机器翻译与数据集

:label:sec_machine_translation

语言模型是自然语言处理的关键， 而机器翻译是语言模型最成功的基准测试。 因为机器翻译正是将输入序列转换成输出序列的 序列转换模型（sequence transduction）的核心问题。 序列转换模型在各类现代人工智能应用中发挥着至关重要的作用， 因此我们将其做为本章剩余部分和 :numref:chap_attention的重点。 为此，本节将介绍机器翻译问题及其后文需要使用的数据集。

机器翻译（machine translation）指的是 将序列从一种语言自动翻译成另一种语言。 事实上，这个研究领域可以追溯到数字计算机发明后不久的20世纪40年代， 特别是在第二次世界大战中使用计算机破解语言编码。 几十年来，在使用神经网络进行端到端学习的兴起之前， 统计学方法在这一领域一直占据主导地位 :cite:Brown.Cocke.Della-Pietra.ea.1988,Brown.Cocke.Della-Pietra.ea.1990。 因为统计机器翻译（statisticalmachine translation）涉及了 翻译模型和语言模型等组成部分的统计分析， 因此基于神经网络的方法通常被称为 神经机器翻译（neuralmachine translation）， 用于将两种翻译模型区分开来。

本书的关注点是神经网络机器翻译方法，强调的是端到端的学习。 与 :numref:sec_language_model中的语料库 是单一语言的语言模型问题存在不同， 机器翻译的数据集是由源语言和目标语言的文本序列对组成的。 因此，我们需要一种完全不同的方法来预处理机器翻译数据集， 而不是复用语言模型的预处理程序。 下面，我们看一下如何将预处理后的数据加载到小批量中用于训练。

```{.python .input} from d2l import mxnet as d2l from mxnet import np, npx import os npx.set_np()

  2. ```{.python .input}
  3. #@tab pytorch
  4. from d2l import torch as d2l
  5. import torch
  6. import os

```{.python .input}

@tab tensorflow

from d2l import tensorflow as d2l import tensorflow as tf import os

  2. ## [**下载和预处理数据集**]
  4. 首先，下载一个由[Tatoeba项目的双语句子对](http://www.manythings.org/anki/)
  5. 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，
  6. 序列对由英文文本序列和翻译后的法语文本序列组成。
  7. 请注意，每个文本序列可以是一个句子，
  8. 也可以是包含多个句子的一个段落。
  9. 在这个将英语翻译成法语的机器翻译问题中，
  10. 英语是*源语言*（source language），
  11. 法语是*目标语言*（target language）。
  13. ```{.python .input}
  14. #@tab all
  15. #@save
  16. d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
  17.                            '94646ad1522d915e7b0f9296181140edcf86a4f5')
  19. #@save
  20. def read_data_nmt():
  21.     """载入“英语－法语”数据集"""
  22.     data_dir = d2l.download_extract('fra-eng')
  23.     with open(os.path.join(data_dir, 'fra.txt'), 'r', 
  24.              encoding='utf-8') as f:
  25.         return f.read()
  27. raw_text = read_data_nmt()
  28. print(raw_text[:75])

下载数据集后，原始文本数据需要经过[几个预处理步骤]。 例如，我们用空格代替不间断空格（non-breaking space）， 使用小写字母替换大写字母，并在单词和标点符号之间插入空格。

```{.python .input}

@tab all

@save

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 != ‘ ‘

  1. # 使用空格替换不间断空格
  2. # 使用小写字母替换大写字母
  3. text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()
  4. # 在单词和标点符号之间插入空格
  5. out = [' ' + char if i > 0 and no_space(char, text[i - 1]) else char
  6.        for i, char in enumerate(text)]
  7. return ''.join(out)

text = preprocess_nmt(raw_text) print(text[:80])

  2. ## [**词元化**]
  4. 与 :numref:`sec_language_model`中的字符级词元化不同，
  5. 在机器翻译中，我们更喜欢单词级词元化
  6. （最先进的模型可能使用更高级的词元化技术）。
  7. 下面的`tokenize_nmt`函数对前`num_examples`个文本序列对进行词元，
  8. 其中每个词元要么是一个词，要么是一个标点符号。
  9. 此函数返回两个词元列表：`source`和`target`：
  10. `source[i]`是源语言（这里是英语）第$i$个文本序列的词元列表，
  11. `target[i]`是目标语言（这里是法语）第$i$个文本序列的词元列表。
  13. ```{.python .input}
  14. #@tab all
  15. #@save
  16. def tokenize_nmt(text, num_examples=None):
  17.     """词元化“英语－法语”数据数据集"""
  18.     source, target = [], []
  19.     for i, line in enumerate(text.split('\n')):
  20.         if num_examples and i > num_examples:
  21.             break
  22.         parts = line.split('\t')
  23.         if len(parts) == 2:
  24.             source.append(parts[0].split(' '))
  25.             target.append(parts[1].split(' '))
  26.     return source, target
  28. source, target = tokenize_nmt(text)
  29. source[:6], target[:6]

让我们[绘制每个文本序列所包含的词元数量的直方图]。 在这个简单的“英－法”数据集中，大多数文本序列的词元数量少于$20$个。

