# 机器翻译与数据集
🏷 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（statistical machine 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（neural machine 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。
import os | |
import torch | |
from d2l import torch as d2l |
# [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
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）。
#@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]) |
Go. Va !
Hi. Salut !
Run! Cours !
Run! Courez !
Who? Qui ?
Wow! Ça alors !
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。
#@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]) |
go . va !
hi . salut !
run ! cours !
run ! courez !
who ? qui ?
wow ! ça alors !
# [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 个文本序列的词元列表，target[i] 是目标语言（这里是法语）第 个文本序列的词元列表。
#@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] |
([['go', '.'],
['hi', '.'],
['run', '!'],
['run', '!'],
['who', '?'],
['wow', '!']],
[['va', '!'],
['salut', '!'],
['cours', '!'],
['courez', '!'],
['qui', '?'],
['ça', 'alors', '!']])
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 个。
#@save | |
def show_list_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。
src_vocab = d2l.Vocab(source, min_freq=2, | |
reserved_tokens=['<pad>', '<bos>', '<eos>']) | |
len(src_vocab) |
10012
# 加载数据集
🏷 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)。
#@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['<pad>']) |
[47, 4, 1, 1, 1, 1, 1, 1, 1, 1]
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。
#@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 = 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 |
# [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。
#@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=['<pad>', '<bos>', '<eos>']) | |
tgt_vocab = d2l.Vocab(target, min_freq=2, | |
reserved_tokens=['<pad>', '<bos>', '<eos>']) | |
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 |
下面我们 [读出 “英语－法语” 数据集中的第一个小批量数据]。
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:', X.type(torch.int32)) | |
print('X的有效长度:', X_valid_len) | |
print('Y:', Y.type(torch.int32)) | |
print('Y的有效长度:', Y_valid_len) | |
break |
X: tensor([[ 6, 143, 4, 3, 1, 1, 1, 1],
[ 54, 5, 3, 1, 1, 1, 1, 1]], dtype=torch.int32)
X的有效长度: tensor([4, 3])
Y: tensor([[ 6, 0, 4, 3, 1, 1, 1, 1],
[93, 5, 3, 1, 1, 1, 1, 1]], dtype=torch.int32)
Y的有效长度: tensor([4, 3])
# 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？
Discussions
