基于Seq2Seq的机器翻译-PyTorch

---

一、机器翻译

机器翻译指将序列从一种语言自动翻译成另一种语言。

机器翻译的数据集与语言模型的数据集不同，它是是由源语言和目标语言的文本序列对组成的，因此两者数据集的预处理过程也不同。

1.下载和预处理数据集

下载一个双语句子对组成的“英-法”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。每个文本序列可以是一个句子，也可以是包含多个句子的一个段落。在这个将英语翻译成法语的机器翻译问题中，英语是源语言(source language)，法语是目标语言(target language)。

import os
import torch
from d2l import torch as d2l

d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
                           '94646ad1522d915e7b0f9296181140edcf86a4f5')

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()

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)


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

raw_text = read_data_nmt()
text = preprocess_nmt(raw_text)
source, target = tokenize_nmt(text)

2.构建词表

为源语言和目标语言构建两个词表，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。除此之外，还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⻓度的填充词元(“<pad>”)，以及序列的开始词元(“<bos>”)和结束词元(“<eos>”)。

src_vocab = d2l.Vocab(source, min_freq=2,
                      reserved_tokens=['<pad>', '<bos>', '<eos>'])

3.加载数据集

语言模型中的序列样本都有一个固定的⻓度，无论这个样本是一个句子的一部分还是跨越了多个句子的一个片断。

通过截断(truncation)和 填充(padding)方式实现一次只处理一个小批量的文本序列。假设同一个小批量中的每个序列都应该具有相同的⻓度num_steps，如果文本序列的词元数目少于num_steps将在其末尾添加特定的“<pad>”词元，直到其⻓度达到num_steps; 反之，将截断文本序列，只取其前num_steps 个词元，并且丢弃剩余的词元。这样，每个文本序列将具有相同的⻓度，以便以相同形状的小批量进行加载。

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

truncate_pad(src_vocab[source[0]], 10, src_vocab['<pad>'])

定义函数可以将文本序列转换成小批量数据集用于训练。将特定的“<eos>”词元添加到所有序列的末尾，用于表示序列的结束。当模型通过一个词元接一个词元地生成序列进行预测时，生成的 “<eos>”词元说明完成了序列输出工作。

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]
    lines = [l + [vocab['<eos>']] for l in lines]
    array = torch.tensor(
        [truncate_pad(l, num_steps, vocab['<pad>']) 
         for l in lines])
    valid_len = (array != vocab['<pad>']).type(torch.int32).sum(1)
    return array, valid_len

定义函数返回数据迭代器，以及源语言和目标语言的两种词表。

def load_data_nmt(batch_size