动手学习深度学习(Pytorch版)Task 2:语言模型

语言模型

一段自然语言文本可以看作是一个离散时间序列，给定一个长度为$T$的词的序列$w_1,w_2,\dots ,w_T$，语言模型的目标就是评估该序列是否合理，即计算该序列的概率：

$$P(w_1,w_2,\dots ,w_T).$$

下面将介绍基于统计的语言模型，主要是$n$元语法（$n$-gram）。

语言模型

假设序列$w_1,w_2,\dots ,w_T$中的每个词是依次生成的，我们有

$$\begin{gathered} P(w_1,w_2,\dots ,w_T)=\prod _{t=1}^{T}P(w_t\mid w_1,\dots ,w_{t-1}) \\ =P(w_1)P(w_2\mid w_1)\cdots P(w_T\mid w_1{w}_2\cdots w_{T-1}) \end{gathered}$$

例如，一段含有4个词的文本序列的概率

$$P(w_1,w_2,w_3,w_4)=P(w_1)P(w_2\mid w_1)P(w_3\mid w_1,w_2)P(w_4\mid w_1,w_2,w_3).$$

语言模型的参数就是词的概率以及给定前几个词情况下的条件概率。设训练数据集为一个大型文本语料库，如维基百科的所有条目，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，$w_1$的概率可以计算为：

$$P(w_1)=\frac{n(w_1)}{n}$$

其中$n(w_1)$为语料库中以$w_1$作为第一个词的文本的数量，$n$为语料库中文本的总数量。

类似的，给定$w_1$情况下，$w_2$的条件概率可以计算为：

$$P(w_2\mid w_1)=\frac{n(w_1,w_2)}{n(w_1)}$$

其中$n(w_1,w_2)$为语料库中以$w_1$作为第一个词，$w_2$作为第二个词的文本的数量。

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。$n$元语法通过马尔可夫假设简化模型，马尔科夫假设是指一个词的出现只与前面$n$个词相关，即$n$阶马尔可夫链（Markov chain of order $n$），如果$n=1$，那么有$P(w_3\mid w_1,w_2)=P(w_3\mid w_2)$。基于$n-1$阶马尔可夫链，我们可以将语言模型改写为

$$P(w_1,w_2,\dots ,w_T)=\prod _{t=1}^{T}P(w_t\mid w_{t-(n-1)},\dots ,w_{t-1}).$$

以上也叫$n$元语法（$n$-grams），它是基于$n-1$阶马尔可夫链的概率语言模型。例如，当$n=2$时，含有4个词的文本序列的概率就可以改写为：

$$\begin{gathered} P(w_1,w_2,w_3,w_4)=P(w_1)P(w_2\mid w_1)P(w_3\mid w_1,w_2)P(w_4\mid w_1,w_2,w_3) \\ =P(w_1)P(w_2\mid w_1)P(w_3\mid w_2)P(w_4\mid w_3) \end{gathered}$$

当$n$分别为1、2和3时，我们将其分别称作一元语法（unigram）、二元语法（bigram）和三元语法（trigram）。例如，长度为4的序列$w_1,w_2,w_3,w_4$在一元语法、二元语法和三元语法中的概率分别为

$$\begin{gathered} P(w_1,w_2,w_3,w_4)=P(w_1)P(w_2)P(w_3)P(w_4), \\ P(w_1,w_2,w_3,w_4)=P(w_1)P(w_2\mid w_1)P(w_3\mid w_2)P(w_4\mid w_3), \\ P(w_1,w_2,w_3,w_4)=P(w_1)P(w_2\mid w_1)P(w_3\mid w_1,w_2)P(w_4\mid w_2,w_3). \end{gathered}$$

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。

思考：$n$元语法可能有哪些缺陷？

1. 参数空间过大
2. 数据稀疏

语言模型数据集

读取数据集

with open('jaychou_lyrics.txt',encoding='utf-8') as f:#在本地windows下默认gbk编码，而我们通常用的是utf8，会报错，添加'encoding='utf-8'
    corpus_chars=f.read()#读入全部内容
print(len(corpus_chars))
print(corpus_chars[:40])
corpus_chars=corpus_chars.replace('\n',' ').replace('\r',' ')#用空格替换字符串中的换行与回车
corpus_chars=corpus_chars[:10000]#取前10000个单词

