文章目录
这篇Blog开始介绍翻译，都是NLP的相关内容，翻译和我们前面提到的序列预测（RNN、LSTM、GRU等等）、填空（Bi-RNN）等等有什么联系和区别？
一、机器翻译
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 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。（统计机器翻译与神经机器翻译）
我们主要关注神经机器翻译方法，强调的是端到端的学习。与语言模型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，我们将展示如何将预处理后的数据加载到小批量中用于训练。
二、机器翻译数据集
import os
import torch
from d2l import torch as d2l
1. 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）。
d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
'94646ad1522d915e7b0f9296181140edcf86a4f5')
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') as f:
return f.read()
raw_text = read_data_nmt()
print(raw_text[:80])
Go. Va !
Hi. Salut !
Run! Cours !
Run! Courez !
Who? Qui ?
Wow! Ça alors !
Fire!
1.1 文本预处理
- 使用空格代替不间断空格（non-breaking space）
- 使用小写字母代替大写字母
- 在单词和标点符号之间插入空格
def preprocess_nmt(text):
"""预处理"""
text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()
out = ''
for i,char in enumerate(text):
if i>0 and char in (',','!','.','?') and text[i-1] !=' ':
out += ' '
out +=char
return ''.join(out)
text = preprocess_nmt(raw_text)
print(text[:80])
go . va !
hi . salut !
run ! cours !
run ! courez !
who ? qui ?
wow ! ça alors !
我个人的理解：将句子/段落划分成一个个单词组成的向量。就像是把一把📏按照其刻度切分开来了
def tokenize_nmt(text,num_examples=None):
"""将数据集词元化"""
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', '!']])
d2l.set_figsize()
_, _, patches = d2l.plt.hist([[len(l) for l in source],
[len(l) for l in target]],
label=['source', 'target'])
for patch in patches[1].patches:
patch.set_hatch('/')
d2l.plt.legend(loc='upper right');
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汇表。使用单词级标记化时，词汇量将明显大于使用字符级标记化时的词汇量。为了缓解这一问题，这里我们将出现次数少于2次的低频率标记视为相同的未知（”
src_vocab = d2l.Vocab(source, min_freq=2,
reserved_tokens=['', '', ''])
len(src_vocab),list(src_vocab.token_to_idx.items())[:10]
(10012,
[('<unk>', 0),
('<pad>', 1),
('<bos>', 2),
('<eos>', 3),
('.', 4),
('i', 5),
('you', 6),
('to', 7),
('the', 8),
('?', 9)])
</eos></bos></pad></unk>
2. 加载数据集
在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。这个固定长度是由时间步数或标记数量参数指定的。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n，那么如果文本序列的标记数目少于这个长度n时，我们将继续在其末尾添加特定的”
def truncate_pad(line,num_steps,padding_token):
"""截断或者填充文本序列"""
if len(line)>num_steps:
return line[:num_steps]
return line + [padding_token]*(num_steps -len(line))
truncate_pad(src_vocab[source[0]], 10, src_vocab[''])
[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”
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['']] for l in lines]
array = torch.tensor([
truncate_pad(l,num_steps,vocab['']) for l in lines])
valid_len = (array != vocab['']).type(torch.int32).sum(1)
return array,valid_len
array,valid_len = build_array_nmt(source,src_vocab ,10)
array[1],valid_len[1]
(tensor([113, 4, 3, 1, 1, 1, 1, 1, 1, 1]), tensor(3))
def load_data_nmt(batch_size,num_steps,num_examples=600):
"""返回翻译数据集的迭代器和词汇表"""
text = preprocess_nmt(read_data_nmt())
source, target = tokenize_nmt(text, num_examples)
src_vocab = d2l.Vocab(source, min_freq=2,
reserved_tokens=['', '', ''])
tgt_vocab = d2l.Vocab(target, min_freq=2,
reserved_tokens=['', '', ''])
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
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('valid lengths for X:', X_valid_len)
print('Y:', Y.type(torch.int32))
print('valid lengths for Y:', Y_valid_len)
break
X: tensor([[16, 51, 4, 3, 1, 1, 1, 1],
[ 6, 0, 4, 3, 1, 1, 1, 1]], dtype=torch.int32)
valid lengths for X: tensor([4, 4])
Y: tensor([[ 35, 37, 11, 5, 3, 1, 1, 1],
[ 21, 51, 134, 4, 3, 1, 1, 1]], dtype=torch.int32)
valid lengths for Y: tensor([5, 5])
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。
- 使用单词级标记化时的词汇量，将明显大于使用字符级标记化时的词汇量。为了缓解这一问题，我们可以将低频标记视为相同的未知标记。
- 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汇量有何影响？
很好理解：如果num_examples越大，意味着我们保留的低频词汇越多，则对应的词汇量会相对增加。而且词汇量越多，其组合也会增加。对我们训练和预测的开销影响是非常大的。测试了一下将这个值调整到800和1200的值。
- 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，单词级标记化仍然是个好主意吗？为什么？
参考Blog：NLP+词法系列（一）︱中文分词技术小结、几大分词引擎的介绍与比较
我个人并没有做过NLP翻译工作，不过在我简单的想法中：我们的汉字是不是本身就可以单独进行标记，至于怎么进行分割，文字是一个个单独的个体相当于一个个字母而已，甚至按照字节来识别也不是不可以，毕竟中文一个词两个字节。Original: https://blog.csdn.net/jerry_liufeng/article/details/121317136
Author: 留小星
Title: 动手学深度学习（四十三）——机器翻译及其数据构建
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/531390/
转载文章受原作者版权保护。转载请注明原作者出处！