高端的网站推广,太原专门做网站,软件著作权申请流程及费用,网页链接转二维码#x1f468;#x1f393;作者简介#xff1a;一位即将上大四#xff0c;正专攻机器学习的保研er #x1f30c;上期文章#xff1a;机器学习深度学习——从编码器-解码器架构到seq2seq#xff08;机器翻译#xff09; #x1f4da;订阅专栏#xff1a;机… 作者简介一位即将上大四正专攻机器学习的保研er 上期文章机器学习深度学习——从编码器-解码器架构到seq2seq机器翻译 订阅专栏机器学习深度学习 希望文章对你们有所帮助 在理解了seq2seq以后开始用它来实现一个机器翻译的模型。我们先要进行机器翻译的数据集的选择以及处理在之后将正式使用seq2seq来进行训练。 seq2seq实现机器翻译 机器翻译与数据集下载和预处理数据集词元化词表加载数据集训练模型 机器翻译与数据集
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的核心问题。 机器翻译指的是将序列从一种语言自动翻译成另一种语言。我们这里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。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。我们需要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
下载一个“英-法”数据集数据集中每一行都是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 英语是源语言法语是目标语言。
#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,encodingutf-8) as f:return f.read()raw_text read_data_nmt()我们可以打印查看一下
print(raw_text[:75])输出结果 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 charfor i, char in enumerate(text)]return .join(out)text preprocess_nmt(raw_text)可以输出查看
print(text[:80])运行结果 go . va ! hi . salut ! run ! cours ! run ! courez ! who ? qui ? wow ! ça alors ! 词元化
在机器翻译中我们更喜欢单词级词元化。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。 此数返回两个词元列表source和targetsource[i]是源语言也就是这里的英语第i个文本序列的词元列表target[i]是目标语言这里是法语第i个文本序列的词元列表。
#save
def tokenize_nmt(text, num_examplesNone):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:breakparts line.split(\t)if len(parts) 2:source.append(parts[0].split( ))target.append(parts[1].split( ))return source, targetsource, target tokenize_nmt(text)可以输出查看验证
print(source[:6], target[:6])运行结果 [[‘go’, ‘.’], [‘hi’, ‘.’], [‘run’, ‘!’], [‘run’, ‘!’], [‘who’, ‘?’], [‘wow’, ‘!’]] [[‘va’, ‘!’], [‘salut’, ‘!’], [‘cours’, ‘!’], [‘courez’, ‘!’], [‘qui’, ‘?’], [‘ça’, ‘alors’, ‘!’]] 我们可以绘制每个文本序列所包含的词元数量的直方图在这个数据集中大多数文本序列的词元数量少于20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)
d2l.plt.show()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。为了缓解这一问题我们做一个处理方法将一些低频率的词元视为相同的未知词元unk在这里我们将出现次数少于2次视为低频率词元。 此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。 例如
src_vocab d2l.Vocab(source, min_freq2,reserved_tokens[pad, bos, eos])
print(len(src_vocab))输出结果 10012 加载数据集
在之前我们做过语言模型的处理而语言模型中的序列样本都有一个固定的长度这个固定长度由num_steps时间步数或词元数量来决定的。而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和填充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。那么若词元数目数目少于num_steps我们就在末位填充pad词元否则我们就截断词元取前num_steps个。只要每个文本序列具有相同的长度就方便以相同形状的小批量进行加载。 我们定义一个函数来实现对文本序列的截断或填充。
#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)) # 填充验证一下
print(truncate_pad(src_vocab[source[0]], 10, src_vocab[pad]))运行结果 [47, 4, 1, 1, 1, 1, 1, 1, 1, 1] 可以分析一下这个运行结果source[0]里面有两个词元按照词元的出现频率来进行排序分别是第47和第4此时我们需要10个词元那就需要填充理所当然要填充最常见的那种词造成的概率是最小的所以其对应着词表中的都是频率最高的。 如果语料corpus、词表这类概念忘记了可以看我之前的这篇文章 机器学习深度学习——文本预处理 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的输出工作。此外我们还记录了每个文本序列的初始长度排除了填充词元的长度后序会用到。
#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) # 统计原始长度return array, valid_len训练模型
接下来就可以定义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_examples600):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_freq2,reserved_tokens[pad, bos, eos])tgt_vocab d2l.Vocab(target, min_freq2,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我们可以读出数据集中的第一个小批量数据
train_iter, src_vocab, tgt_vocab load_data_nmt(batch_size2, num_steps8)
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运行结果 X: tensor([[ 17, 119, 4, 3, 1, 1, 1, 1], [ 6, 124, 4, 3, 1, 1, 1, 1]], dtypetorch.int32) X的有效长度: tensor([4, 4]) Y: tensor([[11, 0, 4, 3, 1, 1, 1, 1], [ 6, 27, 7, 0, 4, 3, 1, 1]], dtypetorch.int32) Y的有效长度: tensor([4, 6])
