TR6 - Transformer实战 单词预测

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

---

---

理论知识

关于数据集 Wikitext-2

WikiText （The WikiText Long Term Dependency Language Modeling Dataset， 英语词库数据集）是一个包含1亿个词汇的英文数据集，这些词汇从Wikipedia的优质文章和标杆文章中提取得到。包含WikiText-2和WikiText-103两个版本，相比于著名的Penn Treebank（PTB）数据集来说的，前者是PTB词汇数量的2倍，后者是110倍。每个词汇还同时保留了产生该词汇的原始文章，尤其适合需要长时依赖（Long Term Dependency）的自然语言建模场景。

• 数据来源：从维基百科抽取
• 数据内容：包含维基百科的文章内容，包括各种主题和领域的信息。经过预处理和清洗，以提供干净和可用于训练的文本数据
• 数据规模：Wikitext-2 包含了超过2088628个词标记文本，以及其中1915997个词标记（token）用于训练，172430个词标记用于验证和186716个词标记用于测试。
• 数据格式：纯文本形式存储，每个文本文件包含一个维基百科文章的内容。文本以段落句子为单位进行分割。
• 用途：通常用于语言建模任务，其中模型的目标是根据之前的上下文来预测下一个词或下一个句子。此外，还可以用于其他的文本生成任务，如机器翻译、摘要生成等。

模型结构

代码实现

0. 环境

pytorch: 2.1.0
torchtext: 0.16.0

1. 加载数据集

使用torchtext生成Wikitext-2数据集
batchify() 可以将数据排列成 batch_size 列。如果数据没有均匀地分成batch_size列，则会对数据进行修剪。
例如：将字母表作为数据（总长度是26），然后设置batch_size=4，batchify会将字母表分成4个长度为6的序列，如图所示

由于torchtext已经停止更新了，源码里面的URL地址已经无法下载数据集，我们先从百度下载一个，地址为

https://aistudio.baidu.com/datasetdetail/230431

在当前目录下创建路径 datasets/WikiText2/ 然后将下载的wikitext-2-v1.zip放入这个文件夹

from torchtext.datasets import WikiText2
from torchtext.data.utils import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
from torch.utils.data import dataset
from torch import nn, Tensor
import math, os, torch
from torch.nn import TransformerEncoder, TransformerEncoderLayer
from tempfile import TemporaryDirectory

# 全局设备对象
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 加载训练集，创建词汇表
train_iter = WikiText2(split='train', root='.')
tokenizer = get_tokenizer('basic_english')
vocab = build_vocab_from_iterator(map(tokenizer, train_iter), specials=['<unk>'])

def data_process(raw_text_iter: dataset.IterableDataset) -> Tensor:
    """将原始文本转换成扁平的张量"""
    data = [torch.tensor(vocab(tokenizer(item)), dtype=torch.long) for item in raw_text_iter]
    return torch.cat(tuple(filter(lambda t: t.numel() > 0, data)))

def batchify(data: Tensor, bsz: int) -> Tensor:
    """将数据划分为bsz个单独的序列,去除不能完全容纳的额外元素
    参数:
        data: Tensor, 形状为``[N]``
        bsz: int, 批大小
    返回：
        形状为 [N // bsz, bsz] 的张量
    """
    seq_len = data.size(0) // bsz
    data = data[:seq_len*bsz]
    data = data.view(bsz, seq_len).t().contiguous()
    return data.to(device)

# 创建数据集
train_iter, val_iter, test_iter = WikiText2(root='.')
train_data = data_process(train_iter)
val_data = data_process(val_iter)
test_data = data_process(test_iter)


batch_size = 20
eval_batch_size = 10

# 将三类数据集都处理成固定长度
train_data = batchify(train_data, batch_size)
val_data = batchify(val_data, batch_size)
test_data = batchify(test_data, batch_size)

# 编写数据集取值函数（就像CV里的data_loader一样）
bptt = 35

def get_batch(source: Tensor, i: int) -> tuple[Tensor, Tensor]:
    """获取批次数据
    参数：
        source: Tensor, 形状为 ``[full_seq_len, batch_size]``
        i: int, 当前批次索引
    返回：
        tuple(data, target),
        - data形状为[seq_len, batch_size]
        - target形状为[seq_len * batch_size]
    """
    # 计算当前批次的序列长度，最大为bptt，确保不超过source的长度
    seq_len = min(bptt, len(source) - 1 - i)
    # 获取data，从i开始，长度为seq_len
    data = source