【mT5多语言翻译】之三——数据集：多语言翻译数据集与预处理

·请参考本系列目录：【mT5多语言翻译】之一——实战项目总览

[1] 多语言翻译数据集

  数据集地址如下：https://github.com/Helsinki-NLP/Tatoeba-Challenge/tree/master/data。

  Tatoeba翻译挑战是一个涵盖多种语言的机器翻译数据集，涉及2539种双语文本和487种语言，形成4024种语言对。这个项目提供了非常全面的训练、开发和测试数据集。

  以本实战项目的中韩、中日翻译任务举例，首先去数据集里找到下载地址：

  下载下来的是tar压缩包，我们把它保存到项目的待处理文件夹中：

【注】Tatoeba翻译数据集里面提供的都是通用领域的数据，如果对领域知识有要求的，还是要使用自己的打标数据效果更好。但是往往我们自己领域的数据集都很小，构建成本也大，所以我觉得可以现在Tatoeba翻译数据集上训练一次，然后再在自己的数据集上训练一遍。

[2] Tatoeba翻译数据集的构成

  我们将上一节下载的压缩包解压，会得到以下内容：

  主要分为3个数据集，训练集、验证集、测试集。每个集合都有3个属性，id、src、trg，它们是分开存储的。

  .id文件里面存放的是每一条数据的语言编码，如：

jpn	cmn_Bopo
jpn	cmn_Hans
jpn	cmn_Hans
jpn	cmn_Hans
jpn	cmn_Hans
jpn	cmn_Hans

【注】由于很多语言存在不同的版本，尤其是中文，有：lzh lzh_Hans nan wuu yue_Hans yue_Hant zho zho_Bopo zho_Bopo_CN zho_Bopo_TW zho_CN zho_Hans zho_Hans_CN zho_Hans_TW zho_Hant zho_Hant_CN zho_Hant_TW zho_TW这么多种版本或者方言，.id文件就是对每条数据进行方言种类标注。

  .src文件里面存放的源文本，如：

一つ、二つ、三つ、四つ、五つ、六つ、七つ、八つ、九つ、十。
Twitterのアカウントなら、持ってるよ。
インスタやってる？
ウクライナ人ですか？
おすすめのアニメって、何？
おはよう、今アイスあるよ。

  .trg文件里面存放的目标文本，如：

一、二、三、四、五、六、七、八、九、十。
我有一个推特账号。
你们用INS吗？
你是乌克兰人吗？
你有哪些推荐的动漫？
早上好、现在我有冰淇淋。

【注】这里谁是源文本，谁是目标文本其实不重要，反正这两者是互相对应的。在实际训练时，输入是谁谁就可以说是src，另外一个就是trg。所以不用纠结为什么数据集中src是jpn而不是zho，不影响我们使用。

[3] 翻译数据集的预处理

[3.1] 将数据存储为tsv文件

  由于初始数据集的结构散乱，我们首先把这些文本存到tsv中方便读取。

  在写代码之前，有几点预处理原则需要明确：

  1、我们已经不需要测试集了。因为模型太大，数据集太大，假设模型每训练一条文本就能学习到相应的翻译知识，理论上模型训练过的文本越多越好。此时老的训练——验证——测试思路已经不在使用，甚至更极端一点连验证集都可以不需要。因为我们的原则是希望模型训练的数据越多越好，那么要不要去验证集、测试集看模型的效果意义已经不大了。

  2、因为我们要训练多语言翻译，因此要给不同的任务加上前缀“translate Chinese to Japanese：”或“translate Chinese to Korean：”。但是由于显存限制，我只把序列长度设置到了10，这样输入拼接上前缀，前缀就占了5、6个token了。因此我把前缀改成jan、kor，这样既可以起到任务的标识作用，也节省了token数。

