NLP中的机器翻译

一、机器翻译

机器翻译（Machine Translation, MT）是自然语言处理（Natural Language Processing, NLP）中的一个重要领域，它专注于开发能够自动将一种自然语言文本转换为另一种自然语言文本的计算机系统。机器翻译的目标是实现流畅、准确且符合目标语言习惯的翻译结果。

1.面临的挑战

• 一词多义：同一个词在不同的上下文中可能有不同的含义。
• 语序差异：不同语言的语序可能存在很大差异，如英语通常是主-谓-宾结构，而日语则是主-宾-谓结构。
• 文化差异：翻译不仅仅是语言之间的转换，还涉及到文化、历史、习俗等方面的知识。
• 数据稀疏性：对于某些低资源语言对，由于缺乏足够的平行语料库，机器翻译的性能可能会受到限制。

2.机器翻译的应用

• 跨语言交流：机器翻译可以帮助人们跨越语言障碍，实现全球范围内的交流。
• 多语言网站和应用程序：通过机器翻译，可以将网站和应用程序的内容翻译成多种语言，以满足不同用户的需求。
• 学术研究：机器翻译可以帮助研究人员快速获取其他语言领域的文献和资料。
• 新闻和媒体：机器翻译可以快速将新闻和媒体内容翻译成多种语言，实现全球范围内的传播。

3.机器翻译的未来发展趋势

• 多模态机器翻译：结合图像、音频等非文本信息，提高机器翻译的性能和准确性。
• 个性化机器翻译：根据用户的个人喜好和背景知识，提供个性化的翻译结果。
• 交互式机器翻译：通过用户反馈和修正，不断优化翻译结果，提高用户满意度。
• 跨领域机器翻译：针对不同领域的特点和需求，开发专门的机器翻译系统。

二、实验原理

1. 源语言文本输入

   • 用户输入需要翻译的源语言文本，这是机器翻译的起点。

2. 预处理

   • 对输入的源语言文本进行预处理，包括分词、词性标注、命名实体识别等步骤。
   • 这些处理有助于机器更好地理解文本的结构和内容，为后续翻译做好准备。

3. 文本表示

   • 将预处理后的源语言文本转换成机器可读的向量或矩阵表示。
   • 通常使用词嵌入（Word Embedding）或编码器（Encoder）等技术来实现文本的数字化表示。

4. 翻译模型构建

   • 利用神经网络等机器学习算法，构建从源语言到目标语言的翻译模型。
   • 这个模型通常包括一个编码器和一个解码器（Decoder）。
     • 编码器用于将源语言文本表示成固定长度的向量或一系列向量（如Transformer模型中的多层表示）。
     • 解码器则负责将这个向量或向量序列解码成目标语言文本。
   • 注意力机制（Attention Mechanism）在解码过程中起到了关键作用，使模型能够关注源语言文本中与当前翻译相关的部分。

5. 目标语言文本生成

   • 通过翻译模型生成目标语言文本。
   • 通常使用集束搜索（Beam Search）或采样（Sampling）等技术来生成多个候选翻译。
   • 在多个候选翻译中选择最优的翻译结果作为最终输出。

6. 后处理

   • 对生成的目标语言文本进行后处理，包括语法检查、语义修正等步骤。
   • 这一步有助于提高翻译的准确性和流畅性。

7. 评估与优化

   • 机器翻译系统通常需要通过评估指标（如BLEU、ROUGE等）来衡量其性能。
   • 根据评估结果，对模型进行优化和调整，以提高翻译质量。

三、实验过程

1 .读取和预处理数据

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>'
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 打印PyTorch版本和设备信息
print(torch.__version__, device)

实验结果

1.5.0 cpu

接着定义两个辅助函数对后面读取的数据进行预处理。

def process_one_seq(seq_tokens, all_tokens, all_seqs, max_seq_len):
    # 将当前序列的词添加到所有词列表中
    all_tokens.extend(seq_tokens)
    # 在当前序列的末尾添加EOS，并在序列末尾填充PAD，使其长度为max_seq_len-1
    seq_tokens += [EOS] + [PAD] * (max_seq_len - len(seq_tokens) - 1)
    # 将处理后的序列添加到所有序列列表中
    all_seqs.append(seq_tokens)

# 使用所有的词构建词典，并将所有序列中的词转换为词索引后构建Tensor
def build_data(all_tokens, all_seqs):
    # 使用Counter统计所有词出现的次数，并构建词典对象
    vocab = Vocab.Vocab(collections.Counter(all_tokens), specials=[PAD, BOS, EOS])
    # 将所有序列中的词转换为词索引序列
    indices = [[vocab.stoi[w] for w in seq] for seq in all_seqs]
    # 将词索引序列转换为Tensor
    return vocab, torch.tensor(indices)

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 = [], [], [], []
    
