机器翻译 数据集 (NLP基础 - 预处理 → tokenize → 词表 → 截断/填充 → 迭代器) + 代码实现 —— 笔记3.9《动手学深度学习》

目录

0. 前言

1. 下载和预处理数据集

2. 词元化 (tokenize)

3. 词表 (Vocab)

4. 加载数据集 (填充/截断)

5. 迭代器 (iterator)

6. 小结

0. 前言

• 课程全部代码（pytorch版）已上传到附件
• 本章节为原书第9章(现代循环网络)，共分为8节，本篇是第5节：机器翻译 与 数据集
• 本节的代码位置为：chapter_recurrent-modern/machine-translation-and-dataset.ipynb
• 本节的视频链接：60 机器翻译数据集【动手学深度学习v2】_哔哩哔哩_bilibili

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

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
    该函数主要完成从指定路径读取“英语－法语”数据集的文本内容，并返回读取到的原始文本数据。
    """
    data_dir = d2l.download_extract('fra-eng')
    with open(os.path.join(data_dir, 'fra.txt'), 'r',
             # os.path.join函数用于拼接文件路径，将数据集目录data_dir和文件名'fra.txt'拼接成完整的文件路
              encoding='utf-8') as f:  # 传入的'r'表示以只读(read)模式打开文件
        return f.read()                # ,encoding指定编码格式为UTF-8，f是对象别名
​
# raw_text = (str) "Go.\tVa !\nHi.\tSalut !\nRun!\tCours!\nRun!\tCourez!\nWho?\tQui?
raw_text = read_data_nmt()
print(raw_text[:75])  # 打印出原始文本的前75个字符

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):
        """
        内部函数功能：判断当前字符是否为特定标点符号，且前一个字符不是空格。
​
        参数：
        - char：当前要判断的字符。
        - prev_char：当前字符的前一个字符。
​
        返回值：
        如果当前字符char是逗号,句号,感叹号,问号中的一个,且其前一个字符prev_char不是空格,返回True; 否则False
        """
        return char in set(',.!?') and prev_char != ' '
​
    # 使用空格替换不间断空格；
    # 使用“lower()”将小写字母替换大写字母；
    # replace()把\u202f、\xa0（这些是不间断空格）替换成空格,
    # 跨语言文本(法语)/爬虫/PDF转格式的数据中常有这些字符
    text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()

    # 在单词和标点符号之间插入空格
    # 如果标点符号前没用空格，则返回' ' + char；如果有空格，则返回标点符char
    out = [' ' + char if i > 0 and no_space(char, text[i - 1]) else char
           for i, char in enumerate(text)]  # enumerate(text)每次迭代会取出'text'中的一个字符的下标i和本身

    # out = {list: 11489286) ['g', 'o', ' .'\t', 'v', 'a', ' ', '!', '\n', 'h', 'i', ' .'...]
    return ''.join(out)  # join()将一个可迭代对象(列表out)中的字符串元素拼接成一个连续的字符串
                         # 用''空字符串来调用join，会将(列表out)中每个元素直接拼在一起，没有空格
​
# 用PyCharm debug调试看到的输入和输出的数据结构：↓
# 输入：raw_text = (str) "Go.\tVa !\nHi.\tSalut !\nRun!\tCours!\nRun!\tCourez!\nWho?\tQui?\..."
# 输出：text = (str) "go .\tva !\nhi .\tsalut !\nrun !\tcours !\nrun !\tcourez !\nwho ?\tqui ?\..."
text = preprocess_nmt(raw_text)
print(text[:80])  # \t - 制表符（Tab）创建整齐的列格式；\n - 换行符（New Line）；方便print()更好看

go .	va !
hi .	salut !
run !	cours !
run !	courez !
who ?	qui ?
wow !	ça alors !

2. 词元化 (tokenize)

与 :numref:sec_language_model (语言模型) 小节中的字符级词元化不同（如果概念不熟，建议复习回顾）， 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化， 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):  # tokenize_nmt函数对前num_examples个文本序列对进行词元化
    """词元化“英语－法语”数据数据集"""
    source, target = [], []
    for i, line in enumerate(text.split('\n')):  # 把超长字符串text按照'\n'分割成列表
        if num_examples and i > num_examples:  # 如果超过了num_examples个文本序列，就直break接跳出for循环
            break
        parts = line.split('\t')  # 再把每一行中的字符串‘英语单词 .\t法语单词 !’再分割成两个元素的列表
        if len(parts) == 2:  # 也就是一个line里有两个元素，一英一法
            source.append(parts[0].split(' '))  # 将英语单词+标点 拼接到source列表中
            target.append(parts[1].split(' '))  # 将法语单词+标点 拼接到target列表中
    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):  # 可以不用太关注，直接看图
    """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);  # 可以看到法语句子相对英语要长一点点