  3、由于数据集中包含了数十种中文方言，这里我只取简体中文数据。

  鉴于以上的三个原则，我们只处理训练集和验证集，并且只取简中数据，并在tsv中多加一列“prefix”来表示任务前缀，代码如下：

def prepare_translation_datasets(data_path, src_name):
    with open(os.path.join(data_path, "train.id"), "r", encoding="utf-8") as f:
        trg_id = f.readlines()
        trg_id = [text.strip("\n") for text in trg_id]

    with open(os.path.join(data_path, "train.trg"), "r", encoding="utf-8") as f:
        trg_text = f.readlines()
        trg_text = [text.strip("\n") for text in trg_text]

    with open(os.path.join(data_path, "train.src"), "r", encoding="utf-8") as f:
        src_text = f.readlines()
        src_text = [text.strip("\n") for text in src_text]

    data = []
    for trg, src, id in tqdm(zip(trg_text, src_text, trg_id), total=min(len(trg_text), len(src_text))):
        if trg == "" or src == "" or "zho_Hans" not in id:
            continue
        data.append(["{}:".format(src_name), trg, src])

    train_df = pd.DataFrame(data, columns=["prefix", "input_text", "target_text"])

    with open(os.path.join(data_path, "test.id"), "r", encoding="utf-8") as f:
        trg_id = f.readlines()
        trg_id = [text.strip("\n") for text in trg_id]

    with open(os.path.join(data_path, "test.trg"), "r", encoding="utf-8") as f:
        trg_text = f.readlines()
        trg_text = [text.strip("\n") for text in trg_text]

    with open(os.path.join(data_path, "test.src"), "r", encoding="utf-8") as f:
        src_text = f.readlines()
        src_text = [text.strip("\n") for text in src_text]

    data = []
    for trg, src, id in tqdm(zip(trg_text, src_text, trg_id), total=min(len(trg_text), len(src_text))):
        if trg == "" or src == "" or "cmn_Hans" not in id:
            continue
        data.append(["{}:".format(src_name), trg, src])

    eval_df = pd.DataFrame(data, columns=["prefix", "input_text", "target_text"])

    return train_df, eval_df

  函数首先打开并读取.id、.trg和.src 三个文件，分别存储目标语言的 ID、目标语言的文本和源语言的文本。

  处然后，函数遍历这些列表，过滤空值和非简体中文的文本。然后再加上源数据的标识存到df对象里面。

  最后，把df对象保存为tsv文件：

train_df.to_csv(tsv_name, sep="\t")

[3.2] 将tsv文本数据分词并存储为pt文件

  如上图所示，在训练模型的最初阶段，需要把初始文本用分词器转换成token id，我们的数据集大概有1200万文本，如果每次训练时都重新用分词器分词，那么每次都得等很久。因此此处我们直接用mT5的分词器把原始的tsv中的数据给分词完毕，并存储到pt文件中。

  首先创建mT5的分词器：

tokenizer = AutoTokenizer.from_pretrained(mt5_path)

  然后定义mT5的批量编码函数，这里我设置的文本长度为20：

def encode_str(text, seq_len=20):
    ids = tokenizer.batch_encode_plus(
        batch_text_or_text_pairs=text,
        return_tensors='pt',
        padding='max_length',
        truncation=True,
        max_length=seq_len,
        return_attention_mask=False
    )

    return ids['input_ids']

  最后读取tsv，将"prefix"和源文本拼接然后编码为src_id，将目标文本直接编码为trg_id，之后保存成.pt文件。

df = pd.read_csv(tsv_path, sep="\t").astype(str)
    src = []
    trg = []
    for j in tqdm(range(len(df))):
        src.append(df.iloc[j, 1] + df.iloc[j, 2])
        trg.append(df.iloc[j, 3])
    src_ids = encode_str(src)
    trg_ids = encode_str(trg)
    data = torch.stack((src_ids, trg_ids), dim=1)
    torch.save(data, pt_path)

  pt文件中保存的是一个(num, 2, seq)的张量，num表示数据集中的文本数，第二维中的2表示一个向量是源文本、另一个是目标文本，seq表示文本的长度。

[4] 进行下一篇实战

  【mT5多语言翻译】之四——加载：加载数据集与模型