```{.python .input}

@tab all

def showlist_len_pair_hist(legend, xlabel, ylabel, xlist, ylist): “””绘制列表长度对的直方图””” d2l.set_figsize() , _, patches = d2l.plt.hist( [[len(l) for l in xlist], [len(l) for l in ylist]]) d2l.plt.xlabel(xlabel) d2l.plt.ylabel(ylabel) for patch in patches[1].patches: patch.set_hatch(‘/‘) d2l.plt.legend(legend)

show_list_len_pair_hist([‘source’, ‘target’], ‘# tokens per sequence’, ‘count’, source, target);

  2. ## [**词表**]
  4. 由于机器翻译数据集由语言对组成，
  5. 因此我们可以分别为源语言和目标语言构建两个词表。
  6. 使用单词级词元化时，词表大小将明显大于使用字符级词元化时的词表大小。
  7. 为了缓解这一问题，这里我们将出现次数少于2次的低频率词元
  8. 视为相同的未知（“<unk>”）词元。
  9. 除此之外，我们还指定了额外的特定词元，
  10. 例如在小批量时用于将序列填充到相同长度的填充词元（“<pad>”），
  11. 以及序列的开始词元（“<bos>”）和结束词元（“<eos>”）。
  12. 这些特殊词元在自然语言处理任务中比较常用。
  14. ```{.python .input}
  15. #@tab all
  16. src_vocab = d2l.Vocab(source, min_freq=2,
  17.                       reserved_tokens=['<pad>', '<bos>', '<eos>'])
  18. len(src_vocab)

加载数据集

:label:subsec_mt_data_loading

回想一下，语言模型中的[序列样本都有一个固定的长度]， 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。 这个固定长度是由 :numref:sec_language_model中的 num_steps（时间步数或词元数量）参数指定的。 在机器翻译中，每个样本都是由源和目标组成的文本序列对， 其中的每个文本序列可能具有不同的长度。

为了提高计算效率，我们仍然可以通过截断（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长度num_steps， 那么如果文本序列的词元数目少于num_steps时， 我们将继续在其末尾添加特定的“<pad>”词元， 直到其长度达到num_steps； 反之，我们将截断文本序列时，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长度， 以便以相同形状的小批量进行加载。

如前所述，下面的truncate_pad函数将(截断或填充文本序列)。

```{.python .input}

@tab all

@save

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[‘‘])

  2. 现在我们定义一个函数，可以将文本序列
  3. [**转换成小批量数据集用于训练**]。
  4. 我们将特定的“&lt;eos&gt;”词元添加到所有序列的末尾，
  5. 用于表示序列的结束。
  6. 当模型通过一个词元接一个词元地生成序列进行预测时，
  7. 生成的“&lt;eos&gt;”词元说明完成了序列输出工作。
  8. 此外，我们还记录了每个文本序列的长度，
  9. 统计长度时排除了填充词元，
  10. 在稍后将要介绍的一些模型会需要这个长度信息。
  12. ```{.python .input}
  13. #@tab all
  14. #@save
  15. def build_array_nmt(lines, vocab, num_steps):
  16.     """将机器翻译的文本序列转换成小批量"""
  17.     lines = [vocab[l] for l in lines]
  18.     lines = [l + [vocab['<eos>']] for l in lines]
  19.     array = d2l.tensor([truncate_pad(
  20.         l, num_steps, vocab['<pad>']) for l in lines])
  21.     valid_len = d2l.reduce_sum(
  22.         d2l.astype(array != vocab['<pad>'], d2l.int32), 1)
  23.     return array, valid_len

[训练模型]

最后，我们定义load_data_nmt函数来返回数据迭代器， 以及源语言和目标语言的两种词表。

```{.python .input}

@tab all

@save

def load_data_nmt(batch_size, num_steps, num_examples=600): “””返回翻译数据集的迭代器和词表””” text = preprocess_nmt(read_data_nmt()) source, target = tokenize_nmt(text, num_examples) src_vocab = d2l.Vocab(source, min_freq=2, reserved_tokens=[‘‘, ‘‘, ‘‘]) tgt_vocab = d2l.Vocab(target, min_freq=2, reserved_tokens=[‘‘, ‘‘, ‘‘]) src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps) tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps) data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len) data_iter = d2l.load_array(data_arrays, batch_size) return data_iter, src_vocab, tgt_vocab

  2. 下面我们[**读出“英语－法语”数据集中的第一个小批量数据**]。
  4. ```{.python .input}
  5. #@tab all
  6. train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size=2, num_steps=8)
  7. for X, X_valid_len, Y, Y_valid_len in train_iter:
  8.     print('X:', d2l.astype(X, d2l.int32))
  9.     print('X的有效长度:', X_valid_len)
  10.     print('Y:', d2l.astype(Y, d2l.int32))
  11.     print('Y的有效长度:', Y_valid_len)
  12.     break

小结

  • 机器翻译指的是将文本序列从一种语言自动翻译成另一种语言。
  • 使用单词级词元化时的词表大小，将明显大于使用字符级词元化时的词表大小。为了缓解这一问题，我们可以将低频词元视为相同的未知词元。
  • 通过截断和填充文本序列，可以保证所有的文本序列都具有相同的长度，以便以小批量的方式加载。

练习

  1. 在load_data_nmt函数中尝试不同的num_examples参数值。这对源语言和目标语言的词表大小有何影响？
  2. 某些语言（例如中文和日语）的文本没有单词边界指示符（例如空格）。对于这种情况，单词级词元化仍然是个好主意吗？为什么？

:begin_tab:mxnet Discussions :end_tab:

:begin_tab:pytorch Discussions :end_tab: