首页 ai pytorch深度学习 chapter_natural-language-processing-pretraining

# 用于预训练词嵌入的数据集

🏷 sec_word2vec_data

现在我们已经了解了 word2vec 模型的技术细节和大致的训练方法，让我们来看看它们的实现。具体地说，我们将以 :numref: sec_word2vec 的跳元模型和 :numref: sec_approx_train 的负采样为例。本节从用于预训练词嵌入模型的数据集开始：数据的原始格式将被转换为可以在训练期间迭代的小批量。

import math
import os
import random
import torch
from d2l import torch as d2l

# 读取数据集

我们在这里使用的数据集是 Penn Tree Bank（PTB）。该语料库取自 “华尔街日报” 的文章，分为训练集、验证集和测试集。在原始格式中，文本文件的每一行表示由空格分隔的一句话。在这里，我们将每个单词视为一个词元。

#@save
d2l.DATA_HUB['ptb'] = (d2l.DATA_URL + 'ptb.zip',
                       '319d85e578af0cdc590547f26231e4e31cdf1e42')
#@save
def read_ptb():
    """将PTB数据集加载到文本行的列表中"""
    data_dir = d2l.download_extract('ptb')
    # Readthetrainingset.
    with open(os.path.join(data_dir, 'ptb.train.txt')) as f:
        raw_text = f.read()
    return [line.split() for line in raw_text.split('\n')]
sentences = read_ptb()
f'# sentences数: {len(sentences)}'
Downloading ../data/ptb.zip from http://d2l-data.s3-accelerate.amazonaws.com/ptb.zip...





'# sentences数: 42069'

在读取训练集之后，我们为语料库构建了一个词表，其中出现次数少于 10 次的任何单词都将由 “<unk>” 词元替换。请注意，原始数据集还包含表示稀有（未知）单词的 “<unk>” 词元。
vocab = d2l.Vocab(sentences, min_freq=10)
f'vocab size: {len(vocab)}'
'vocab size: 6719'

# 下采样
文本数据通常有 “the”“a” 和 “in” 等高频词：它们在非常大的语料库中甚至可能出现数十亿次。然而，这些词经常在上下文窗口中与许多不同的词共同出现，提供的有用信息很少。例如，考虑上下文窗口中的词 “chip”：直观地说，它与低频单词 “intel” 的共现比与高频单词 “a” 的共现在训练中更有用。此外，大量（高频）单词的训练速度很慢。因此，当训练词嵌入模型时，可以对高频单词进行下采样 :cite: Mikolov.Sutskever.Chen.ea.2013 。具体地说，数据集中的每个词wiw_i 将有概率地被丢弃
P(wi)=max⁡(1−tf(wi),0),P(w_i) = \max\left(1 - \sqrt{\frac{t}{f(w_i)}}, 0\right),
其中f(wi)f(w_i) 是wiw_i 的词数与数据集中的总词数的比率，常量tt 是超参数（在实验中为10−410^{-4}）。我们可以看到，只有当相对比率f(wi)>tf(w_i) > t 时，（高频）词wiw_i 才能被丢弃，且该词的相对比率越高，被丢弃的概率就越大。
#@save
def subsample(sentences, vocab):
    """下采样高频词"""
    # 排除未知词元 '<unk>'
    sentences = [[token for token in line if vocab[token] != vocab.unk]
                 for line in sentences]
    counter = d2l.count_corpus(sentences)
    num_tokens = sum(counter.values())
    # 如果在下采样期间保留词元，则返回 True
    def keep(token):
        return(random.uniform(0, 1) <
               math.sqrt(1e-4 / counter[token] * num_tokens))
    return ([[token for token in line if keep(token)] for line in sentences],
            counter)
subsampled, counter = subsample(sentences, vocab)
下面的代码片段绘制了下采样前后每句话的词元数量的直方图。正如预期的那样，下采样通过删除高频词来显著缩短句子，这将使训练加速。
d2l.show_list_len_pair_hist(
    ['origin', 'subsampled'], '# tokens per sentence',
    'count', sentences, subsampled);
svg
对于单个词元，高频词 “the” 的采样率不到 1/20。
def compare_counts(token):
    return (f'"{token}"的数量：'
            f'之前={sum([l.count(token) for l in sentences])}, '
            f'之后={sum([l.count(token) for l in subsampled])}')
compare_counts('the')
'"the"的数量：之前=50770, 之后=2063'

相比之下，低频词 “join” 则被完全保留。
compare_counts('join')
'"join"的数量：之前=45, 之后=45'

在下采样之后，我们将词元映射到它们在语料库中的索引。
corpus = [vocab[line] for line in subsampled]
corpus[:3]
[[], [71, 2115, 145, 406, 2], [5277, 3054, 1580, 95]]

