从零开始 NLP：使用序列到序列网络和注意力实现翻译

pytorch官方例子学习心得

1、具体任务：

运用seq2seq模型实现法语和英语互翻

2、官方项目连接

3、项目流程：

• 3.1 准备数据

  • 3.1.1 准备原始数据：读取下载好的数据
    

  • 3.1.2 读取下载好的数据

    • 3.1.2.1 生成语言训练对 pairs

      例如： ['va !', 'go .']  = [被翻译词，翻译词]
      解释：列表里面一个元素为原文中的一行，英语和法语通过空格(\t )分开
      

      ① 标准化处理读入的数据（lines）—>

      * 字母转小写、截取掉字符中的空格
      * unicode编码转化为ascii编码
      * 通过正则匹配 ---> 拆分字母和标点符号
      * 处理后数据：len(pairs)=135842 ,pairs[:2]=[['go .', 'va !'], ['run !', 'cours !']]
      

      ② 为了快速训练，根据条件筛选出可训练的数据

      条件1：最大长度为 10 个单词（包括结尾标点符号）
      条件2：筛选为转换为英文以"i am"或"he is"等形式的句子
      筛选后：10599 sentence pairs
      

  • 3.1.2.2 初始化被翻译语言的类和翻译语言的类

      该语言的名称：input_lang.name = 'fra' 法语
      该语言的词的个数（包括起始占位符）：n_words = 4345
      该语言每个字位置索引的字典：word2index ：{'j': 2, 'ai': 3, 'ans': 4 ……}
      该语言每个字位置索引的字典：index2word ：{0: 'SOS', 1: 'EOS', 2: 'j', 3: 'ai' ……}
      该语言每个字出现频率的字典：word2count  ： {'j': 414, 'ai': 340, 'ans': 55, '.': 10262……}
    

• 3.2 构建模型

  • ① 初始化编码器

    embedding层（输入言语的词向量层）：
       输入：input_size -- 输入言语的字典的长度 ；
             hidden_size -- 隐藏层细胞数
       输出：output；
            hidden：
    
       pytorch加载自己训练的词向量：
    

    self.word_embeds = nn.Embedding(vocab_size, embedding_dim)
    pretrained_weight = np.array(pretrained_weight)
    self.word_embeds .weight.data.copy_(torch.from_numpy(pretrained_weight))
    

    RNN层（记忆遗忘与传递）：
             采用 gru：GRU(256, 256)
    

  • ② 初始化 带attention的解码器

    embedding层（输出言语的词向量层）：
    

• 3.3 训练模型参数

  • ① 定义参数优化器：随机梯度下降

  • ② 定义损失函数：nn.NLLLoss() 与解码器中的log_softmax() 组合

  • ③ 准备训练的数据：

      类型：list
      长度：7500（给定参数）
    
      单值类型：tuple
      长度：2（输入--输出 翻译前--翻译后）
    

     training_pairs[0][0] =
     tensor([[24],
             [25],
             [75],
             [ 5],
             [ 1]], device='cuda:0')
    
     training_pairs[0][1]  =  
     tensor([[ 14],
             [ 15],
             [345],
             [  4],
             [  1]], device='cuda:0')
    

    张量的值，分别为英文和法文字典中词对应的索引
    

• ④ 单次训练（一个词一个词进入模型训练）：网络结构图参考官网

  隐藏层参数：
     首先，编码器隐藏层参数初始化为0
  
  参数优化器：
      解码器和编码器，参数的梯度置零
  
  编码器的输出：
      初始一个最外层长度为设置固定长度的0张量
  
   开始编码：
       变量被翻译语言的词，一个词一个词循环进入模型；
       更新隐藏层的参数张量；作为解码器的输入已经编码器更新的输入
       更新编码输出张量，按每次输入词的位置更新，如果长度没到固定长度的保持为0；作为解码器的输入
  
  开始解码：
       解码器输入：用目标值做输入或用预测值做输入，增加鲁棒性
       更新隐藏层：共享编码器的
  
  
  损失函数反向传播
  参数优化器：
       更新参数