动手学深度学习第五课：语言模型

语言模型

什么是语言模型？给定一个长度为$T$的词的序列$x_1,x_2,\cdots ,x_T$，语言模型的目标就是就是评估改序列是否合理，即计算序列的概率：
$$P(x_1,x_2,\cdots ,x_T).$$

概率越大，合理性越高。本节课介绍基于统计的语言模型，主要是$n$元语法（n-gram）。

假设序列$x_1,x_2,\cdots ,x_T$中每个词是依次生成的，那么序列生成的概率为
$$P(x_1,x_2,\cdots ,x_T)=\prod _{t=1}^{T}P(x_t|x_1,\cdots ,x_{t-1})$$

第一项表示$x_1$这个词出现的概率，后面的项表示在前面出现$x_1,\cdots ,x_i$这些词的情况下，下一项出现$x_{i+1}$的可能性，因此为条件概率。
词的概率可以通过该词在训练数据集中的相对词频来计算，例如，$x_1$的概率可以计算为：
$$\hat{P}(x_1)=\frac{n(x_1)}{n}$$

其中$$n(x_1)$$为语料库中以$x_1$作为第一个词的文本数量，$n$为语料库中文本总数。

条件概率的计算公式为（以$x_1$为例）：
$$\hat{P}(x_2|x_1)=\frac{n(x_1,x_2)}{n(x_1)}.$$

n元语法

序列长度增加，计算和存储多个词共同出现的概率的复杂度会呈指数级增加。因此这里提出了马尔可夫链的概念，假设后一个词的出现只与前$n$个词相关，称为$n$阶马尔科夫链。基于$n-1$阶马尔科夫链的概率语言模型也叫$n$元语法。当n较小时，n元语法往往并不准确。例如，在一元语法中，由三个词组成的句子“你走先”和“你先走”的概率是一样的。然而，当n较大时，n元语法需要计算并存储大量的词频和多词相邻频率。

n元语法的缺陷：

1. 参数空间过大。例如字典大小为$V$，序列长度为$T$，那么需要计算的参数为$V+V^2+V^3$。
2. 数据稀疏。齐夫定律说明大部分词的词频很小，甚至不会在语料库里出现，因此对这些词概率的估计都不准确，而且频率较高的词通常是一些连接词，这些词会有大量的组合，但这些组合根本不会出现，因此都是0，从而使得数据稀疏。齐夫定律：在自然语言的语料库里，一个单词出现的频率与它在频率表里的排名成反比。

语言模型数据集

读取数据集

# 读取数据，输出长度和前40个字符
with open('/home/kesci/input/jaychou_lyrics4703/jaychou_lyrics.txt') as f:
    corpus_chars = f.read()
print(len(corpus_chars))
print(corpus_chars[: 40])
# 将换行符和回车符全部用空格代替
corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ')
# 只取前10000个字符
corpus_chars = corpus_chars[: 10000]
output:
63282
想要有直升机
想要和你飞到宇宙去
想要和你融化在一起
融化在宇宙里
我每天每天每

建立字符索引

# set去重，得到索引到字符的映射
idx_to_char = list(set(corpus_chars)) 
char_to_idx = {char: i for i, char in enumerate(idx_to_char)} # 字符到索引的映射
vocab_size = len(char_to_idx)
print(vocab_size)

corpus_indices = [char_to_idx[char] for char in corpus_chars]  # 将每个字符转化为索引，得到一个索引的序列
sample = corpus_indices[: 20]
# join()函数，这里以空格作为分隔符
print('chars:', ''.join([idx_to_char[idx] for idx in sample]))
print('indices:', sample)

1. set() 函数创建一个无序不重复元素集，可进行关系测试，删除重复数据，还可以计算交集、差集、并集等。

x = set('runoob')
y = set('google')
print(x)
print(y)
print(x & y)  # 交集
print(x | y)  # 并集
print(x - y)  # 差集
output:
{'b', 'r', 'u', 'o', 'n'}
{'e', 'o', 'g', 'l'}
{'o'}
{'l', 'b', 'r', 'u', 'g', 'e', 'o', 'n'}
{'b', 'u', 'n', 'r'}

2. join()函数：连接字符串数组。将字符串、元组、列表中的元素以指定的字符(分隔符)连接生成一个新的字符串。

a = 'You are my friend'
b = ''.join(a)
c = '-'.join(a)
print(b)
print(c)
output:
You are my friend
Y-o-u- -a-r-e- -m-y- -f-r-i-e-n-d