    # 读取文本文件中的数据
    with io.open('fr-en-small.txt') as f:
        lines = f.readlines()
     # 遍历每一行数据
    for line in lines:
        # 将输入序列和输出序列分开
        in_seq, out_seq = line.rstrip().split('\t')
        in_seq_tokens, out_seq_tokens = in_seq.split(' '), out_seq.split(' ')
        
        # 如果加上EOS后长于max_seq_len，则忽略掉此样本
        if max(len(in_seq_tokens), len(out_seq_tokens)) > max_seq_len - 1:
            continue
        
        # 处理输入序列和输出序列，将词添加到词列表中，并构造序列
        process_one_seq(in_seq_tokens, in_tokens, in_seqs, max_seq_len)
        process_one_seq(out_seq_tokens, out_tokens, out_seqs, max_seq_len)
    
    # 构建输入序列和输出序列的词典和Tensor数据集
    in_vocab, in_data = build_data(in_tokens, in_seqs)
    out_vocab, out_data = build_data(out_tokens, out_seqs)
    
    # 返回输入词典、输出词典和Tensor数据集
    return in_vocab, out_vocab, Data.TensorDataset(in_data, out_data)
max_seq_len = 7
in_vocab, out_vocab, dataset = read_data(max_seq_len)
dataset[0]

实验结果

(tensor([ 5,  4, 45,  3,  2,  0,  0]), tensor([ 8,  4, 27,  3,  2,  0,  0]))

2 .含注意力机制的编码器—解码器

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。正如我们在6.5节（循环神经网络的简洁实现）中提到的，PyTorch的nn.GRU实例在前向计算后也会分别返回输出和最终时间步的多层隐藏状态。其中的输出指的是最后一层的隐藏层在各个时间步的隐藏状态，并不涉及输出层计算。注意力机制将这些输出作为键项和值项。

class Encoder(nn.Module):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                 drop_prob=0, **kwargs):
        super(Encoder, self).__init__(**kwargs)
        # 定义Embedding层，将词的索引映射为密集向量
        self.embedding = nn.Embedding(vocab_size, embed_size)
        # 定义GRU层，接收Embedding层的输出作为输入，输出隐藏状态
        self.rnn = nn.GRU(embed_size, num_hiddens, num_layers, dropout=drop_prob)

    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)
        # 将Embedding层的输出作为输入，同时传入初始状态，返回输出和最终状态
        return self.rnn(embedding, state)

    def begin_state(self):
        # 返回初始状态，对于GRU来说是None
        return None
encoder = Encoder(vocab_size=10, embed_size=8, num_hiddens=16, num_layers=2)
output, state = encoder(torch.zeros((4, 7)), encoder.begin_state())
output.shape, state.shape # GRU的state是h, 而LSTM的是一个元组(h, c)

实验结果

(torch.Size([7, 4, 16]), torch.Size([2, 4, 16]))

def attention_model(input_size, attention_size):
    # 定义一个包含两个线性层和一个激活函数的序列模型
    model = nn.Sequential(nn.Linear(input_size, attention_size, bias=False),
                          nn.Tanh(),
                          nn.Linear(attention_size, 1, bias=False))
    return model
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

在下面的例子中，编码器的时间步数为10，批量大小为4，编码器和解码器的隐藏单元个数均为8。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)。

seq_len, batch_size, num_hiddens = 10, 4, 8
# 创建一个注意力模型，输入大小为2*num_hiddens，注意力大小为10
model = attention_model(2*num_hiddens, 10) 
# 创建一个形状为(seq_len, batch_size, num_hiddens)的张量作为编码器的状态
enc_states = torch.zeros((seq_len, batch_size, num_hiddens))
# 创建一个形状为(batch_size, num_hiddens)的张量作为解码器的状态
dec_state = torch.zeros((batch_size, num_hiddens))
# 使用attention_forward函数计算注意力权重，得到的张量的形状是(batch_size, seq_len)
attention_forward(model, enc_states, dec_state).shape

实验结果

torch.Size([4, 8])

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，同10.3节（word2vec的实现）中的实现一样，我们在这里也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):
    # 使用Adam优化器对编码器和解码器的参数进行优化
    enc_optimizer = torch.optim.Adam(encoder.parameters(), lr=lr)
    dec_optimizer = torch.optim.Adam(decoder.parameters(), lr=lr)

    # 定义交叉熵损失函数
    loss = nn.CrossEntropyLoss(reduction='none')
    # 创建数据迭代器
    data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
    
