机器翻译实验

最新推荐文章于 2025-05-08 10:04:30 发布

zqqqqqqqj.

最新推荐文章于 2025-05-08 10:04:30 发布

阅读量1.3k

点赞数 39

文章标签：机器翻译人工智能自然语言处理

本文链接：https://blog.youkuaiyun.com/m0_71976724/article/details/140007481

版权

机器翻译是指将一段文本从一种语言自动翻译到另一种语言。因为一段文本序列在不同语言中的长度不一定相同，所以我们使用机器翻译为例来介绍编码器—解码器和注意力机制的应用。

一、读取和预处理数据

我们将首先定义一些特殊符号。“<pad>”（填充）符号用于在较短的序列后添加内容，以便使所有序列的长度相等。此外，“<bos>” 和 “<eos>” 分别表示序列的开头和结尾。

!tar -xf d2lzh_pytorch.tar

import collections
import os
import io
import math
import torch
from torch import nn
import torch.nn.functional as F
import torchtext.vocab as Vocab
import torch.utils.data as Data

import sys
# sys.path.append("..") 
import d2lzh_pytorch as d2l

PAD, BOS, EOS = '<pad>', '<bos>', '<eos>'
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

print(torch.__version__, device)

接着定义两个辅助函数对后面读取的数据进行预处理。

# 将一个序列中所有的词记录在all_tokens中以便之后构造词典，然后在该序列后面添加PAD直到序列
# 长度变为max_seq_len，然后将序列保存在all_seqs中
def process_one_seq(seq_tokens, all_tokens, all_seqs, max_seq_len):
    all_tokens.extend(seq_tokens)
    seq_tokens += [EOS] + [PAD] * (max_seq_len - len(seq_tokens) - 1)
    all_seqs.append(seq_tokens)

# 使用所有的词来构造词典。并将所有序列中的词变换为词索引后构造Tensor
def build_data(all_tokens, all_seqs):
    vocab = Vocab.Vocab(collections.Counter(all_tokens),
                        specials=[PAD, BOS, EOS])
    indices = [[vocab.stoi[w] for w in seq] for seq in all_seqs]
    return vocab, torch.tensor(indices)

为了方便演示，我们将使用一个小型的法语-英语数据集作为例子。每一行包含一对法语句子和其对应的英语句子，两者之间用’\t’分隔。在处理数据时，我们会在每个句子末尾加上"<eos>“符号，并可能通过添加”<pad>"符号使每个序列达到相同的最大长度（max_seq_len）。我们会分别为法语词和英语词创建词典，并分别使用索引进行表示，这两个词典是相互独立的。

def read_data(max_seq_len):
    # in和out分别是input和output的缩写
    in_tokens, out_tokens, in_seqs, out_seqs = [], [], [], []
    with io.open('fr-en-small.txt') as f:
        lines = f.readlines()
    for line in lines:
        in_seq, out_seq = line.rstrip().split('\t')
        in_seq_tokens, out_seq_tokens = in_seq.split(' '), out_seq.split(' ')
        if max(len(in_seq_tokens), len(out_seq_tokens)) > max_seq_len - 1:
            continue  # 如果加上EOS后长于max_seq_len，则忽略掉此样本
        process_one_seq(in_seq_tokens, in_tokens, in_seqs, max_seq_len)
        process_one_seq(out_seq_tokens, out_tokens, out_seqs, max_seq_len)
    in_vocab, in_data = build_data(in_tokens, in_seqs)
    out_vocab, out_data = build_data(out_tokens, out_seqs)
    return in_vocab, out_vocab, Data.TensorDataset(in_data, out_data)

将序列的最大长度设成7，然后查看读取到的第一个样本。该样本分别包含法语词索引序列和英语词索引序列。

max_seq_len = 7
in_vocab, out_vocab, dataset = read_data(max_seq_len)
dataset[0]

