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()
```{.python .input}
#@tab pytorch
from d2l import torch as d2l
import torch
import os
```{.python .input}
@tab tensorflow
from d2l import tensorflow as d2l import tensorflow as tf import os
## [**下载和预处理数据集**]
首先,下载一个由[Tatoeba项目的双语句子对](http://www.manythings.org/anki/)
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。
请注意,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)。
```{.python .input}
#@tab all
#@save
d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
'94646ad1522d915e7b0f9296181140edcf86a4f5')
#@save
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()
raw_text = read_data_nmt()
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 != ‘ ‘
# 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)
text = preprocess_nmt(raw_text) print(text[:80])
## [**词元化**]
与 :numref:`sec_language_model`中的字符级词元化不同,
在机器翻译中,我们更喜欢单词级词元化
(最先进的模型可能使用更高级的词元化技术)。
下面的`tokenize_nmt`函数对前`num_examples`个文本序列对进行词元,
其中每个词元要么是一个词,要么是一个标点符号。
此函数返回两个词元列表:`source`和`target`:
`source[i]`是源语言(这里是英语)第$i$个文本序列的词元列表,
`target[i]`是目标语言(这里是法语)第$i$个文本序列的词元列表。
```{.python .input}
#@tab all
#@save
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
source, target = tokenize_nmt(text)
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);
## [**词表**]
由于机器翻译数据集由语言对组成,
因此我们可以分别为源语言和目标语言构建两个词表。
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。
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
视为相同的未知(“<unk>”)词元。
除此之外,我们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长度的填充词元(“<pad>”),
以及序列的开始词元(“<bos>”)和结束词元(“<eos>”)。
这些特殊词元在自然语言处理任务中比较常用。
```{.python .input}
#@tab all
src_vocab = d2l.Vocab(source, min_freq=2,
reserved_tokens=['<pad>', '<bos>', '<eos>'])
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[‘
现在我们定义一个函数,可以将文本序列
[**转换成小批量数据集用于训练**]。
我们将特定的“<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。
此外,我们还记录了每个文本序列的长度,
统计长度时排除了填充词元,
在稍后将要介绍的一些模型会需要这个长度信息。
```{.python .input}
#@tab all
#@save
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 = d2l.tensor([truncate_pad(
l, num_steps, vocab['<pad>']) for l in lines])
valid_len = d2l.reduce_sum(
d2l.astype(array != vocab['<pad>'], d2l.int32), 1)
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=[‘
下面我们[**读出“英语-法语”数据集中的第一个小批量数据**]。
```{.python .input}
#@tab all
train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size=2, num_steps=8)
for X, X_valid_len, Y, Y_valid_len in train_iter:
print('X:', d2l.astype(X, d2l.int32))
print('X的有效长度:', X_valid_len)
print('Y:', d2l.astype(Y, d2l.int32))
print('Y的有效长度:', Y_valid_len)
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
- 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? - 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: