一、导入相关的包
import math # 导入math库,用于访问数学函数和常数
import torchtext # 导入torchtext,用于文本处理
import torch # 导入PyTorch库,用于深度学习
import torch.nn as nn # 从PyTorch导入nn模块,包含构建神经网络所需的类
from torch import Tensor # 从PyTorch导入Tensor类,用于表示多维数组
from torch.nn.utils.rnn import pad_sequence # 导入pad_sequence函数,用于填充序列
from torch.utils.data import DataLoader # 导入DataLoader类,用于加载数据集
from collections import Counter # 从collections模块导入Counter类,用于计数
from torchtext.vocab import Vocab # 从torchtext导入Vocab类,用于构建词汇表
from torch.nn import TransformerEncoder, TransformerDecoder, \
TransformerEncoderLayer, TransformerDecoderLayer # 从torch.nn导入Transformer模型的相关层
import io # 导入io库,用于处理输入输出流
import time # 导入time库,用于时间相关操作
import pandas as pd # 导入pandas库,用于数据分析和操作DataFrame对象
import numpy as np # 导入numpy库,用于数值计算
import pickle # 导入pickle库,用于序列化和反序列化Python对象
import tqdm # 导入tqdm库,用于显示进度条
import sentencepiece as spm # 导入sentencepiece库,用于文本的分词处理
torch.manual_seed(0) # 设置PyTorch的随机种子为0,以确保结果的可重复性
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 设置设备为GPU(如果可用)或CPU
二、获取平行语料库
在本教程中,我们将使用从 JParaCrawl![http://www.kecl.ntt.co.jp/icl/lirg/jparacrawl] 下载的日英并行数据集,该数据集被描述为 "由 NTT 创建的最大的公开可用英日并行语料库"。它主要是通过抓取网络并自动对齐平行句子而创建的。
# 读取数据文件,并指定分隔符为制表符
df = pd.read_csv('./zh-ja/zh-ja.bicleaner05.txt', sep='\\t', engine='python', header=None)
# 提取中文和日文文本列
trainen = df[2].values.tolist() # 中文文本列表
trainja = df[3].values.tolist() # 日文文本列表
# trainen.pop(5972)
三、准备分词器
与英语或其他字母语言不同,日语句子不包含分隔单词的空格。我们可以使用 JParaCrawl 提供的标记化器,该标记化器是使用 SentencePiece 为日语和英语创建的
en_tokenizer = spm.SentencePieceProcessor(model_file='enja_spm_models/spm.en.nopretok.model')
ja_tokenizer = spm.SentencePieceProcessor(model_file='enja_spm_models/spm.ja.nopretok.model')
在加载了分词器之后,你可以通过执行以下代码来测试它们。
# 导入en_tokenizer模块
import en_tokenizer
# 使用en_tokenizer对给定的文本进行编码,并将结果转换为字符串类型
encoded_text = en_tokenizer.encode("All residents aged 20 to 59 years who live in Japan must enroll in public pension system.", out_type='str')
# 打印编码后的文本
print(encoded_text)
# 导入ja_tokenizer模块
import ja_tokenizer
# 使用ja_tokenizer的encode方法对给定的文本进行编码
# 输入文本为:"年金 日本に住んでいる20歳~60歳の全ての人は、公的年金制度に加入しなければなりません。"
# 输出类型为字符串
encoded_text = ja_tokenizer.encode("年金 日本に住んでいる20歳~60歳の全ての人は、公的年金制度に加入しなければなりません。", out_type='str')
# 打印编码后的文本
print(encoded_text)
四、构建TorchText的Vocab对象并将句子转换为Torch张量
定义 build_vocab 的函数,它的作用是根据一组句子和分词器来构建一个词汇表。这个函数首先使用 Counter 类来计数句子中的不同标记,Counter 是一个字典子类,用于计数可哈希对象。函数遍历传入的 sentences 列表,对每一句使用 tokenizer 进行编码,将句子转换成标记序列,并将这些标记更新到 counter 中。
tokenizer.encode 方法将句子转换为一系列标记,并且 out_type=str 参数指定输出类型为字符串。然后,使用 counter.update 方法将这些标记添加到计数器中,从而统计每个标记出现的次数。
接下来,函数使用 counter 来构建词汇表。这里使用了 Vocab 构造函数,它接受一个计数器对象,并可以添加一些特殊标记,如未知标记 <unk>、填充标记 <pad>、开始标记 <bos> 和结束标记 <eos>。这些特殊标记在自然语言处理中有着重要的作用,例如处理未知词汇、填充序列以统一长度、标记句子的开始和结束。
最后,函数返回构建好的词汇表。在代码的后半部分,分别使用 build_vocab 函数和日语、英语的分词器 ja_tokenizer、en_tokenizer 来构建日语和英语的词汇表,分别存储在 ja_vocab 和 en_vocab 变量中。这样,每个语言的文本在进行进一步的自然语言处理任务之前,都会有一个准备好的词汇表,这有助于标准化和优化模型的训练过程。
# 定义一个函数 build_vocab,用于构建词汇表
def build_vocab(sentences, tokenizer):
# 创建一个计数器对象
counter = Counter()
# 遍历输入的句子列表
for sentence in sentences:
# 使用分词器对句子进行编码,并将结果更新到计数器中
counter.update(tokenizer.encode(sentence, out_type=str))
# 返回一个词汇表对象,其中包含计数器的统计信息以及特殊标记(如未知词、填充符、开始符和结束符)
return Vocab(counter, specials=['<unk>', '<pad>', '<bos>', '<eos>'])
# 使用训练集和日语分词器构建日语词汇表
ja_vocab = build_vocab(trainja, ja_tokenizer)
# 使用训练集和英语分词器构建英语词汇表
en_vocab = build_vocab(trainen, en_tokenizer)
接下来,函数使用 zip
函数将日语列表 ja
和英语列表 en
配对组合,并遍历这些配对。对于每一对原始日语句子 raw_ja
和原始英语句子 raw_en。
处理后的日语和英语张量被组成一个元组 (ja_tensor_, en_tensor_),然后这个元组被添加到 data列表中。这样,每对原始句子都被转换成了它们的数值表示形式,并且存储在列表中。
最后,函数返回这个包含处理后数据的列表 data。通过调用 data_process 函数并传入训练数据 trainja 和 trainen,得到了处理后的训练数据集 train_data。这个数据集现在可以被用来创建 DataLoader 对象,进而在模型训练过程中进行批量加载和处理。
# 定义一个名为data_process的函数,接收两个参数:ja和en
def data_process(ja, en):
# 初始化一个空列表data
data = []
# 使用zip函数将ja和en中的元素一一对应地组合在一起,然后遍历这些组合
for (raw_ja, raw_en) in zip(ja, en):
# 对原始的日语文本进行分词,并将分词结果转换为对应的词汇表索引,然后将这些索引转换为LongTensor类型的张量
ja_tensor_ = torch.tensor([ja_vocab[token] for token in ja_tokenizer.encode(raw_ja.rstrip("
"), out_type=str)],
dtype=torch.long)
# 对原始的英语文本进行分词,并将分词结果转换为对应的词汇表索引,然后将这些索引转换为LongTensor类型的张量
en_tensor_ = torch.tensor([en_vocab[token] for token in en_tokenizer.encode(raw_en.rstrip("
"), out_type=str)],
dtype=torch.long)
# 将处理好的日语和英语张量作为元组添加到data列表中
data.append((ja_tensor_, en_tensor_))
# 返回处理后的数据列表
return data
# 调用data_process函数处理训练数据,并将结果赋值给train_data变量
train_data = data_process(trainja, trainen)
五、创建用于训练迭代的DataLoader对象
# 设置批量大小为8
BATCH_SIZE = 8
# 获取日语词汇表中的填充索引
PAD_IDX = ja_vocab['<pad>']
# 获取日语词汇表中的开始索引
BOS_IDX = ja_vocab['<bos>']
# 获取日语词汇表中的结束索引
EOS_IDX = ja_vocab['<eos>']
# 定义一个函数,用于生成批次数据
def generate_batch(data_batch):
# 初始化两个空列表,用于存储日语和英语的批次数据
ja_batch, en_batch = [], []
# 遍历输入的数据批次
for (ja_item, en_item) in data_batch:
# 将开始索引、日语数据和结束索引拼接起来,并添加到日语批次列表中
ja_batch.append(torch.cat([torch.tensor([BOS_IDX]), ja_item, torch.tensor([EOS_IDX])], dim=0))
