一、机器翻译数据集
1、机器翻译(machine translation)指的是将序列从一种语言自动翻译成另一种语言。
2、机器翻译的数据集是由源语言和目标语言的文本序列对组成的。
3、将预处理后的数据加载到小批量中用于训练
二、下载与预处理
1、下载数据集
数据集中的每一行都是制表符分隔的文本序列对, 序列对由英文文本序列和翻译后的法语文本序列组成。
import os import torch from d2l import torch as d2l #@save d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip', '94646ad1522d915e7b0f9296181140edcf86a4f5') #@save def read_data_nmt(): """载入“英语-法语”数据集""" data_dir = d2l.download_extract('fra-eng') with open(os.path.join(data_dir, 'fra.txt'), 'r', encoding='utf-8') as f: return f.read() raw_text = read_data_nmt() print(raw_text[:75])
2、预处理
用空格代替不间断空格, 使用小写字母替换大写字母,在单词和标点符号之间插入空格。
#@save def preprocess_nmt(text): """预处理“英语-法语”数据集""" def no_space(char, prev_char): return char in set(',.!?') and prev_char != ' ' # 使用空格替换不间断空格 # 使用小写字母替换大写字母 text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower() # 在单词和标点符号之间插入空格 out = [' ' + char if i > 0 and no_space(char, text[i - 1]) else char for i, char in enumerate(text)] return ''.join(out) text = preprocess_nmt(raw_text) print(text[:80])
三、词元化
对前num_examples
个文本序列对进行词元化, 每个词元要么是一个词,要么是一个标点符号。 此函数返回两个词元列表:source
和target
: source[i]
是源语言(英语)第𝑖个文本序列的词元列表, target[i]
是目标语言(法语)第𝑖个文本序列的词元列表。
#@save def tokenize_nmt(text, num_examples=None): """词元化“英语-法语”数据数据集""" source, target = [], [] for i, line in enumerate(text.split('\n')): if num_examples and i > num_examples: break parts = line.split('\t') if len(parts) == 2: source.append(parts[0].split(' ')) target.append(parts[1].split(' ')) return source, target source, target = tokenize_nmt(text) source[:6], target[:6]
四、词表
将出现次数少于2次的低频率词元视为相同的未知(“<unk>”)词元。
指定了额外的特定词元, 例如在小批量时用于将序列填充到相同长度的填充词元(“<pad>”), 以及序列的开始词元(“<bos>”)和结束词元(“<eos>”)
这些特殊词元在自然语言处理任务中比较常用。
#这里的单词,已经变成了索引 src_vocab = d2l.Vocab(source, min_freq=2, reserved_tokens=['<pad>', '<bos>', '<eos>'])
五、加载数据集
1、截断或填充文本序列(文本序列具有相同的长度,便于以相同形状的小批量进行加载)
同一个小批量中的每个序列都应该具有相同的长度num_steps,
如果文本序列的词元数目少于num_steps
时, 我们将继续在其末尾添加特定的“<pad>”词元, 直到其长度达到num_steps
; 反之,我们将截断文本序列时,只取其前num_steps
个词元, 并且丢弃剩余的词元。
#@save def truncate_pad(line, num_steps, padding_token): """截断或填充文本序列""" if len(line) > num_steps: return line[:num_steps] # 截断 return line + [padding_token] * (num_steps - len(line)) # 填充
2、将文本序列转换成小批量数据集用于训练
#@save def build_array_nmt(lines, vocab, num_steps): """将机器翻译的文本序列转换成小批量""" lines = [vocab[l] for l in lines] #“<eos>”词元添加到所有序列的末尾, 用于表示序列的结束 lines = [l + [vocab['<eos>']] for l in lines] array = torch.tensor([truncate_pad( l, num_steps, vocab['<pad>']) for l in lines]) #valid_len是一个向量,里面装的是每个句子line的有效token长度 valid_len = (array != vocab['<pad>']).type(torch.int32).sum(1) return array, valid_len
六、训练模型
1、返回数据迭代器以及源语言和目标语言的两种词表
#@save def load_data_nmt(batch_size, num_steps, num_examples=600): """返回翻译数据集的迭代器和词表""" text = preprocess_nmt(read_data_nmt()) source, target = tokenize_nmt(text, num_examples) src_vocab = d2l.Vocab(source, min_freq=2, reserved_tokens=['<pad>', '<bos>', '<eos>']) tgt_vocab = d2l.Vocab(target, min_freq=2, reserved_tokens=['<pad>', '<bos>', '<eos>']) src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps) tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps) data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len) #dataiter返回原句子,合法长度,目标句子,合法长度 data_iter = d2l.load_array(data_arrays, batch_size) return data_iter, src_vocab, tgt_vocab
2、例如:读出“英语-法语”数据集中的第一个小批量数据
train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size=2, num_steps=8) for X, X_valid_len, Y, Y_valid_len in train_iter: print('X:', X.type(torch.int32)) print('X的有效长度:', X_valid_len) print('Y:', Y.type(torch.int32)) print('Y的有效长度:', Y_valid_len) break
七、总结
1、机器翻译指的是将文本序列从一种语言自动翻译成另一种语言。
2、使用单词级词元化时的词表大小,将明显大于使用字符级词元化时的词表大小。为了缓解这一问题,我们可以将低频词元视为相同的未知词元。
3、通过截断和填充文本序列,可以保证所有的文本序列都具有相同的长度,以便以小批量的方式加载。