二、含注意力机制的编码器—解码器

我们将使用含注意力机制的编码器—解码器来将一段简短的法语翻译成英语。下面我们来介绍模型的实现。

2.1 编码器

在编码器中，我们将输入语言的词索引通过词嵌入层得到词的表征，然后输入到一个多层门控循环单元中。正如我们在6.5节（循环神经网络的简洁实现）中提到的，PyTorch的nn.GRU实例在前向计算后也会分别返回输出和最终时间步的多层隐藏状态。其中的输出指的是最后一层的隐藏层在各个时间步的隐藏状态，并不涉及输出层计算。注意力机制将这些输出作为键项和值项。

class Encoder(nn.Module):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                 drop_prob=0, **kwargs):
        super(Encoder, self).__init__(**kwargs)
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.rnn = nn.GRU(embed_size, num_hiddens, num_layers, dropout=drop_prob)

    def forward(self, inputs, state):
        # 输入形状是(批量大小, 时间步数)。将输出互换样本维和时间步维
        embedding = self.embedding(inputs.long()).permute(1, 0, 2) # (seq_len, batch, input_size)
        return self.rnn(embedding, state)

    def begin_state(self):
        return None

我们要创建一个批量大小为4、时间步数为7的小批量序列输入。假设我们使用门控循环单元（GRU），其隐藏层有2层，每层有16个隐藏单元。当编码器对这样的输入执行前向计算后，输出的形状将是(7, 4, 16)，即(时间步数, 批量大小, 隐藏单元个数)。

在门控循环单元中，每层的最终时间步的隐藏状态形状将是(2, 4, 16)，即(隐藏层个数, 批量大小, 隐藏单元个数)。需要注意的是，对于门控循环单元（GRU），其“state”指的是隐藏状态，在这个情况下是一个张量，而如果使用长短期记忆（LSTM），则“state”是一个包含两个元素的元组，分别是隐藏状态和记忆细胞。

encoder = Encoder(vocab_size=10, embed_size=8, num_hiddens=16, num_layers=2)
output, state = encoder(torch.zeros((4, 7)), encoder.begin_state())
output.shape, state.shape # GRU的state是h, 而LSTM的是一个元组(h, c)

结果：

(torch.Size([7, 4, 16]), torch.Size([2, 4, 16]))

2.2 注意力机制

我们将实现（注意力机制）中定义的函数𝑎a：将输入连结后通过含单隐藏层的多层感知机变换。其中隐藏层的输入是解码器的隐藏状态与编码器在所有时间步上隐藏状态的一一连结，且使用tanh函数作为激活函数。输出层的输出个数为1。两个Linear实例均不使用偏差。其中函数𝑎a定义里向量𝑣v的长度是一个超参数，即attention_size。

def attention_model(input_size, attention_size):
    model = nn.Sequential(nn.Linear(input_size, attention_size, bias=False),
                          nn.Tanh(),
                          nn.Linear(attention_size, 1, bias=False))
    return model

注意力机制的输入包括查询项、键项和值项。设编码器和解码器的隐藏单元个数相同。这里的查询项为解码器在上一时间步的隐藏状态，形状为(批量大小, 隐藏单元个数)；键项和值项均为编码器在所有时间步的隐藏状态，形状为(时间步数, 批量大小, 隐藏单元个数)。注意力机制返回当前时间步的背景变量，形状为(批量大小, 隐藏单元个数)。

def attention_forward(model, enc_states, dec_state):
    """
    enc_states: (时间步数, 批量大小, 隐藏单元个数)
    dec_state: (批量大小, 隐藏单元个数)
    """
    # 将解码器隐藏状态广播到和编码器隐藏状态形状相同后进行连结
    dec_states = dec_state.unsqueeze(dim=0).expand_as(enc_states)
    enc_and_dec_states = torch.cat((enc_states, dec_states), dim=2)
    e = model(enc_and_dec_states)  # 形状为(时间步数, 批量大小, 1)
    alpha = F.softmax(e, dim=0)  # 在时间步维度做softmax运算
    return (alpha * enc_states).sum(dim=0)  # 返回背景变量

在下面的例子中，编码器的时间步数为10，批量大小为4，编码器和解码器的隐藏单元个数均为8。注意力机制返回一个小批量的背景向量，每个背景向量的长度等于编码器的隐藏单元个数。因此输出的形状为(4, 8)。

seq_len, batch_size, num_hiddens = 10, 4, 8
model = attention_model(2*num_hiddens, 10) 
enc_states = torch.zeros((seq_len, batch_size, num_hiddens))
dec_state = torch.zeros((batch_size, num_hiddens))
attention_forward(model, enc_states, dec_state).shape

