第11篇 Fast AI深度学习课程——机器翻译

本文主要是介绍第11篇 Fast AI深度学习课程——机器翻译，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在上节课程中，我们使用语言模型对IMDB影评进行了情感分析。对于语言模型而言，使用的神经网络是一个seq2seq的网络，即输入和输出均为序列；每输入一个单词，就需输出一个单词，因此输入输出的序列长度是一致的。对于影评分析，是一个由字词序列得到单一分类结果的网络，即为seq2one的网络。本节将介绍由法语到英语的机器翻译，该类型网络也是seq2seq，但与语言模型不同之处在于，其在读入整个字符序列后，再输出另一个字符序列，两个序列长度可不一致，而序列之间的字词也没有一一对应的关系。(关于RNN的分类情况，可参见CS231n的相关内容。)

本节秉承了本系列课程自顶而下的学习思路，在前一节的基础上(前一节主要还是在FastAI的代码基础上进行网络的构建)，将从底层开始实现用于机器学习的网络。

一、数据

1. 构建词库

本课所用数据为某网站的法语版和英语版的文章，运行如下命令进行下载：

wget http://www.statmt.org/wmt10/training-giga-fren.tar
tar -xvf training-giga-fren.tar
gunzip giga-fren.release2.fixed.en.gz
gunzip giga-fren.release2.fixed.fr.gz

数据压缩包为2.5G，可能得下个把小时。为简化问题，我们将在数据集的问句集合上进行讨论，具体而言，就是英文句库中以what、where、which、when开头的语句。筛选后所得语句大致为52000条。

对语句进行分词。在对法语进行分词前，可能需要下载spacy的法语支持数据包：

python -m spacy download fr

分词代码如下：

en_tok = Tokenizer.proc_all_mp(partition_by_cores(en_qs))
fr_tok = Tokenizer.proc_all_mp(partition_by_cores(fr_qs), 'fr')

分词后，所得英文序列的90%在23个词以内，发文序列90%在28个词以内。接下来构建词库。注意按照词频进行筛选，并补充特殊字词：_bos_、_pad_、_unk_、_eos_。

得到词库后，将字词数字化。这一步的转化是用fasttext包的词向量实现的。转化后，每个字词使用300维的向量标识。词向量下载：

wget https://s3-us-west-1.amazonaws.com/fasttext-vectors/wiki.fr.zip
wget https://s3-us-west-1.amazonaws.com/fasttext-vectors/wiki.en.zip

得下好长时间。

2. 构建数据模型

首先构建适合seq2seq网络的Dataset。由上节课已知，Dataset实际为一个索引类，其只需实现__getitem__()和__len__()函数：

class Seq2SeqDataset(Dataset):def __init__(self, x, y): self.x,self.y = x,ydef __getitem__(self, idx): return A(self.x[idx], self.y[idx])def __len__(self): return len(self.x)
np.random.seed(42)
trn_keep = np.random.rand(len(en_ids_tr))>0.1
en_trn,fr_trn = en_ids_tr[trn_keep],fr_ids_tr[trn_keep]
en_val,fr_val = en_ids_tr[~trn_keep],fr_ids_tr[~trn_keep]
trn_ds = Seq2SeqDataset(fr_trn,en_trn)
val_ds = Seq2SeqDataset(fr_val,en_val)

然后由Dataset构建数据加载器Dataloader，这一部分与上一节大致相同。不同之处在于对文本序列进行补齐时，本例中是在序列末尾补齐，而分类网络是在序列开头补齐。这里的直观理解是：在分类网络里，对于一个批次中的最长文本，那么在读完文本后再做判定是合适的；而对短文本，如果在末端补齐，则填充的无意义字符会极大影响分类结果。在翻译网络中，我们只关心句子结束符之前的内容，这一部分要尽量减少填充字符的影响，因此在句子末尾补齐是合适的。

bs=125
trn_samp = SortishSampler(en_trn, key=lambda x: len(en_trn[x]), bs=bs)
val_samp = SortSampler(en_val, key=lambda x: len(en_val[x]))
trn_dl = DataLoader(trn_ds, bs, transpose=True, transpose_y=True, num_workers=1, pad_idx=1, pre_pad=False, sampler=trn_samp)
val_dl = DataLoader(val_ds, int(bs*1.6), transpose=True, transpose_y=True, num_workers=1, pad_idx=1, pre_pad=False, sampler=val_samp)