# 将开始索引、英语数据和结束索引拼接起来,并添加到英语批次列表中
en_batch.append(torch.cat([torch.tensor([BOS_IDX]), en_item, torch.tensor([EOS_IDX])], dim=0))
# 对日语批次列表进行填充处理,使其具有相同的长度
ja_batch = pad_sequence(ja_batch, padding_value=PAD_IDX)
# 对英语批次列表进行填充处理,使其具有相同的长度
en_batch = pad_sequence(en_batch, padding_value=PAD_IDX)
# 返回填充后的日语和英语批次数据
return ja_batch, en_batch
# 使用DataLoader加载训练数据,设置批量大小为BATCH_SIZE,打乱顺序,并使用generate_batch函数作为collate_fn参数
train_iter = DataLoader(train_data, batch_size=BATCH_SIZE,
shuffle=True, collate_fn=generate_batch)
六、Seq2Seq 翻译
下面,我们定义一个基于Transformer的序列到序列(Seq2Seq)模型,用于处理序列数据的翻译或转换任务。模型由编码器(encoder)和解码器(decoder)组成,它们共享相同的维度和一些层的参数。
from torch.nn import TransformerEncoder, TransformerDecoder, TransformerEncoderLayer, TransformerDecoderLayer
class Seq2SeqTransformer(nn.Module):
def __init__(self, num_encoder_layers: int, num_decoder_layers: int,
emb_size: int, src_vocab_size: int, tgt_vocab_size: int,
dim_feedforward:int = 512, dropout:float = 0.1):
super(Seq2SeqTransformer, self).__init__()
# Transformer 编码器层
encoder_layer = TransformerEncoderLayer(d_model=emb_size, nhead=NHEAD,
dim_feedforward=dim_feedforward)
self.transformer_encoder = TransformerEncoder(encoder_layer, num_layers=num_encoder_layers)
# Transformer 解码器层
decoder_layer = TransformerDecoderLayer(d_model=emb_size, nhead=NHEAD,
dim_feedforward=dim_feedforward)
self.transformer_decoder = TransformerDecoder(decoder_layer, num_layers=num_decoder_layers)
# 线性层作为生成器,将解码器输出映射到目标词汇表的维度
self.generator = nn.Linear(emb_size, tgt_vocab_size)
# 源语言和目标语言的词嵌入层
self.src_tok_emb = TokenEmbedding(src_vocab_size, emb_size)
self.tgt_tok_emb = TokenEmbedding(tgt_vocab_size, emb_size)
# 位置编码层
self.positional_encoding = PositionalEncoding(emb_size, dropout=dropout)
def forward(self, src: Tensor, trg: Tensor, src_mask: Tensor,
tgt_mask: Tensor, src_padding_mask: Tensor,
tgt_padding_mask: Tensor, memory_key_padding_mask: Tensor):
# 对源语言和目标语言的输入进行位置编码
src_emb = self.positional_encoding(self.src_tok_emb(src))
tgt_emb = self.positional_encoding(self.tgt_tok_emb(trg))
# Transformer 编码器处理源语言序列
memory = self.transformer_encoder(src_emb, src_mask, src_padding_mask)
# Transformer 解码器处理目标语言序列
outs = self.transformer_decoder(tgt_emb, memory, tgt_mask, None,
tgt_padding_mask, memory_key_padding_mask)
# 通过生成器映射到目标词汇表的维度
return self.generator(outs)
def encode(self, src: Tensor, src_mask: Tensor):
# 编码器的编码过程,返回编码器的输出(编码器最后一层的输出)
return self.transformer_encoder(self.positional_encoding(