    # 迭代训练模型
    for epoch in range(num_epochs):
        l_sum = 0.0
        # 遍历数据迭代器
        for X, Y in data_iter:
            # 梯度清零
            enc_optimizer.zero_grad()
            dec_optimizer.zero_grad()
            # 计算当前批次的损失
            l = batch_loss(encoder, decoder, X, Y, loss)
            # 反向传播
            l.backward()
            # 更新编码器和解码器的参数
            enc_optimizer.step()
            dec_optimizer.step()
            l_sum += l.item()
        # 每10个epoch输出一次损失
        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
attention_size, drop_prob, lr, batch_size, num_epochs = 10, 0.5, 0.01, 2, 50

# 创建编码器和解码器模型
encoder = Encoder(len(in_vocab), embed_size, num_hiddens, num_layers, drop_prob)
decoder = Decoder(len(out_vocab), embed_size, num_hiddens, num_layers, attention_size, drop_prob)

# 调用train函数进行模型训练
train(encoder, decoder, dataset, lr, batch_size, num_epochs)

实验结果

epoch 10, loss 0.471
epoch 20, loss 0.167
epoch 30, loss 0.086
epoch 40, loss 0.049
epoch 50, loss 0.023

 

4. 预测不定长的序列

def translate(encoder, decoder, input_seq, max_seq_len):
    # 将输入序列分割成单词，并添加结束符和填充符，使其长度为max_seq_len
    in_tokens = input_seq.split(' ')
    in_tokens += [EOS] + [PAD] * (max_seq_len - len(in_tokens) - 1)
    # 将输入序列转换为tensor，并添加一个维度表示batch大小为1
    enc_input = torch.tensor([[in_vocab.stoi[tk] for tk in in_tokens]]) # batch=1
    # 初始化编码器的隐藏状态
    enc_state = encoder.begin_state()
    # 对输入序列进行编码，并获得编码器的输出和最终隐藏状态
    enc_output, enc_state = encoder(enc_input, enc_state)
    # 初始化解码器的输入为开始符
    dec_input = torch.tensor([out_vocab.stoi[BOS]])
    # 初始化解码器的隐藏状态为编码器的最终隐藏状态
    dec_state = decoder.begin_state(enc_state)
    # 初始化输出单词列表
    output_tokens = []
    # 进行解码，直到达到最大序列长度
    for _ in range(max_seq_len):
        # 使用解码器进行解码，获得解码输出和新的隐藏状态
        dec_output, dec_state = decoder(dec_input, dec_state, enc_output)
        # 预测输出的单词
        pred = dec_output.argmax(dim=1)
        pred_token = out_vocab.itos[int(pred.item())]
        # 如果预测的单词是结束符EOS，则停止解码
        if pred_token == EOS:
            break
        else:
            # 将预测的单词添加到输出单词列表中
            output_tokens.append(pred_token)
            # 将预测的单词作为下一个解码器的输入
            dec_input = pred
    # 返回输出单词列表
    return output_tokens

简单测试一下模型。输入法语句子“ils regardent.”，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)

['they', 'are', 'watching', '.']

5. 评价翻译结果

下面来实现BLEU的计算。

def bleu(pred_tokens, label_tokens, k):
    # 计算预测序列和标签序列的长度
    len_pred, len_label = len(pred_tokens), len(label_tokens)
    # 计算BLEU分数的惩罚因子，当预测序列长度小于标签序列长度时，惩罚因子为1，否则为0
    score = math.exp(min(0, 1 - len_label / len_pred))
    # 对于每个n-gram（n从1到k），计算匹配的n-gram数量和标签序列中的n-gram数量
    for n in range(1, k + 1):
        num_matches, label_subs = 0, collections.defaultdict(int)
        for i in range(len_label - n + 1):
            label_subs[''.join(label_tokens[i: i + n])] += 1
        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
        # 根据匹配的n-gram数量和预测序列的长度计算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translate函数将输入序列翻译成预测序列
    pred_tokens = translate(encoder, decoder, input_seq, max_seq_len)
    # 将标签序列分割成单词
    label_tokens = label_seq.split(' ')
    # 计算BLEU分数并打印结果
    print('bleu %.3f, predict: %s' % (bleu(pred_tokens, label_tokens, k),
                                      ' '.join(pred_tokens)))

# 这段代码定义了一个评分函数score，用于评估机器翻译的质量。首先使用translate函数将输入序列翻译成预测序列，然后将标签序列分割成单词。接下来计算BLEU分数并打印结果，包括BLEU分数和预测序列。

预测正确则分数为1。

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

bleu 1.000, predict: they are watching .

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

bleu 0.658, predict: they are russian .

四、实验小结

本次机器翻译实验让我深刻体验到了自然语言处理技术的魅力。通过构建翻译模型，我们成功实现了从源语言到目标语言的自动转换。实验过程中，我们不仅学习了文本预处理、词嵌入、编码器-解码器架构等关键技术，还了解了评估翻译质量的重要性。这次实验让我更加确信，随着技术的发展，机器翻译将在未来发挥更加重要的作用，帮助人们跨越语言障碍，实现全球无障碍交流。