动手学深度学习（四十三）——机器翻译及其数据构建

  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

1. 使用空格代替不间断空格（non-breaking space）
2. 使用小写字母代替大写字母
3. 在单词和标点符号之间插入空格

def preprocess_nmt(text):
    """预处理"""
    # 使用空格替换不间断空格,(\xa0是拉丁扩展字符集里的字符，代表的是不间断空白符)
    # 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 = ''
    for i,char in enumerate(text):
        if i>0 and char in (',','!','.','?') and text[i-1] !=' ':
            out += ' '
        out +=char
    # 下面是沐神的原代码，我写成上面的感觉比较好理解
#     def no_space(char,prev_char):
#         return char in set(',.!?') and prev_char != ' '
#     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 !

1.2 词元化 tokenization

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', '!']])

# 绘制每个文本序列包含的标记数量的直方图
# 句子的长度都不长，通常小于20
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');

1.3 词汇表（ word embedding）

  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（“”）标记。除此之外，我们还指定了额外的特定标记，例如在小批量时用于将序列填充到相同长度的填充标记（“”），以及序列的开始标记（“”）和结束标记（“”）。这些特殊标记在自然语言处理任务中比较常用。

src_vocab = d2l.Vocab(source, min_freq=2,
                      reserved_tokens=['', '', ''])
len(src_vocab),list(src_vocab.token_to_idx.items())[:10]

(10012,
 [('', 0),
  ('', 1),
  ('', 2),
  ('', 3),
  ('.', 4),
  ('i', 5),
  ('you', 6),
  ('to', 7),
  ('the', 8),
  ('?', 9)])

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“”标记，直到其长度达到统一长度；反之，我们将截断文本序列，只取其前n个标记，并且丢弃剩余的标记。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。
(其实我自己这里有一个问题：我们先添加了末尾的pad标记，在后面又应用了截断操作，那么如果长于我们的限制这个pad肯定就被裁减了，对于这些序列加上这个pad其实是多与的。当然，这并不影响我们的训练，仅仅是我看到这个逻辑的时候产生的小思考)

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] # 截断多余的
    return line +  [padding_token]*(num_steps -len(line)) # 填充缺少的

# 假设num_step为10，填充符号为，对每一句操作
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“”标记添加到所有序列的末尾，用于表示序列的结束。当模型通过一个标记接一个标记地生成序列进行预测时，生成了“”标记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标记，在稍后将要介绍的一些模型会需要这个长度信息。

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] # 加上一个结束标记
    array = torch.tensor([
        truncate_pad(l,num_steps,vocab['']) for l in lines])
    valid_len = (array != vocab['']).type(torch.int32).sum(1) # 保存填充的长度
    return array,valid_len

# 注意eos是3
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))

# 整理数据加载和处理
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()) # 预处理
    source, target = tokenize_nmt(text, num_examples) # 词元化
    src_vocab = d2l.Vocab(source, min_freq=2,
                          reserved_tokens=['', '', ''])
    tgt_vocab = d2l.Vocab(target, min_freq=2,
                          reserved_tokens=['', '', '']) #构建词汇表
    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

1. 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。

2. 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。