self.src_tok_emb(src)), src_mask)
def decode(self, tgt: Tensor, memory: Tensor, tgt_mask: Tensor):
# 解码器的解码过程,返回解码器的输出(解码器最后一层的输出)
return self.transformer_decoder(self.positional_encoding(
self.tgt_tok_emb(tgt)), memory,
tgt_mask)
class PositionalEncoding(nn.Module):
def __init__(self, emb_size: int, dropout, maxlen: int = 5000):
super(PositionalEncoding, self).__init__()
# 计算位置编码
den = torch.exp(- torch.arange(0, emb_size, 2) * math.log(10000) / emb_size)
pos = torch.arange(0, maxlen).reshape(maxlen, 1)
pos_embedding = torch.zeros((maxlen, emb_size))
pos_embedding[:, 0::2] = torch.sin(pos * den)
pos_embedding[:, 1::2] = torch.cos(pos * den)
pos_embedding = pos_embedding.unsqueeze(-2)
self.dropout = nn.Dropout(dropout)
self.register_buffer('pos_embedding', pos_embedding)
def forward(self, token_embedding: Tensor):
# 返回加上位置编码后的结果,并应用 dropout
return self.dropout(token_embedding +
self.pos_embedding[:token_embedding.size(0), :])
class TokenEmbedding(nn.Module):
def __init__(self, vocab_size: int, emb_size):
super(TokenEmbedding, self).__init__()
self.embedding = nn.Embedding(vocab_size, emb_size)
self.emb_size = emb_size
def forward(self, tokens: Tensor):
# 返回词嵌入乘以 sqrt(词嵌入维度) 的结果
return self.embedding(tokens.long()) * math.sqrt(self.emb_size)
def generate_square_subsequent_mask(sz):
"""
生成一个用于 Transformer 解码器的目标序列遮蔽,确保在每个时间步只能看到之前的信息。
Args:
- sz (int): 序列的长度
Returns:
- mask (Tensor): 形状为 (sz, sz) 的上三角遮蔽矩阵,对角线及以下元素为-∞,其余元素为0
"""
mask = (torch.triu(torch.ones((sz, sz), device=device)) == 1).transpose(0, 1)
mask = mask.float().masked_fill(mask == 0, float('-inf')).masked_fill(mask == 1, float(0.0))
return mask
def create_mask(src, tgt):
"""
创建用于 Transformer 模型的遮蔽张量。
Args:
- src (Tensor): 源序列张量
- tgt (Tensor): 目标序列张量
Returns:
- src_mask (Tensor): 源序列的填充遮蔽张量,形状为 (src_seq_len, src_seq_len)
- tgt_mask (Tensor): 目标序列的上三角遮蔽张量,形状为 (tgt_seq_len, tgt_seq_len)
- src_padding_mask (Tensor): 源序列的填充遮蔽张量,形状为 (src_seq_len, batch_size)
- tgt_padding_mask (Tensor): 目标序列的填充遮蔽张量,形状为 (tgt_seq_len, batch_size)
"""
src_seq_len = src.shape[0]
tgt_seq_len = tgt.shape[0]
# 生成目标序列的遮蔽张量
tgt_mask = generate_square_subsequent_mask(tgt_seq_len)
# 源序列的遮蔽张量为全零矩阵,不遮蔽任何内容
src_mask = torch.zeros((src_seq_len, src_seq_len), device=device).type(torch.bool)
# 生成源序列和目标序列的填充遮蔽张量
src_padding_mask = (src == PAD_IDX).transpose(0, 1)
tgt_padding_mask = (tgt == PAD_IDX).transpose(0, 1)
return src_mask, tgt_mask, src_padding_mask, tgt_padding_mask
