机器翻译——NLP

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。本文使用机器翻译来介绍编码器—解码器和注意力机制的应用。

1、读取和预处理数据

首先定义一些特殊符号。

“<pad>”：用来添加在较短序列后，直到每个序列等长；

“<bos>”：表示序列的开始；

“<eos>”：表示序列的结束。

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

import sys
# sys.path.append("..") 
import d2lzh_pytorch as d2l

PAD, BOS, EOS = '<pad>', '<bos>', '<eos>'#定义了三个变量，分别是PAD、BOS和EOS，它们分别表示填充、起始和结束标记
os.environ["CUDA_VISIBLE_DEVICES"] = "0"#设置了环境变量CUDA_VISIBLE_DEVICES的值为"0"。这个环境变量通常用于指定程序在运行时可以使用的GPU设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')#这行代码创建了一个torch.device对象，用于指定张量的计算设备（GPU或CPU）。它首先检查torch.cuda.is_available()的返回值，如果返回True，表示当前环境支持CUDA（即有可用的GPU），则将设备设置为cuda，否则设置为cpu。

print(torch.__version__, device)

接着定义两个辅助函数（process_one_seq、build_data）对后面读取的数据进行预处理。

# 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)# 将当前序列的所有词添加到all_tokens列表中
    seq_tokens += [EOS] + [PAD] * (max_seq_len - len(seq_tokens) - 1)# 在当前序列末尾添加结束标记EOS，并使用PAD填充到最大序列长度max_seq_len
    all_seqs.append(seq_tokens)# 将处理后的序列添加到all_seqs列表中

# 使用所有的词来构造词典。并将所有序列中的词变换为词索引后构造Tensor
def build_data(all_tokens, all_seqs):
    vocab = Vocab.Vocab(collections.Counter(all_tokens),
                        specials=[PAD, BOS, EOS])# 使用 collections.Counter 统计所有词的出现次数，并通过 Vocab 类构建词典 vocab，其中包括特殊标记 [PAD, BOS, EOS]
    indices = [[vocab.stoi[w] for w in seq] for seq in all_seqs]# 将所有序列中的词转换为对应的索引，构成索引序列 indices
    return vocab, torch.tensor(indices)# 返回构建的词典 vocab 和转换为张量后的索引 indices

为了演示方便，我们在这里使用一个很小的法语—英语数据集。在这个数据集里，每一行是一对法语句子和它对应的英语句子，中间使用'\t'隔开。

def read_data(max_seq_len):
    # in和out分别是input和output的缩写
    in_tokens, out_tokens, in_seqs, out_seqs = [], [], [], []# 初始化四个空列表，分别用于存储输入和输出序列的词列表和处理后的序列
    with io.open('fr-en-small.txt') as f:#打开文件 fr-en-small.txt，使用 io.open 是为了在读取文件时处理字符编码
        lines = f.readlines()# 读取文件所有行，并存储在 lines 列表中
    for line in lines:# 遍历每一行数据
        in_seq, out_seq = line.rstrip().split('\t')# 去除行末尾的空白符并按制表符分割，得到输入序列 in_seq 和输出序列 out_seq
        in_seq_tokens, out_seq_tokens = in_seq.split(' '), out_seq.split(' ')#将输入和输出序列按空格分割成词列表
        if max(len(in_seq_tokens), len(out_seq_tokens)) > max_seq_len - 1:
            continue  # 如果加上EOS后长于max_seq_len，则忽略掉此样本
        process_one_seq(in_seq_tokens, in_tokens, in_seqs, max_seq_len)# 调用 process_one_seq 函数处理输入序列，并将结果存储在 in_tokens 和 in_seqs 中
        process_one_seq(out_seq_tokens, out_tokens, out_seqs, max_seq_len)# 类似地，处理输出序列，并将结果存储在 out_tokens 和 out_seqs 中
    in_vocab, in_data = build_data(in_tokens, in_seqs)# 调用 build_data 函数构建输入数据的词典和数据张量
    out_vocab, out_data = build_data(out_tokens, out_seqs)# 类似地，构建输出数据的词典和数据张量
    return in_vocab, out_vocab, Data.TensorDataset(in_data, out_data)# 返回构建好的输入词典 in_vocab、输出词典 out_vocab，以及使用 torch.utils.data.TensorDataset 封装的输入和输出数据张量