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

idx_to_char=list(set(corpus_chars))#先set()化为集合去重，再list()化为列表，建立索引->字符
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]
print('chars:',''.join([idx_to_char[idx] for idx in sample]))#列表化字符串
print('indices:',sample)

1027
chars: 想要有直升机 想要和你飞到宇宙去 想要和
indices: [130, 647, 885, 229, 694, 396, 160, 130, 647, 957, 672, 163, 909, 467, 142, 140, 160, 130, 647, 957]

定义函数load_data_jay_lyrics，放在d2l_pytorch中以后直接调用。

def load_data_jay_lyrics():
    with open('jaychou_lyrics.txt') as f:
        corpus_chars=f.read()
    corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ')
    corpus_chars = corpus_chars[0:10000]
    idx_to_char = list(set(corpus_chars))
    char_to_idx = dict([(char, i) for i, char in enumerate(idx_to_char)])
    vocab_size = len(char_to_idx)
    corpus_indices = [char_to_idx[char] for char in corpus_chars]
    return corpus_indices, char_to_idx, idx_to_char, vocab_size

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”。

现在我们考虑序列“想要有直升机，想要和你飞到宇宙去”，如果时间步数为5，有以下可能的样本和标签：

• $X$：“想要有直升”，$Y$：“要有直升机”
• $X$：“要有直升机”，$Y$：“有直升机，”
• $X$：“有直升机，”，$Y$：“直升机，想”
• …
• $X$：“要和你飞到”，$Y$：“和你飞到宇”
• $X$：“和你飞到宇”，$Y$：“你飞到宇宙”
• $X$：“你飞到宇宙”，$Y$：“飞到宇宙去”

可以看到，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。

import torch as t
import random
def data_iter_random(corpus_indices,batch_size,num_steps,device=None):#device指数据放回的位置
    #减1是因为对于长度为n的序列，X最多只包含其中的n-1个字符，因为第n个字符必须包含在标签Y中
    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)#打乱列表，随机性由此产生
    
    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=t.device('cuda' if t.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 t.tensor(X,device=device),t.tensor(Y,device=device)#生成器

测试一下这个函数，我们输入从0到29的连续整数作为一个人工序列，设批量大小和时间步数分别为2和6，打印随机采样每次读取的小批量样本的输入X和标签Y。

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')

X: tensor([[18, 19, 20, 21, 22, 23],
        [ 6,  7,  8,  9, 10, 11]]) 
Y: tensor([[19, 20, 21, 22, 23, 24],
        [ 7,  8,  9, 10, 11, 12]]) 

X: tensor([[ 0,  1,  2,  3,  4,  5],
        [12, 13, 14, 15, 16, 17]]) 
Y: tensor([[ 1,  2,  3,  4,  5,  6],
        [13, 14, 15, 16, 17, 18]]) 

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。

def data_iter_consecutive(corpus_indices,batch_size,num_steps,device=None):
    if device is None:
        device = t.device('cuda' if t.cuda.is_available() else 'cpu')
    corpus_len=len(corpus_indices)//batch_size*batch_size#保留下来的序列长度,能被batch_sizr整除
    corpus_indices=corpus_indices[:corpus_len]#仅保留前corpus_len个字符
    indices=t.tensor(corpus_indices,device=device)
    indices=indices.view(batch_size,-1)## resize成(batch_size, corpus_len/batch_size)
    batch_num=(indices.shape[1]-1)//num_steps#作用等同于随机取样的num_examples=(len(corpus_indices)-1)//num_steps
    for i in range(batch_num):
        i=i*num_steps#样本首字符下标
        X=indices[:,i:i+num_steps]
        Y=indices[:,i+1:i+num_steps+1]
        yield X,Y

同样的设置下，打印相邻采样每次读取的小批量样本的输入X和标签Y。相邻的两个小批量在原始序列上的位置相毗邻。

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

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]])