2.3 含注意力机制的解码器

我们将使用编码器的最终时间步隐藏状态作为解码器的初始隐藏状态。为了实现这一点，编码器和解码器的循环神经网络必须具有相同数量的隐藏层和隐藏单元。

在解码器的前向计算中，我们首先利用注意力机制计算当前时间步的背景向量。由于解码器的输入是来自输出语言的词索引，我们将这些索引通过词嵌入层转换为词嵌入表示，然后将其与背景向量在特征维度上连接起来。将连接后的结果与上一个时间步的隐藏状态一起输入门控循环单元，以计算当前时间步的输出和更新隐藏状态。最终，我们通过全连接层将输出转换为关于输出词典中各个词的预测，其形状为(批量大小, 输出词典大小)。

class Decoder(nn.Module):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                 attention_size, drop_prob=0):
        super(Decoder, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.attention = attention_model(2*num_hiddens, attention_size)
        # GRU的输入包含attention输出的c和实际输入, 所以尺寸是 num_hiddens+embed_size
        self.rnn = nn.GRU(num_hiddens + embed_size, num_hiddens, 
                          num_layers, dropout=drop_prob)
        self.out = nn.Linear(num_hiddens, vocab_size)

    def forward(self, cur_input, state, enc_states):
        """
        cur_input shape: (batch, )
        state shape: (num_layers, batch, num_hiddens)
        """
        # 使用注意力机制计算背景向量
        c = attention_forward(self.attention, enc_states, state[-1])
        # 将嵌入后的输入和背景向量在特征维连结, (批量大小, num_hiddens+embed_size)
        input_and_c = torch.cat((self.embedding(cur_input), c), dim=1) 
        # 为输入和背景向量的连结增加时间步维，时间步个数为1
        output, state = self.rnn(input_and_c.unsqueeze(0), state)
        # 移除时间步维，输出形状为(批量大小, 输出词典大小)
        output = self.out(output).squeeze(dim=0)
        return output, state

    def begin_state(self, enc_state):
        # 直接将编码器最终时间步的隐藏状态作为解码器的初始隐藏状态
        return enc_state

2.4训练模型

我们要实现一个名为batch_loss的函数，用于计算一个小批量数据的损失。解码器在初始时间步的输入是一个特殊字符BOS（Beginning of Sentence）。随后的每个时间步，解码器的输入都是前一个时间步预测的词，即采用了强制教学（teacher forcing）策略。另外，为了避免填充项对损失计算的影响，我们将使用掩码变量，这与之前在10.3节（word2vec的实现）中的实现方法相同。

def batch_loss(encoder, decoder, X, Y, loss):
    batch_size = X.shape[0]
    enc_state = encoder.begin_state()
    enc_outputs, enc_state = encoder(X, enc_state)
    # 初始化解码器的隐藏状态
    dec_state = decoder.begin_state(enc_state)
    # 解码器在最初时间步的输入是BOS
    dec_input = torch.tensor([out_vocab.stoi[BOS]] * batch_size)
    # 我们将使用掩码变量mask来忽略掉标签为填充项PAD的损失, 初始全1
    mask, num_not_pad_tokens = torch.ones(batch_size,), 0
    l = torch.tensor([0.0])
    for y in Y.permute(1,0): # Y shape: (batch, seq_len)
        dec_output, dec_state = decoder(dec_input, dec_state, enc_outputs)
        l = l + (mask * loss(dec_output, y)).sum()
        dec_input = y  # 使用强制教学
        num_not_pad_tokens += mask.sum().item()
        # EOS后面全是PAD. 下面一行保证一旦遇到EOS接下来的循环中mask就一直是0
        mask = mask * (y != out_vocab.stoi[EOS]).float()
    return l / num_not_pad_tokens

def train(encoder, decoder, dataset, lr, batch_size, num_epochs):
    # 初始化编码器和解码器的Adam优化器，使用给定的学习率lr
    enc_optimizer = torch.optim.Adam(encoder.parameters(), lr=lr)
    dec_optimizer = torch.optim.Adam(decoder.parameters(), lr=lr)
    