SRC_VOCAB_SIZE = len(ja_vocab) # 源语言词汇表大小
TGT_VOCAB_SIZE = len(en_vocab) # 目标语言词汇表大小
EMB_SIZE = 512 # 词嵌入维度
NHEAD = 8 # 注意力头的数量
FFN_HID_DIM = 512 # FeedForward 层隐藏层维度
BATCH_SIZE = 16 # 批量大小
NUM_ENCODER_LAYERS = 3 # 编码器层数
NUM_DECODER_LAYERS = 3 # 解码器层数
NUM_EPOCHS = 16 # 训练轮数
transformer = Seq2SeqTransformer(NUM_ENCODER_LAYERS, NUM_DECODER_LAYERS,
EMB_SIZE, SRC_VOCAB_SIZE, TGT_VOCAB_SIZE,
FFN_HID_DIM)
# 使用 Xavier 初始化网络参数
for p in transformer.parameters():
if p.dim() > 1:
nn.init.xavier_uniform_(p)
transformer = transformer.to(device) # 将模型移动到GPU上(如果可用)
loss_fn = torch.nn.CrossEntropyLoss(ignore_index=PAD_IDX) # 定义损失函数,忽略填充索引
optimizer = torch.optim.Adam(
transformer.parameters(), lr=0.0001, betas=(0.9, 0.98), eps=1e-9
)
def train_epoch(model, train_iter, optimizer):
"""
训练模型的一个epoch。
Args:
- model (Seq2SeqTransformer): Transformer 模型
- train_iter (DataLoader): 训练数据迭代器
- optimizer (torch.optim.Adam): 优化器
Returns:
- float: 平均损失值
"""
model.train()
losses = 0
for idx, (src, tgt) in enumerate(train_iter):
src = src.to(device)
tgt = tgt.to(device)
tgt_input = tgt[:-1, :]
src_mask, tgt_mask, src_padding_mask, tgt_padding_mask = create_mask(src, tgt_input)
logits = model(src, tgt_input, src_mask, tgt_mask,
src_padding_mask, tgt_padding_mask, src_padding_mask)
optimizer.zero_grad()
tgt_out = tgt[1:,:]
loss = loss_fn(logits.reshape(-1, logits.shape[-1]), tgt_out.reshape(-1))
loss.backward()
optimizer.step()
losses += loss.item()
return losses / len(train_iter)
def evaluate(model, val_iter):
"""
评估模型在验证集上的表现。
Args:
- model (Seq2SeqTransformer): Transformer 模型
- val_iter (DataLoader): 验证数据迭代器
Returns:
- float: 平均验证损失值
"""
model.eval()
losses = 0
for idx, (src, tgt) in (enumerate(valid_iter)):
src = src.to(device)
tgt = tgt.to(device)
tgt_input = tgt[:-1, :]
src_mask, tgt_mask, src_padding_mask, tgt_padding_mask = create_mask(src, tgt_input)
logits = model(src, tgt_input, src_mask, tgt_mask,
src_padding_mask, tgt_padding_mask, src_padding_mask)
tgt_out = tgt[1:,:]
loss = loss_fn(logits.reshape(-1, logits.shape[-1]), tgt_out.reshape(-1))
losses += loss.item()
return losses / len(val_iter)
七、模型训练
# 导入进度条库
import tqdm
# 定义训练循环,NUM_EPOCHS为训练的总轮数
for epoch in tqdm.tqdm(range(1, NUM_EPOCHS+1)):
# 记录当前轮次的开始时间
start_time = time.time()
# 调用train_epoch函数进行一轮训练,返回训练损失值
train_loss = train_epoch(transformer, train_iter, optimizer)
# 记录当前轮次的结束时间
end_time = time.time()