# 中心词和上下文词的提取
下面的 get_centers_and_contexts 函数从 corpus 中提取所有中心词及其上下文词。它随机采样 1 到 max_window_size 之间的整数作为上下文窗口。对于任一中心词，与其距离不超过采样上下文窗口大小的词为其上下文词。
#@save
def get_centers_and_contexts(corpus, max_window_size):
    """返回跳元模型中的中心词和上下文词"""
    centers, contexts = [], []
    for line in corpus:
        # 要形成 “中心词 - 上下文词” 对，每个句子至少需要有 2 个词
        if len(line) < 2:
            continue
        centers += line
        for i in range(len(line)):  # 上下文窗口中间 i
            window_size = random.randint(1, max_window_size)
            indices = list(range(max(0, i - window_size),
                                 min(len(line), i + 1 + window_size)))
            # 从上下文词中排除中心词
            indices.remove(i)
            contexts.append([line[idx] for idx in indices])
    return centers, contexts
接下来，我们创建一个人工数据集，分别包含 7 个和 3 个单词的两个句子。设置最大上下文窗口大小为 2，并打印所有中心词及其上下文词。
tiny_dataset = [list(range(7)), list(range(7, 10))]
print('数据集', tiny_dataset)
for center, context in zip(*get_centers_and_contexts(tiny_dataset, 2)):
    print('中心词', center, '的上下文词是', context)
数据集 [[0, 1, 2, 3, 4, 5, 6], [7, 8, 9]]
中心词 0 的上下文词是 [1]
中心词 1 的上下文词是 [0, 2, 3]
中心词 2 的上下文词是 [0, 1, 3, 4]
中心词 3 的上下文词是 [2, 4]
中心词 4 的上下文词是 [2, 3, 5, 6]
中心词 5 的上下文词是 [3, 4, 6]
中心词 6 的上下文词是 [5]
中心词 7 的上下文词是 [8]
中心词 8 的上下文词是 [7, 9]
中心词 9 的上下文词是 [7, 8]

在 PTB 数据集上进行训练时，我们将最大上下文窗口大小设置为 5。下面提取数据集中的所有中心词及其上下文词。
all_centers, all_contexts = get_centers_and_contexts(corpus, 5)
f'# “中心词-上下文词对”的数量: {sum([len(contexts) for contexts in all_contexts])}'
'# “中心词-上下文词对”的数量: 1502997'

# 负采样
我们使用负采样进行近似训练。为了根据预定义的分布对噪声词进行采样，我们定义以下 RandomGenerator 类，其中（可能未规范化的）采样分布通过变量 sampling_weights 传递。
#@save
class RandomGenerator:
    """根据n个采样权重在{1,...,n}中随机抽取"""
    def __init__(self, sampling_weights):
        # Exclude
        self.population = list(range(1, len(sampling_weights) + 1))
        self.sampling_weights = sampling_weights
        self.candidates = []
        self.i = 0
    def draw(self):
        if self.i == len(self.candidates):
            # 缓存 k 个随机采样结果
            self.candidates = random.choices(
                self.population, self.sampling_weights, k=10000)
            self.i = 0
        self.i += 1
        return self.candidates[self.i - 1]
例如，我们可以在索引 1、2 和 3 中绘制 10 个随机变量XX，采样概率为P(X=1)=2/9,P(X=2)=3/9P(X=1)=2/9, P(X=2)=3/9 和P(X=3)=4/9P(X=3)=4/9，如下所示。
#@save
generator = RandomGenerator([2, 3, 4])
[generator.draw() for _ in range(10)]
[1, 3, 2, 2, 3, 3, 1, 3, 2, 3]

