(seq_tokens) - 1)
    all_seqs.append(seq_tokens)

# 读取和处理Tatoeba Project数据集的函数
def read_data_tatoeba(file_path, max_seq_len):
    in_tokens, out_tokens, in_seqs, out_seqs = [], [], [], []
    
    with io.open(file_path, 'r', encoding='utf-8') as f:
        lines = f.readlines()
        
    for line in lines:
        # 根据 Tatoeba Project 数据集的格式进行处理
        parts = line.rstrip().split('\t')
        if len(parts) < 2:
            continue
        in_seq, out_seq = parts[0], parts[1]
        
        in_seq_tokens = tokenize(in_seq)
        out_seq_tokens = tokenize(out_seq)
        
        if max(len(in_seq_tokens), len(out_seq_tokens)) > max_seq_len - 1:
            continue
        
        process_one_seq(in_seq_tokens, in_tokens, in_seqs, max_seq_len)
        process_one_seq(out_seq_tokens, out_tokens, out_seqs, max_seq_len)
    
    # 调用 build_data 函数来构建词汇表和数据集
    in_vocab, out_vocab, dataset = build_data(in_tokens, out_tokens, in_seqs, out_seqs)
    
    return in_vocab, out_vocab, dataset

# 构建词汇表和数据集的函数
def build_data(in_tokens, out_tokens, in_seqs, out_seqs):
    in_vocab = Vocab.Vocab(collections.Counter(in_tokens), specials=[PAD, BOS, EOS])
    out_vocab = Vocab.Vocab(collections.Counter(out_tokens), specials=[PAD, BOS, EOS])
    in_indices = [[in_vocab.stoi[w] for w in seq] for seq in in_seqs]
    out_indices = [[out_vocab.stoi[w] for w in seq] for seq in out_seqs]
    dataset = Data.TensorDataset(torch.tensor(in_indices), torch.tensor(out_indices))
    return in_vocab, out_vocab, dataset

# 编码
class Encoder(nn.Module):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                 drop_prob=0, **kwargs):
        super(Encoder, self).__init__(**kwargs)
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.rnn = nn.GRU(embed_size, num_hiddens, num_layers, dropout=drop_prob)

    def forward(self, inputs, state):
        # 输入形状是(批量大小, 时间步数)。将输出互换样本维和时间步维
        embedding = self.embedding(inputs.long()).permute(1, 0, 2) # (seq_len, batch, input_size)
        return self.rnn(embedding, state)

    def begin_state(self):
        return None

def attention_model(input_size, attention_size):
    model = nn.Sequential(nn.Linear(input_size, attention_size, bias=False),
                          nn.Tanh(),
                          nn.Linear(attention_size, 1, bias=False))
    return model

def attention_forward(model, enc_states, dec_state):
    """
    enc_states: (时间步数, 批量大小, 隐藏单元个数)
    dec_state: (批量大小, 隐藏单元个数)
    """
    # 将解码器隐藏状态广播到和编码器隐藏状态形状相同后进行连结
    dec_states = dec_state.unsqueeze(dim=0).expand_as(enc_states)
    enc_and_dec_states = torch.cat((enc_states, dec_states), dim=2)
    e = model(enc_and_dec_states)  # 形状为(时间步数, 批量大小, 1)
    alpha = F.softmax(e, dim=0)  # 在时间步维度做softmax运算
    return (alpha * enc_states).sum(dim=0)  # 返回背景变量

# 解码
class Decoder(nn.Module):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                 attention_size, drop_prob=0):
        super(Decoder, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.attention = attention_model(2*num_hiddens, attention_size)
        # GRU的输入包含attention输出的c和实际输入, 所以尺寸是 num_hiddens+embed_size
        self.rnn = nn.GRU(num_hiddens + embed_size, num_hiddens, 
                          num_layers, dropout=drop_prob)
        self.out = nn.Linear(num_hiddens, vocab_size)

    def forward(self, cur_input, state, enc_states):
        """
        cur_input shape: (batch, )
        state shape: (num_layers, batch, num_hiddens)
        """
        # 使用注意力机制计算背景向量
        c = attention_forward(self.attention, enc_states, state[-1])
        # 将嵌入后的输入和背景向量在特征维连结, (批量大小, num_hiddens+embed_size)
        input_and_c = torch.cat((self.embedding(cur_input), c), dim=1) 
        # 为输入和背景向量的连结增加时间步维，时间步个数为1
        output, state = self.rnn(input_and_c.unsqueeze(0), state)
        # 移除时间步维，输出形状为(批量大小, 输出词典大小)
        output = self.out(output).squeeze(dim=0)
        return output, state

    def begin_state(self, enc_state):
        # 直接将编码器最终时间步的隐藏状态作为解码器的初始隐藏状态
        return enc_state

# 损失函数
def batch_loss(encoder, decoder, X, Y, loss):
    batch_size = X.shape[0]
    enc_state = encoder.begin_state()
    enc_outputs, enc_state = encoder(X, enc_state)
    # 初始化解码器的隐藏状态
    dec_state = decoder.begin_state(enc_state)
    # 解码器在最初时间步的输入是BOS
    dec_input = torch.tensor([out_vocab.stoi[BOS]] * batch_size)
    # 我们将使用掩码变量mask来忽略掉标签为填充项PAD的损失, 初始全1
    mask, num_not_pad_tokens = torch.ones(batch_size,), 0
    l = torch.tensor([0.0])
    for y in Y.permute(1,0): # Y shape: (batch, seq_len)
        dec_output, dec_state = decoder(dec_input, dec_state, enc_outputs)
        l = l + (mask * loss(dec_output, y)).sum()
        dec_input = y  # 使用强制教学
        num_not_pad_tokens += mask.sum().item()
        # EOS后面全是PAD. 下面一行保证一旦遇到EOS接下来的循环中mask就一直是0
        mask = mask * (y != out_vocab.stoi[EOS]).float()
    return l / num_not_pad_tokens

# 训练模型
def train(encoder, decoder, dataset, lr, batch_size, num_epochs):
    enc_optimizer = torch.optim.Adam(encoder.parameters(), lr=lr)
    dec_optimizer = torch.optim.Adam(decoder.parameters(), lr=lr)
    loss = nn.CrossEntropyLoss(reduction='none')
    data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
    for epoch in range(num_epochs):
        l_sum = 0.0
        for X, Y in data_iter:
            enc_optimizer.zero_grad()
            dec_optimizer.zero_grad()
            l = batch_loss(encoder, decoder, X, Y, loss)
            l.backward()
            enc_optimizer.step()
            dec_optimizer.step()
            l_sum += l.item()
        if (epoch + 1) % 10 == 0:
            print("epoch %d, loss %.3f" % (epoch + 1, l_sum / len(data_iter)))

# 示例使用
max_seq_len = 20
# 替换为实际的Tatoeba Project数据集路径和参数
in_vocab, out_vocab, dataset = read_data_tatoeba('tatoeba.txt', max_seq_len)

# 根据您的模型配置替换
embed_size, num_hiddens, num_layers = 64, 64, 2
attention_size, drop_prob, lr, batch_size, num_epochs = 10, 0.5, 0.01, 2, 50

encoder = Encoder(len(in_vocab), embed_size, num_hiddens, num_layers, drop_prob)
decoder = Decoder(len(out_vocab), embed_size, num_hiddens, num_layers, attention_size, drop_prob)

train(encoder, decoder, dataset, lr, batch_size, num_epochs)

模型训练结果

tatoeba数据集获取方式：

下载句子- Tatoeba https://tatoeba.org/zh-cn/downloads进入该网站后，点击画圈部分

输入想要的语种翻译文本后，点击下载即可

测试模型代码：

def translate(encoder, decoder, input_seq, max_seq_len):
    in_tokens = input_seq.split(' ')
    in_tokens += [EOS] + [PAD] * (max_seq_len - len(in_tokens) - 1)
    enc_input = torch.tensor([[in_vocab.stoi[tk] for tk in in_tokens]]) # batch=1
    enc_state = encoder.begin_state()
    enc_output, enc_state = encoder(enc_input, enc_state)
    dec_input = torch.tensor([out_vocab.stoi[BOS]])
    dec_state = decoder.begin_state(enc_state)
    output_tokens = []
    for _ in range(max_seq_len):
        dec_output, dec_state = decoder(dec_input, dec_state, enc_output)
        pred = dec_output.argmax(dim=1)
        pred_token = out_vocab.itos[int(pred.item())]
        if pred_token == EOS:  # 当任一时间步搜索出EOS时，输出序列即完成
            break
        else:
            output_tokens.append(pred_token)
            dec_input = pred
    return output_tokens

input_seq = 'ils regardent .'
translate(encoder, decoder, input_seq, max_seq_len)

运行结果：