3. 词表 (Vocab)

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,  # Vocab可回顾“文本预处理”小节  # min_freq=2去除词频小于2的词元
                      reserved_tokens=['<pad>', '<bos>', '<eos>'])  # 看传入的reserved_tokens，类似于'<unk>'
len(src_vocab)  # 输入有10012个类                                   # '<pad>', '<bos>', '<eos>'也作为词元

Out[6]:

10012

4. 加载数据集 (填充/截断)

: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):  # 一个小批量中的每个序列都应设为长度num_steps
    """截断或填充文本序列"""
    if len(line) > num_steps:  # 如果序列词元数大于num_steps
        return line[:num_steps]  # 截断，舍去序列末尾多出来的部分
    return line + [padding_token] * (num_steps - len(line))  # 反之则在序列末尾填充“<pad>”词元
​
print(src_vocab['<pad>'])  # 加个简单调试，复习一下：src_vocab['<pad>'] = 1，说明<pad>在词表中的下标值是1
​
truncate_pad(src_vocab[source[0]], 10, src_vocab['<pad>'])
# 给词表对象传入英语list:[source[0]]，也就是['go', '.']，返回每个token在词表中对应的下标，返回的也是list

1

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"""  # 实际上传入的lines是一整个英/法数据集，批量大小=600列
    lines = [vocab[l] for l in lines]  # 把每个小批量lines中的序列l，转为词表中的值(即下标索引)
    lines = [l + [vocab['<eos>']] for l in lines]  # 给每一行l的结尾加上“<eos>”词元在词表中的值
    array = torch.tensor([truncate_pad(  # truncate_pad()就是上方定义的“截断或填充”的函数
        l, num_steps, vocab['<pad>']) for l in lines])  # 对每行l(序列)都执行“截断或填充”；array是1个小批量

    valid_len = (array != vocab['<pad>']).type(torch.int32).sum(1)  # 记录下每个文本序列l的有效长度
    # (array!= vocab['<pad>'])得到与array形状相同的布尔型张量，其中不等于<pad>的元素就为 True，否则为 False
    # sum(1)沿着dim=1求和，看array这个小批量中，每行l中的True的个数，即每行l文本序列的有效长度

    return array, valid_len  # 返回小批量(都是数字)，和小批量中每个样本序列的长度
    # 小批量array的形状：（批量大小，时间步数量），valid_len的形状：（批量大小，）

5. 迭代器 (iterator)

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())  # preprocess_nmt()预处理；read_data_nmt()下载到的数据
    source, target = tokenize_nmt(text, num_examples)  # 词元化，只取前600组文本序列样本，就是600对英 & 法
    src_vocab = d2l.Vocab(source, min_freq=2,
                          reserved_tokens=['<pad>', '<bos>', '<eos>'])  # 做成英语(源)词表
    tgt_vocab = d2l.Vocab(target, min_freq=2,
                          reserved_tokens=['<pad>', '<bos>', '<eos>'])  # 做成法语(目标)词表

    # build_array_nmt()组合了多个函数，包括：
    # 将数据集转为词表中的值 + 给每一行样本序列l的结尾加上“<eos>”+ 截断或填充 + 算每一行样本长度
    src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps)  # src_array = (600, num_steps)
    tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps)  # tgt_valid_len = (600,)

    data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len)  # 四个元素第dim=0维都是600，放到一起
    data_iter = d2l.load_array(data_arrays, batch_size)  # 根据批量大小做成迭代器
    return data_iter, src_vocab, tgt_vocab  # 除了返回迭代器data_iter，还返回英(源) + 法语(目标)两个词表

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:  # 调试看看迭代器中，一个batch里有啥；有四样东西
    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([[ 65,  15,   5,   3,   1,   1,   1,   1],
        [  7, 148,   4,   3,   1,   1,   1,   1]], dtype=torch.int32)
X的有效长度: tensor([4, 4])
Y: tensor([[  0,   5,   3,   1,   1,   1,   1,   1],
        [ 10, 159,   4,   3,   1,   1,   1,   1]], dtype=torch.int32)
Y的有效长度: tensor([3, 4])

6. 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。