# 打印当前轮次、训练损失值以及本轮训练所花费的时间
print((f"Epoch: {epoch}, Train loss: {train_loss:.3f}, "
f"Epoch time = {(end_time - start_time):.3f}s"))
八、模型使用
尝试使用上面训练好的模型来实现日语句子的翻译。
定义下面两个函数用于使用训练好的Seq2SeqTransformer模型进行解码和翻译。
·greedy_decode函数实现了一种简单的解码策略,它接收一个预训练的模型、源语言文本的表示、相应的掩码、允许的最大解码长度以及解码开始的起始符号。函数首先将源语言数据准备到合适的设备上,并利用模型的编码器部分来获取编码后的记忆表示。接着,初始化目标序列,仅包含起始符号,并在设备上进行处理。在每次迭代中,函数生成目标掩码以防止解码时信息泄露,然后利用解码器和当前的目标序列生成下一个词的概率分布。之后,选择概率最高的词作为序列的下一个元素,直到生成结束符号或达到最大长度。最后,函数返回解码得到的完整目标序列。
·translate函数则是将greedy_decode函数应用于实际翻译任务中的一个包装器。它首先将模型设置为评估模式,使用分词器将源语言文本转换为词索引,并添加必要的开始和结束符号。然后,构建源语言数据的张量和掩码,调用greedy_decode函数进行解码。解码得到的词索引序列经过转换和格式化,去除特定的标记,并连接成人类可读的目标语言文本。这样,translate函数提供了一个从源语言文本到目标语言文本的直接翻译接口。
def greedy_decode(model, src, src_mask, max_len, start_symbol):
# 将源语言数据和掩码移动到指定的设备(CPU或GPU)
src = src.to(device)
src_mask = src_mask.to(device)
# 使用模型的编码器对源数据进行编码,得到源记忆memory
memory = model.encode(src, src_mask)
# 初始化目标序列ys,填充为起始符号,并移动到设备上
ys = torch.ones(1, 1).fill_(start_symbol).type(torch.long).to(device)
# 进行循环直到达到最大长度或生成结束符号
for i in range(max_len-1):
# 确保memory在正确的设备上
memory = memory.to(device)
# 创建memory_mask以屏蔽源记忆与目标序列之间的交互
memory_mask = torch.zeros(ys.shape[0], memory.shape[0]).to(device).type(torch.bool)
# 生成tgt_mask以防止解码器在未来步骤中看到未来的信息
tgt_mask = (generate_square_subsequent_mask(ys.size(0)).type(torch.bool)).to(device)
# 使用模型的解码器和目标掩码对目标序列进行解码,得到输出out
out = model.decode(ys, memory, tgt_mask)
# 转置输出out以匹配生成器层的输入要求
out = out.transpose(0, 1)
# 通过模型的生成器层获取下一个词的概率分布
prob = model.generator(out[:, -1])
# 从概率分布中选择概率最高的词作为下一个词
_, next_word = torch.max(prob, dim=1)
next_word = next_word.item() # 转换为Python标量
# 将新词添加到目标序列ys中
ys = torch.cat([ys, torch.ones(1, 1).type_as(src.data).fill_(next_word)], dim=0)
# 如果生成了结束符号,则跳出循环
if next_word == EOS_IDX:
break
# 返回生成的目标序列
return ys
def translate(model, src, src_vocab, tgt_vocab, src_tokenizer):
# 设置模型为评估模式
model.eval()
# 使用分词器将源语言文本编码为词索引,并添加开始和结束符号
tokens = [BOS_IDX] + [src_vocab.stoi[tok] for tok in src_tokenizer.encode(src, out_type=str)] + [EOS_IDX]
# 将词索引转换为张量src,并创建相应的源掩码src_mask
num_tokens = len(tokens)
src = torch.LongTensor(tokens).reshape(num_tokens, 1)
src_mask = torch.zeros(num_tokens, num_tokens).type(torch.bool)
# 调用greedy_decode函数进行解码
# 设置最大长度为源序列长度加5,起始符号为BOS_IDX
tgt_tokens = greedy_decode(model, src, src_mask, max_len=num_tokens + 5, start_symbol=BOS_IDX).flatten()
# 将解码得到的词索引转换为目标语言文本
# 移除开始和结束符号,并以空格连接各个词
return " ".join([tgt_vocab.itos[tok] for tok in tgt_tokens]).replace("<bos>", "").replace("<eos>", "")