由数据加载器构建ModelData。事实上，Model Data就是整合训练集、验证集、可选的测试集，并提供可用于临时存储的路径。

md = ModelData(PATH, trn_dl, val_dl)

二、网络架构

翻译网络的结构如下图所示。整个流程为：将一种语言的语句通过一个Encoder网络，获得最终的一个表征语句句法结构等特征的隐藏状态向量，以之为下一个Decoder网络的初始隐藏状态，并以_bos_为初始输入，按照训练语言模型时的方式，一步一词地生成另一语言的完整语句。

class Seq2SeqRNN(nn.Module):def __init__(self, vecs_enc, itos_enc, em_sz_enc, vecs_dec, itos_dec, em_sz_dec, nh, out_sl, nl=2):super().__init__()self.nl,self.nh,self.out_sl = nl,nh,out_slself.emb_enc = create_emb(vecs_enc, itos_enc, em_sz_enc)self.emb_enc_drop = nn.Dropout(0.15)self.gru_enc = nn.GRU(em_sz_enc, nh, num_layers=nl, dropout=0.25)self.out_enc = nn.Linear(nh, em_sz_dec, bias=False)self.emb_dec = create_emb(vecs_dec, itos_dec, em_sz_dec)self.gru_dec = nn.GRU(em_sz_dec, em_sz_dec, num_layers=nl, dropout=0.1)self.out_drop = nn.Dropout(0.35)self.out = nn.Linear(em_sz_dec, len(itos_dec))self.out.weight.data = self.emb_dec.weight.datadef forward(self, inp):sl,bs = inp.size()h = self.initHidden(bs)emb = self.emb_enc_drop(self.emb_enc(inp))enc_out, h = self.gru_enc(emb, h)h = self.out_enc(h)dec_inp = V(torch.zeros(bs).long())res = []for i in range(self.out_sl):emb = self.emb_dec(dec_inp).unsqueeze(0)outp, h = self.gru_dec(emb, h)outp = self.out(self.out_drop(outp[0]))res.append(outp)dec_inp = V(outp.data.max(1)[1])if (dec_inp==1).all(): breakreturn torch.stack(res)def initHidden(self, bs): return V(torch.zeros(self.nl, bs, self.nh))

注意forward()函数。其中``Decoder的输入dec_inp初始化为0，即bos的索引值；Decoder的初始隐藏状态为Encoder的输出；outp`表示在词库中所有词上的概率。

值得说明的要点如下：

1. Encoder的内嵌矩阵

使用fast.text提供的词向量矩阵作为内嵌矩阵。由于fast.text的词向量矩阵的标准差为0.3，为得到大致满足高斯分布的内嵌矩阵，需要乘以系数3。

2. 如何确定目标语句完结

首先统计一个目标语言的最长语句长度。然后以这个长度为终值做循环，直至结束或输出_pad_。

三、损失函数

损失函数使用的是交互熵函数。由于生成的翻译语句可能和目标语句长度不一致，所以可能需要做填充。所使用的Pytorch的pad函数，其需要六个参数，分别指明了在次序列方向、批索引方向的填充的头尾起始位置以及长度。

def seq2seq_loss(input, target):sl,bs = target.size()sl_in,bs_in,nc = input.size()if sl>sl_in: input = F.pad(input, (0,0,0,0,0,sl-sl_in))input = input[:sl]return F.cross_entropy(input.view(-1,nc), target.view(-1))#, ignore_index=1)

四、一些技巧

1. 双向训练设置

一般设置Encoder的bidirectional=True，而不对Decoder做双向设置。这样，网络会同时在输入序列的倒序序列上训练得到相应的隐藏状态。

2. 初始阶段的强制校正

考虑训练初始时，网络对两种语言还未学习到有效信息，此时Decoder的每一步输出的单词都是随机的，从而导致后续输出远偏离于真值。而如果此时强制以正确的目标语句进行Decoder状态的推进，可有效提高网络收敛的速度。(这实际和GAN的策略很接近。)实际应用中，设置pr_force参数，当预测出的词的概率低于pr_force时，就采取强制校正措施。然后逐渐缩小pr_force，减弱强制校正的力度。