对于一对中心词和上下文词，我们随机抽取了 K 个（实验中为 5 个）噪声词。根据 word2vec 论文中的建议，将噪声词ww 的采样概率P(w)P(w) 设置为其在字典中的相对频率，其幂为 0.75 :cite: Mikolov.Sutskever.Chen.ea.2013 。
#@save
def get_negatives(all_contexts, vocab, counter, K):
    """返回负采样中的噪声词"""
    # 索引为 1、2、...（索引 0 是词表中排除的未知标记）
    sampling_weights = [counter[vocab.to_tokens(i)]**0.75
                        for i in range(1, len(vocab))]
    all_negatives, generator = [], RandomGenerator(sampling_weights)
    for contexts in all_contexts:
        negatives = []
        while len(negatives) < len(contexts) * K:
            neg = generator.draw()
            # 噪声词不能是上下文词
            if neg not in contexts:
                negatives.append(neg)
        all_negatives.append(negatives)
    return all_negatives
all_negatives = get_negatives(all_contexts, vocab, counter, 5)
# 小批量加载训练实例
🏷 subsec_word2vec-minibatch-loading
在提取所有中心词及其上下文词和采样噪声词后，将它们转换成小批量的样本，在训练过程中可以迭代加载。
在小批量中，ithi^\mathrm{th} 个样本包括中心词及其nin_i 个上下文词和mim_i 个噪声词。由于上下文窗口大小不同，ni+min_i+m_i 对于不同的ii 是不同的。因此，对于每个样本，我们在 contexts_negatives 个变量中将其上下文词和噪声词连结起来，并填充零，直到连结长度达到max⁡ini+mi\max_i n_i+m_i( max_len )。为了在计算损失时排除填充，我们定义了掩码变量 masks 。在 masks 中的元素和 contexts_negatives 中的元素之间存在一一对应关系，其中 masks 中的 0（否则为 1）对应于 contexts_negatives 中的填充。
为了区分正反例，我们在 contexts_negatives 中通过一个 labels 变量将上下文词与噪声词分开。类似于 masks ，在 labels 中的元素和 contexts_negatives 中的元素之间也存在一一对应关系，其中 labels 中的 1（否则为 0）对应于 contexts_negatives 中的上下文词的正例。
上述思想在下面的 batchify 函数中实现。其输入 data 是长度等于批量大小的列表，其中每个元素是由中心词 center 、其上下文词 context 和其噪声词 negative 组成的样本。此函数返回一个可以在训练期间加载用于计算的小批量，例如包括掩码变量。
#@save
def batchify(data):
    """返回带有负采样的跳元模型的小批量样本"""
    max_len = max(len(c) + len(n) for _, c, n in data)
    centers, contexts_negatives, masks, labels = [], [], [], []
    for center, context, negative in data:
        cur_len = len(context) + len(negative)
        centers += [center]
        contexts_negatives += \
            [context + negative + [0] * (max_len - cur_len)]
        masks += [[1] * cur_len + [0] * (max_len - cur_len)]
        labels += [[1] * len(context) + [0] * (max_len - len(context))]
    return (torch.tensor(centers).reshape((-1, 1)), torch.tensor(
        contexts_negatives), torch.tensor(masks), torch.tensor(labels))
让我们使用一个小批量的两个样本来测试此函数。
x_1 = (1, [2, 2], [3, 3, 3, 3])
x_2 = (1, [2, 2, 2], [3, 3])
batch = batchify((x_1, x_2))
names = ['centers', 'contexts_negatives', 'masks', 'labels']
for name, data in zip(names, batch):
    print(name, '=', data)
centers = tensor([[1],
        [1]])
contexts_negatives = tensor([[2, 2, 3, 3, 3, 3],
        [2, 2, 2, 3, 3, 0]])
masks = tensor([[1, 1, 1, 1, 1, 1],
        [1, 1, 1, 1, 1, 0]])
labels = tensor([[1, 1, 0, 0, 0, 0],
        [1, 1, 1, 0, 0, 0]])

# 整合代码
最后，我们定义了读取 PTB 数据集并返回数据迭代器和词表的 load_data_ptb 函数。
#@save
def load_data_ptb(batch_size, max_window_size, num_noise_words):
    """下载PTB数据集，然后将其加载到内存中"""
    num_workers = d2l.get_dataloader_workers()
    sentences = read_ptb()
    vocab = d2l.Vocab(sentences, min_freq=10)
    subsampled, counter = subsample(sentences, vocab)
    corpus = [vocab[line] for line in subsampled]
    all_centers, all_contexts = get_centers_and_contexts(
        corpus, max_window_size)
    all_negatives = get_negatives(
        all_contexts, vocab, counter, num_noise_words)
    class PTBDataset(torch.utils.data.Dataset):
        def __init__(self, centers, contexts, negatives):
            assert len(centers) == len(contexts) == len(negatives)
            self.centers = centers
            self.contexts = contexts
            self.negatives = negatives
        def __getitem__(self, index):
            return (self.centers[index], self.contexts[index],
                    self.negatives[index])
        def __len__(self):
            return len(self.centers)
    dataset = PTBDataset(all_centers, all_contexts, all_negatives)
    data_iter = torch.utils.data.DataLoader(
        dataset, batch_size, shuffle=True,
        collate_fn=batchify, num_workers=num_workers)
    return data_iter, vocab
让我们打印数据迭代器的第一个小批量。
data_iter, vocab = load_data_ptb(512, 5, 5)
for batch in data_iter:
    for name, data in zip(names, batch):
        print(name, 'shape:', data.shape)
    break
centers shape: torch.Size([512, 1])
contexts_negatives shape: torch.Size([512, 60])
masks shape: torch.Size([512, 60])
labels shape: torch.Size([512, 60])

# 小结
  • 高频词在训练中可能不是那么有用。我们可以对他们进行下采样，以便在训练中加快速度。
  • 为了提高计算效率，我们以小批量方式加载样本。我们可以定义其他变量来区分填充标记和非填充标记，以及正例和负例。
# 练习
  1. 如果不使用下采样，本节中代码的运行时间会发生什么变化？
  2. RandomGenerator 类缓存 k 个随机采样结果。将 k 设置为其他值，看看它如何影响数据加载速度。
  3. 本节代码中的哪些其他超参数可能会影响数据加载速度？
Discussions