    # 定义交叉熵损失函数，设置reduction为'none'以便在每个样本上计算损失
    loss = nn.CrossEntropyLoss(reduction='none')
    
    # 创建数据迭代器，用于按批次加载数据集
    data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)
    
    # 开始训练循环，迭代指定的epoch次数
    for epoch in range(num_epochs):
        l_sum = 0.0
        # 遍历数据迭代器，每次获取一个批次的输入X和对应的标签Y
        for X, Y in data_iter:
            # 梯度清零，避免累积
            enc_optimizer.zero_grad()
            dec_optimizer.zero_grad()
            
            # 计算当前批次的损失
            l = batch_loss(encoder, decoder, X, Y, loss)
            
            # 反向传播计算梯度
            l.backward()
            
            # 使用优化器更新编码器和解码器的参数
            enc_optimizer.step()
            dec_optimizer.step()
            
            # 累加当前批次的损失值
            l_sum += l.item()
        
        # 每隔10个epoch打印一次当前平均损失
        if (epoch + 1) % 10 == 0:
            print("epoch %d, loss %.3f" % (epoch + 1, l_sum / len(data_iter)))

接下来，创建模型实例并设置超参数。

# 定义编码器和解码器的嵌入大小、隐藏单元数和层数
embed_size, num_hiddens, num_layers = 64, 64, 2

# 定义注意力机制的大小、dropout概率、学习率、批量大小和训练轮数
attention_size, drop_prob, lr, batch_size, num_epochs = 10, 0.5, 0.01, 2, 50

# 创建编码器和解码器实例，分别传入输入和输出词汇表的大小、嵌入大小、隐藏单元数、层数、dropout概率
encoder = Encoder(len(in_vocab), embed_size, num_hiddens, num_layers, drop_prob)
decoder = Decoder(len(out_vocab), embed_size, num_hiddens, num_layers, attention_size, drop_prob)

# 调用定义好的训练函数train，传入编码器、解码器、数据集、学习率、批量大小和训练轮数进行模型训练
train(encoder, decoder, dataset, lr, batch_size, num_epochs)

代码结果：

epoch 10, loss 0.427
epoch 20, loss 0.194
epoch 30, loss 0.128
epoch 40, loss 0.072
epoch 50, loss 0.050

2.5 预测不定长的序列

这里我们实现最简单的贪婪搜索

def translate(encoder, decoder, input_seq, max_seq_len):
    # 将输入序列分词，并补齐到最大序列长度
    in_tokens = input_seq.split(' ')
    in_tokens += [EOS] + [PAD] * (max_seq_len - len(in_tokens) - 1)
    
    # 将输入序列转换为tensor格式，并增加一个维度表示batch（batch=1）
    enc_input = torch.tensor([[in_vocab.stoi[tk] for tk in in_tokens]]) 
    
    # 编码器初始化状态
    enc_state = encoder.begin_state()
    
    # 编码器进行编码，得到输出和最终状态
    enc_output, enc_state = encoder(enc_input, enc_state)
    
    # 解码器初始化输入为起始符号BOS
    dec_input = torch.tensor([out_vocab.stoi[BOS]])
    
    # 解码器初始化状态为编码器的最终状态
    dec_state = decoder.begin_state(enc_state)
    
    # 初始化输出tokens列表
    output_tokens = []
    
    # 开始解码
    for _ in range(max_seq_len):
        # 解码器解码一步
        dec_output, dec_state = decoder(dec_input, dec_state, enc_output)
        
        # 获取当前预测的token
        pred = dec_output.argmax(dim=1)
        pred_token = out_vocab.itos[int(pred.item())]
        
        # 判断当前预测的token是否为终止符EOS
        if pred_token == EOS:  
            # 如果是终止符EOS，则停止解码
            break
        else:
            # 否则将当前预测的token添加到输出tokens列表中，并更新解码器的输入为当前预测的token
            output_tokens.append(pred_token)
            dec_input = pred
    return output_tokens

简单测试一下模型。输入法语句子“ils regardent.”，翻译后的英语句子应该是“they are watching.”.

input_seq = 'ils regardent .'
translate(encoder, decoder, input_seq, max_seq_len)

结果：

['they', 'are', 'watching', '.']