时序数据的采样

在训练中我们需要每次随机读取小批量样本和标签。与之前章节的实验数据不同的是，时序数据的一个样本通常包含连续的字符。假设时间步数为5，样本序列为5个字符，即“想”“要”“有”“直”“升”。该样本的标签序列为这些字符分别在训练集中的下一个字符，即“要”“有”“直”“升”“机”，即 $X$ =“想要有直升”，$Y$ =“要有直升机”。

如果序列的长度为 $T$ ，时间步数为 $n$ ，那么一共有 $T-n$ 个合法的样本，但是这些样本有大量的重合，我们通常采用更加高效的采样方式。我们有两种方式对时序数据进行采样，分别是随机采样和相邻采样。

随机采样

下面的代码每次从数据里随机采样一个小批量。其中批量大小batch_size是每个小批量的样本数，num_steps是每个样本所包含的时间步数。 在随机采样中，每个样本是原始序列上任意截取的一段序列，相邻的两个随机小批量在原始序列上的位置不一定相毗邻。
随机采样示意图：

代码展示：

import torch
import random
def data_iter_random(corpus_indices, batch_size, num_steps, device=None):
    # 减1是因为对于长度为n的序列，X最多只有包含其中的前n - 1个字符
    num_examples = (len(corpus_indices) - 1) // num_steps  # 下取整，得到不重叠情况下的样本个数
    example_indices = [i * num_steps for i in range(num_examples)]  # 每个样本的第一个字符在corpus_indices中的下标
    random.shuffle(example_indices)

    def _data(i):
        # 返回从i开始的长为num_steps的序列
        return corpus_indices[i: i + num_steps]
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    
    for i in range(0, num_examples, batch_size):
        # 每次选出batch_size个随机样本
        batch_indices = example_indices[i: i + batch_size]  # 当前batch的各个样本的首字符的下标
        X = [_data(j) for j in batch_indices]
        Y = [_data(j + 1) for j in batch_indices]
        yield torch.tensor(X, device=device), torch.tensor(Y, device=device)

my_seq = list(range(30))
for X, Y in data_iter_random(my_seq, batch_size=2, num_steps=6):
    print('X: ', X, '\nY:', Y, '\n')

output:
X:  tensor([[ 6,  7,  8,  9, 10, 11],
        [12, 13, 14, 15, 16, 17]]) 
Y: tensor([[ 7,  8,  9, 10, 11, 12],
        [13, 14, 15, 16, 17, 18]]) 

X:  tensor([[ 0,  1,  2,  3,  4,  5],
        [18, 19, 20, 21, 22, 23]]) 
Y: tensor([[ 1,  2,  3,  4,  5,  6],
        [19, 20, 21, 22, 23, 24]]) 

神经网络输入都是文本字符在语料库中的索引。

相邻采样

在相邻采样中，相邻的两个随机小批量在原始序列上的位置相毗邻。
相邻采样示例：

代码展示：

ef data_iter_consecutive(corpus_indices, batch_size, num_steps, device=None):
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    corpus_len = len(corpus_indices) // batch_size * batch_size  # 保留下来的序列的长度
    corpus_indices = corpus_indices[: corpus_len]  # 仅保留前corpus_len个字符
    indices = torch.tensor(corpus_indices, device=device)
    indices = indices.view(batch_size, -1)  # resize成(batch_size, )
    # 这里的操作类似随机采样
    batch_num = (indices.shape[1] - 1) // num_steps
    for i in range(batch_num):
        i = i * num_steps
        X = indices[:, i: i + num_steps]
        Y = indices[:, i + 1: i + num_steps + 1]
        yield X, Y

for X, Y in data_iter_consecutive(my_seq, batch_size=2, num_steps=6):
    print('X: ', X, '\nY:', Y, '\n')

output:
X:  tensor([[ 0,  1,  2,  3,  4,  5],
        [15, 16, 17, 18, 19, 20]]) 
Y: tensor([[ 1,  2,  3,  4,  5,  6],
        [16, 17, 18, 19, 20, 21]]) 

X:  tensor([[ 6,  7,  8,  9, 10, 11],
        [21, 22, 23, 24, 25, 26]]) 
Y: tensor([[ 7,  8,  9, 10, 11, 12],
        [22, 23, 24, 25, 26, 27]])