在前向传播中加入强制校正还是挺直观的，修改Seq2SeqRNN的forward()函数：

    def forward(self, inp, y=None):sl,bs = inp.size()h = self.initHidden(bs)emb = self.emb_enc_drop(self.emb_enc(inp))enc_out, h = self.gru_enc(emb, h)h = self.out_enc(h)dec_inp = V(torch.zeros(bs).long())res = []for i in range(self.out_sl):emb = self.emb_dec(dec_inp).unsqueeze(0)outp, h = self.gru_dec(emb, h)outp = self.out(self.out_drop(outp[0]))res.append(outp)dec_inp = V(outp.data.max(1)[1])if (dec_inp==1).all(): breakif (y is not None) and (random.random()<self.pr_force):if i>=len(y): breakdec_inp = y[i]return torch.stack(res)

注意和pr_force相关的那一行。

那么如何加入使得pr_force逐步减小的机制呢？实际上控制epoch之间的循环的是fit()函数，在其定义中，调用了stepper.step()，该函数实现了模型的前向传播、损失函数的计算、梯度的反向传播等。因此只需定义一个新的stepper，重写其step()函数，实现pr_force的逐步减小即可。

class Seq2SeqStepper(Stepper):def step(self, xs, y, epoch):self.m.pr_force = (10-epoch)*0.1 if epoch<10 else 0return super.step(xs, y, epoch)

在调用learner.fit()时，指明stepper=Seq2SeqStepper。

3. 注意力模型

Encoder不仅输出了最后一步的隐藏状态，还保存了前面步骤的隐藏状态。如果能够在输出目标语言的某个字词时，在源语言的语句中找到与之最相关的部分，然后对该相关部分的隐藏状态进行加权求和，并传递到Decoder中，那么Decoder所获取的信息就更全面，应当能够改善翻译效果。而这种加权信息，可以通过一个小型网络得到。

def forward(self, inp, y=None, ret_attn=False):sl,bs = inp.size()h = self.initHidden(bs)emb = self.emb_enc_drop(self.emb_enc(inp))enc_out, h = self.gru_enc(emb, h)h = self.out_enc(h)dec_inp = V(torch.zeros(bs).long())res,attns = [],[]w1e = enc_out @ self.W1for i in range(self.out_sl):w2h = self.l2(h[-1])u = F.tanh(w1e + w2h)a = F.softmax(u @ self.V, 0)attns.append(a)Xa = (a.unsqueeze(2) * enc_out).sum(0)emb = self.emb_dec(dec_inp)wgt_enc = self.l3(torch.cat([emb, Xa], 1))outp, h = self.gru_dec(wgt_enc.unsqueeze(0), h)outp = self.out(self.out_drop(outp[0]))res.append(outp)dec_inp = V(outp.data.max(1)[1])if (dec_inp==1).all(): breakif (y is not None) and (random.random()<self.pr_force):if i>=len(y): breakdec_inp = y[i]res = torch.stack(res)if ret_attn: res = res,torch.stack(attns)return res

五、更广泛的应用实例

附注

• 若一个python代码包的git库中，包含setup.py和requirements.txt，那么可通过如下命令进行安装：pip install git+https://github.com/facebookresearch/fastText.git。
• 一个小技巧：对于网络，可以使用to_gpu()函数替代model.cuda()方法，这样在没有GPU时，会自动使用CPU进行计算。在调试时，可通过设置fastai.core.GPU为False，以提供方便。

一些有用的链接

• 课程wiki: 本节课程的一些相关资源，包括课程笔记、课上提到的博客地址等。

• 注意力模型在机器翻译中的应用: 首次引入注意力模型的论文。

• 注意力模型的博客: 博客很有意思，还支持用户交互。

这篇关于第11篇 Fast AI深度学习课程——机器翻译的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---