2.6评价翻译结果

评价机器翻译的准确性通常采用BLEU（双语评估一致性）指标。BLEU通过比较模型预测的翻译序列与参考翻译序列中的子序列来评估翻译质量。

具体来说，BLEU通过计算不同长度子序列的精确度（precision）来评估翻译结果。对于长度为n的子序列，其精确度p_n是指预测序列中长度为n且与参考序列中某个子序列完全匹配的子序列数量，除以预测序列中所有长度为n的子序列数量。例如，如果参考翻译序列是ABCDEF，而模型预测序列是ABBBD，那么p1=4/5，p2=3/4，p3=1/3，p4=0。

BLEU的计算公式为：

$exp\left ( min\left ( 0,1-\frac{len(label)}{len(pred)} \right ) \right )\prod_{n=1}^{k}{p_{n}}^{1/2^{n}}$

其中len_label和len_pred分别是参考序列和预测序列的长度，k是希望匹配的最大子序列长度。当预测序列与参考序列完全一致时，BLEU得分为1。

由于匹配更长的子序列更难，BLEU对匹配长子序列赋予更高的权重。例如，当p_n固定为0.5时，随着n的增加，0.5^(1/2) ≈ 0.7，0.5^(1/4) ≈ 0.84，0.5^(1/8) ≈ 0.92，0.5

^(1/16) ≈ 0.96。此外，模型预测较短的序列通常会得到较高的p_n值，因此乘积项前的指数是为了惩罚较短的输出而设置的。例如，当k=2时，如果参考序列是ABCDEF，而模型预测序列是AB，虽然p1=p2=1，但由于惩罚系数e^(1 - 6/2) ≈ 0.14，因此BLEU接近0.14。

下面来实现BLEU的计算。

def bleu(pred_tokens, label_tokens, k):
    # 计算预测序列和参考序列的长度
    len_pred, len_label = len(pred_tokens), len(label_tokens)
    
    # 初始化BLEU分数为长度惩罚
    score = math.exp(min(0, 1 - len_label / len_pred))
    
    # 计算1到k-gram的匹配情况
    for n in range(1, k + 1):
        num_matches, label_subs = 0, collections.defaultdict(int)
        
        # 统计参考序列中各n-gram的出现次数
        for i in range(len_label - n + 1):
            label_subs[''.join(label_tokens[i: i + n])] += 1
        
        # 计算预测序列中与参考序列匹配的n-gram数量
        for i in range(len_pred - n + 1):
            if label_subs[''.join(pred_tokens[i: i + n])] > 0:
                num_matches += 1
                label_subs[''.join(pred_tokens[i: i + n])] -= 1
        
        # 计算BLEU分数的累积乘积
        score *= math.pow(num_matches / (len_pred - n + 1), math.pow(0.5, n))
    
    return score

def score(input_seq, label_seq, k):
    pred_tokens = translate(encoder, decoder, input_seq, max_seq_len)
    label_tokens = label_seq.split(' ')
    print('bleu %.3f, predict: %s' % (bleu(pred_tokens, label_tokens, k),
                                      ' '.join(pred_tokens)))

预测正确则分数为1。

score('ils regardent .', 'they are watching .', k=2)

bleu 1.000, predict: they are watching .

score('ils sont canadienne .', 'they are canadian .', k=2)

bleu 0.658, predict: they are exhausted .

三、小结

可以将编码器—解码器和注意力机制应用于机器翻译中，BLEU可以用来评价翻译结果。
如果编码器和解码器的隐藏单元个数不同，可以考虑使用线性投影来调整隐藏状态的维度。例如，通过一个线性变换层（如全连接层）将编码器的最终隐藏状态投影到解码器隐藏单元的维度。这样可以保持隐藏状态的维度一致性，使信息能够正确传递。
训练过程的影响：强制教学可以加快模型的收敛速度，因为每个时间步都有正确的目标输出作为输入。这种方式使得模型更容易学习到正确的输出序列。使用真实目标序列作为输入可以减少误差的累积，因为不会因为解码器自身的错误输出而导致后续时间步的误差放大。