将序列的最大长度设成7，然后查看读取到的第一个样本。

max_seq_len = 7
in_vocab, out_vocab, dataset = read_data(max_seq_len)
dataset[0]

读取到的结果：

该样本分别包含了法语词索引序列和英语词索引序列。

2、含注意力机制的编码器—解码器

我们将使用含注意力机制的编码器—解码器来将一段简短的法语翻译成英语。

2.1 编码器

在编码器中，我们将输入语言的词索引通过词嵌入层得到词的表征，然后输入到一个多层门控循环单元中。

class Encoder(nn.Module):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                 drop_prob=0, **kwargs):# vocab_size:词汇表大小；embed_size:嵌入空间的维度；num_hiddens:GRU中隐藏单元的数量；num_layers：GRU层的数量；drop_prob: Dropout；**kwargs: 其他关键字参数
        super(Encoder, self).__init__(**kwargs)# 使用构造函数中传递的额外关键字参数来初始化 nn.Module 的超类
        self.embedding = nn.Embedding(vocab_size, embed_size)# 使用 nn.Embedding 创建一个嵌入层，将词汇表中的每个标记映射到大小为 embed_size 的密集向量
        self.rnn = nn.GRU(embed_size, num_hiddens, num_layers, dropout=drop_prob)
        # 使用 nn.GRU 定义一个 GRU（门控循环单元）层；embed_size：输入嵌入的大小；num_hiddens：指定每个 GRU 层中隐藏单元的数量；num_layers：指定堆叠的GRU层数量；
    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)# 将 GRU 层 (self.rnn) 应用于嵌入的输入 (embedding) 和初始状态 (state)；返回 GRU 的输出和更新后的状态

    def begin_state(self):
        return None

下面我们来创建一个批量大小为4、时间步数为7的小批量序列输入。设门控循环单元的隐藏层个数为2，隐藏单元个数为16。编码器对该输入执行前向计算后返回的输出形状为(时间步数, 批量大小, 隐藏单元个数)。门控循环单元在最终时间步的多层隐藏状态的形状为(隐藏层个数, 批量大小, 隐藏单元个数)。对于门控循环单元来说，state就是一个元素，即隐藏状态；如果使用长短期记忆，state是一个元组，包含两个元素即隐藏状态和记忆细胞。

encoder = Encoder(vocab_size=10, embed_size=8, num_hiddens=16, num_layers=2)# 实例化了一个 Encoder 对象，设置了词汇表大小为 10，嵌入维度为 8，隐藏单元数量为 16，层数为 2
output, state = encoder(torch.zeros((4, 7)), encoder.begin_state())# 对实例化的 Encoder 对象进行了前向传播,传入了一个大小为 (4, 7) 的全零张量作为输入序列，以及 begin_state() 返回的初始状态,前向传播的结果是输出张量 output 和更新后的状态 state
output.shape, state.shape # GRU的state是h, 而LSTM的是一个元组(h, c)

2.2 注意力机制

def attention_model(input_size, attention_size):# 定义了一个函数 attention_model，接受两个参数 input_size 和 attention_size，分别表示输入特征的大小和注意力机制的隐藏层大小
    model = nn.Sequential(nn.Linear(input_size, attention_size, bias=False),# 添加了一个线性层，将输入特征的大小 input_size 转换为注意力大小 attention_size，不使用偏置项 (bias=False)
                          nn.Tanh(),# 添加了一个 Tanh 激活函数层，将线性层的输出应用 Tanh 函数，增加非线性特性
                          nn.Linear(attention_size, 1, bias=False))# 再次添加了一个线性层，将注意力大小 attention_size 转换为一个标量值1，同样不使用偏置项
    return model# 返回定义好的序列模型 model，其中包含了线性层、Tanh 激活函数和最终的线性层组成的注意力模型

注意力机制的输入包括查询项、键项和值项。设编码器和解码器的隐藏单元个数相同。这里的查询项为解码器在上一时间步的隐藏状态，形状为(批量大小, 隐藏单元个数)；键项和值项均为编码器在所有时间步的隐藏状态，形状为(时间步数, 批量大小, 隐藏单元个数)。注意力机制返回当前时间步的背景变量，形状为(批量大小, 隐藏单元个数)。

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

下面将编码器的时间步数设为10，批量大小设为4，编码器和解码器的隐藏单元个数均设为8。

seq_len, batch_size, num_hiddens = 10, 4, 8
model = attention_model(2*num_hiddens, 10)# 函数返回一个神经网络模型 (nn.Sequential)，定义了一个注意力机制
enc_states = torch.zeros((seq_len, batch_size, num_hiddens))# 将 enc_states 初始化为一个三维张量（PyTorch 的全零张量）
dec_state = torch.zeros((batch_size, num_hiddens))# dec_state 被初始化为一个二维张量，大小为 (batch_size, num_hiddens)
attention_forward(model, enc_states, dec_state).shape# 调用了一个函数 attention_forward，传入参数 model、enc_states 和 dec_state，然后访问返回张量的 shape 属性

由于注意力机制返回一个小批量的背景向量，每个背景向量的长度等于编码器的隐藏单元个数，因此输出的形状为(4, 8)。

2.3 含注意力机制的解码器

在解码器的前向计算中，我们先通过刚刚介绍的注意力机制计算得到当前时间步的背景向量。由于解码器的输入来自输出语言的词索引，我们将输入通过词嵌入层得到表征，然后和背景向量在特征维连结。我们将连结后的结果与上一时间步的隐藏状态通过门控循环单元计算出当前时间步的输出与隐藏状态。最后，我们将输出通过全连接层变换为有关各个输出词的预测，形状为(批量大小, 输出词典大小)。

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

3、训练模型

我们先实现batch_loss函数计算一个小批量的损失。解码器在最初时间步的输入是特殊字符BOS。之后，解码器在某时间步的输入为样本输出序列在上一时间步的词，即强制教学。此外，使用掩码变量避免填充项对损失函数计算的影响。

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

在训练函数中，我们需要同时迭代编码器和解码器的模型参数。

def train(encoder, decoder, dataset, lr, batch_size, num_epochs):
    # 创建编码器和解码器的优化器，使用Adam优化器，学习率为lr
    enc_optimizer = torch.optim.Adam(encoder.parameters(), lr=lr)
    dec_optimizer = torch.optim.Adam(decoder.parameters(), lr=lr)

     # 定义损失函数为交叉熵损失，reduction='none'表示不对损失进行降维
    loss = nn.CrossEntropyLoss(reduction='none')
     # 创建数据迭代器，用于批量加载数据集，每次加载batch_size大小的数据进行训练
    data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
    for epoch in range(num_epochs):
        l_sum = 0.0 # 用于累计每个epoch的总损失
        
         # 遍历数据迭代器，每次加载一个batch的数据进行训练
        for X, Y in data_iter:
            enc_optimizer.zero_grad() # 清零编码器优化器的梯度
            dec_optimizer.zero_grad() # 清零解码器优化器的梯度
            l = batch_loss(encoder, decoder, X, Y, loss) # 计算当前batch的损失
            l.backward() # 反向传播计算梯度
             # 使用编码器和解码器的优化器更新参数
            enc_optimizer.step()
            dec_optimizer.step()
            # 累加当前batch的损失值
            l_sum += l.item()
        # 每训练完一个epoch，每10个epoch打印一次当前的平均损失
        if (epoch + 1) % 10 == 0:
            print("epoch %d, loss %.3f" % (epoch + 1, l_sum / len(data_iter)))

接下来，创建模型实例并设置超参数。然后，我们就可以训练模型了。

embed_size, num_hiddens, num_layers = 64, 64, 2 # 设置了嵌入大小 (embed_size) 为 64，隐藏单元数 (num_hiddens) 为 64，层数 (num_layers) 为 2
attention_size, drop_prob, lr, batch_size, num_epochs = 10, 0.5, 0.01, 2, 50 # 设置了注意力大小 (attention_size) 为 10，dropout概率 (drop_prob) 为 0.5，学习率 (lr) 为 0.01，批量大小 (batch_size) 为 2，训练轮数 (num_epochs) 为 50
encoder = Encoder(len(in_vocab), embed_size, num_hiddens, num_layers,
                  drop_prob)# 编码器
decoder = Decoder(len(out_vocab), embed_size, num_hiddens, num_layers,
                  attention_size, drop_prob)# 解码器
train(encoder, decoder, dataset, lr, batch_size, num_epochs)# 开始训练

