机器翻译与数据集¶

:label:sec_machine_translation

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（sequence transduction）的核心问题。序列转换模型在各类现代人工智能应用中发挥着至关重要的作用，因此我们将其做为本章剩余部分和 :numref:chap_attention的重点。为此，本节将介绍机器翻译问题及其后文需要使用的数据集。

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 :cite: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。

本书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。与 :numref:sec_language_model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，我们看一下如何将预处理后的数据加载到小批量中用于训练。

In [1]:

import os
        import torch
        from d2l import torch as d2l

[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。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）。

In [2]:

#@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',
                     encoding='utf-8') as f:
                return f.read()
        
        raw_text = read_data_nmt()
        print(raw_text[:75])

Downloading ../data/fra-eng.zip from http://d2l-data.s3-accelerate.amazonaws.com/fra-eng.zip...
        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（non-breaking space），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。

In [3]:

#@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 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 !

[词元化]¶

与 :numref:sec_language_model中的字符级词元化不同，在机器翻译中，我们更喜欢单词级词元化（最先进的模型可能使用更高级的词元化技术）。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。此函数返回两个词元列表：source和target： source[i]是源语言（这里是英语）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。

In [4]:

#@save
        def tokenize_nmt(text, num_examples=None):
            """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:
                    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]

Out[4]:

([\['go', '.'],
          ['hi', '.'],
          ['run', '!'],
          ['run', '!'],
          ['who', '?'],
          ['wow', '!']\],
         [\['va', '!'],
          ['salut', '!'],
          ['cours', '!'],
          ['courez', '!'],
          ['qui', '?'],
          ['ça', 'alors', '!']\])

让我们[绘制每个文本序列所包含的词元数量的直方图]。在这个简单的“英－法”数据集中，大多数文本序列的词元数量少于$20$个。

In [5]:

#@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);

No description has been provided for this image

[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，这里我们将出现次数少于2次的低频率词元视为相同的未知（“<unk>”）词元。除此之外，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>”）。这些特殊词元在自然语言处理任务中比较常用。

In [6]:

src_vocab = d2l.Vocab(source, min_freq=2,
                              reserved_tokens=['<pad>', '<bos>', '<eos>'])
        len(src_vocab)

Out[6]:

加载数据集¶

:label:subsec_mt_data_loading

回想一下，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 :numref:sec_language_model中的 num_steps（时间步数或词元数量）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num_steps，那么如果文本序列的词元数目少于num_steps时，我们将继续在其末尾添加特定的“<pad>”词元，直到其长度达到num_steps；反之，我们将截断文本序列时，只取其前num_steps 个词元，并且丢弃剩余的词元。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。

如前所述，下面的truncate_pad函数将(截断或填充文本序列)。

In [7]:

#@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
        
        truncate_pad(src_vocab[source[0]\], 10, src_vocab['<pad>'])

Out[7]:

[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“<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词元，在稍后将要介绍的一些模型会需要这个长度信息。

In [8]:

#@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)
            return array, valid_len

[训练模型]¶

最后，我们定义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。

In [9]:

#@save
        def load_data_nmt(batch_size, num_steps, num_examples=600):
            """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_freq=2,
                                  reserved_tokens=['<pad>', '<bos>', '<eos>'])
            tgt_vocab = d2l.Vocab(target, min_freq=2,
                                  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

下面我们[读出“英语－法语”数据集中的第一个小批量数据]。

In [10]:

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('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

X: tensor([\[ 7, 43,  4,  3,  1,  1,  1,  1],
                [44, 23,  4,  3,  1,  1,  1,  1]\], dtype=torch.int32)
        X的有效长度: tensor([4, 4])
        Y: tensor([\[ 6,  7, 40,  4,  3,  1,  1,  1],
                [ 0,  5,  3,  1,  1,  1,  1,  1]\], dtype=torch.int32)
        Y的有效长度: tensor([5, 3])

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。
使用单词级词元化时的词表大小，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，我们可以将低频词元视为相同的未知词元。
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表大小有何影响？
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，单词级词元化仍然是个好主意吗？为什么？