4、预测不定长的序列

贪婪搜索生成解码器在每个时间步的输出。

def translate(encoder, decoder, input_seq, max_seq_len):
     # 将输入序列按空格分割成单词，并加入结束标记 EOS 和填充标记 PAD，以便构成指定长度的输入序列
    in_tokens = input_seq.split(' ')
    in_tokens += [EOS] + [PAD] * (max_seq_len - len(in_tokens) - 1)
    # 将输入序列转换为对应的索引序列，并构造成模型所需的张量格式，这里假设 batch 大小为 1
    enc_input = torch.tensor([[in_vocab.stoi[tk] for tk in in_tokens]]) # batch=1
    enc_state = encoder.begin_state()  # 编码器初始状态
    enc_output, enc_state = encoder(enc_input, enc_state) # 编码器处理输入序列，得到编码器输出和最终状态
    dec_input = torch.tensor([out_vocab.stoi[BOS]]) # 解码器初始输入为起始标记 BOS
    dec_state = decoder.begin_state(enc_state) # 解码器初始状态为编码器的最终状态
    output_tokens = [] # 存储模型预测的输出 token 序列
    for _ in range(max_seq_len): # 迭代生成输出序列的每一个 token
        # 解码器生成输出和更新状态
        dec_output, dec_state = decoder(dec_input, dec_state, enc_output)
        # 预测出最有可能的 token
        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 # 将当前预测的 token 作为下一时刻的输入
    return output_tokens

简单测试一下这个模型，如果输入法语句子“ils regardent.”，那么翻译后的英语句子应该是“they are watching.”。

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

5、评价翻译结果（BLEU）

评价机器翻译结果通常使用BLEU（Bilingual Evaluation Understudy。对于模型预测序列中任意的子序列，BLEU考察这个子序列是否出现在标签序列中。

具体来说，设词数为𝑛𝑛的子序列的精度为𝑝𝑛𝑝𝑛。它是预测序列与标签序列匹配词数为𝑛𝑛的子序列的数量与预测序列中词数为𝑛𝑛的子序列的数量之比。因为匹配较长子序列比匹配较短子序列更难，BLEU对匹配较长子序列的精度赋予了更大权重。

下面实现BLEU的计算：

def bleu(pred_tokens, label_tokens, k):
    # 计算预测序列和参考序列的长度
    len_pred, len_label = len(pred_tokens), len(label_tokens) 
    # 初始化 BLEU 分数
    score = math.exp(min(0, 1 - len_label / len_pred)) 
    # 计算 n-gram 的匹配数量和参考序列的 n-gram 数量
    for n in range(1, k + 1):
        num_matches, label_subs = 0, collections.defaultdict(int)      
        # 统计参考序列中的 n-gram 出现次数
        for i in range(len_label - n + 1):
            label_subs[''.join(label_tokens[i: i + n])] += 1      
        # 计算预测序列中与参考序列匹配的 n-gram 数量
        for i in range(len_pred - n + 1):
            if label_subs[''.join(pred_tokens[i: i + n])] > 0:
                num_matches += 1
                label_subs[''.join(pred_tokens[i: i + n])] -= 1       
        # 计算 BLEU 分数
        score *= math.pow(num_matches / (len_pred - n + 1), math.pow(0.5, n))   
    return score

接下来，定义一个辅助打印函数。

def score(input_seq, label_seq, k):
    # 使用编码器解码器模型生成预测序列
    pred_tokens = translate(encoder, decoder, input_seq, max_seq_len) 
    # 将参考序列分割为单词列表
    label_tokens = label_seq.split(' ')
    # 输出 BLEU 分数和模型生成的序列
    print('bleu %.3f, predict: %s' % (bleu(pred_tokens, label_tokens, k),
                                      ' '.join(pred_tokens)))

预测正确则分数为1。

score('ils regardent .', 'they are watching .', k=2)

score('ils sont canadienne .', 'they are canadian .', k=2)