N6、seq2seq翻译实战-Pytorch复现

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊 | 接辅导、项目定制

📌 本周任务：

• 结合训练中N5周的内容理解本文代码

数据：链接

一、前期准备工作¶

0、导入包¶

 

In [1]:

from __future__ import unicode_literals, print_function, division
from io import open
import unicodedata
import string
import re
import random

import torch
import torch.nn as nn
from torch import optim
import torch.nn.functional as F

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

 

 

cuda

 

 

1、构建语言类¶

定义了两个常量 SOS_token 和 EOS_token，其分别代表序列的开始和结束。 Lang 类，用于方便对语料库进行操作：

• word2index 是一个字典，将单词映射到索引
• word2count 是一个字典，记录单词出现的次数
• index2word 是一个字典，将索引映射到单词
• n_words 是单词的数量，初始值为 2，因为序列开始和结束的单词已经被添加

addSentence 方法用于向 Lang 类中添加一个句子，它会调用 addWord 方法将句子中的每个单词添加到 Lang 类中

addWord 方法将单词添加到 word2index、word2count 和 index2word 字典中，并对 n_words 进行更新。如果单词已经存在于 word2index 中，则将 word2count 中对应的计数器加 1

 

In [2]:

SOS_token = 0
EOS_token = 1

# 语言类，方便对语料库进行操作
class Lang:
    def __init__(self, name):
        self.name = name
        self.word2index = {}
        self.word2count = {}
        self.index2word = {0: "SOS", 1: "EOS"}
        self.n_words    = 2  # Count SOS and EOS

    def addSentence(self, sentence):
        for word in sentence.split(' '):
            self.addWord(word)

    def addWord(self, word):
        if word not in self.word2index:
            self.word2index[word] = self.n_words
            self.word2count[word] = 1
            self.index2word[self.n_words] = word
            self.n_words += 1
        else:
            self.word2count[word] += 1

 

 

2、文本处理函数¶

这部分的代码是对字符串进行预处理： unicodeToAscii 函数，使用了 Python 的 unicodedata 模块

• 通过 normalize 方法将字符串 s 转换为 Unicode 规范化形式 NFD
• 使用 list comprehension 和条件判断语句过滤掉了 unicodedata.category(c) 为 'Mn' 的字符

“Mn”（即“Nonspacing_Mark”）是表示“非间隔标记”的字符类别之一，“非间隔标记”是指那些不会独立显示的标记或符号，它们通常附加在其他字符上面以改变该字符的发音或外观。例如，重音符号（如“é”中的“´”）和分音符号（如“ā”中的“ˉ”）就属于“非间隔标记”。

• 剩下的字符通过join组成了一个新的字符串

normalizeString 函数：

• 将字符串 s 转换为小写字母形式，并去除首尾空格，随后将字符串输入unicodeToAscii 函数
• 通过正则表达式替换，将句子中的标点符号（'.'、'!'、'?'）前添加一个空格
• 将非字母符号替换为空格
• 最后返回处理后的字符串 s

 

In [3]:

def unicodeToAscii(s):
    return ''.join(
        c for c in unicodedata.normalize('NFD', s)
        if unicodedata.category(c) != 'Mn'
    )

# 小写化，剔除标点与非字母符号
def normalizeString(s):
    s = unicodeToAscii(s.lower().strip())
    s = re.sub(r"([.!?])", r" \1", s)
    s = re.sub(r"[^a-zA-Z.!?]+", r" ", s)
    return s

 

 

3、文件读取函数¶

接受两个参数 lang1 和 lang2，分别表示要读取的语言

函数使用 Python 的 open 函数读取指定的文件，文件名格式为“lang1-lang2.txt”，以行为单位读取文件内容，并使用 strip 方法去掉每行末尾的换行符。接着，使用 split 方法将文本按照换行符分割成一个字符串列表 lines。

对于列表 lines 中的每一行，使用 split 方法将其按照制表符分割成两个元素，分别表示 A 语言文本和 B 语言文本。对于每个元素，调用 normalizeString 函数进行预处理，并将处理后的 A 语言文本和 B 语言文本组成一个新的列表 pairs。

参数 reverse 的值，创建 input_lang 和 output_lang 两个 Lang 类的实例，分别表示输入语言和输出语言。如果 reverse 为 True，则将 pairs 列表中的每个元素反转，并将 input_lang 和 output_lang 交换。最后，返回 input_lang、output_lang 和 pairs 三个值。

其实举个例子可以方便理解，比如文件为eng-fra.txt，对应的lang1：eng、lang2：fra。我们按照行读取数据，随便抽一行：I see. Je comprends.，中间使用制表符 '\t' 分割，读取会将这一行放入列表的同一行，随后使用normalizeString 函数进行处理，将处理后的I see.和Je comprends.组成一个新的列表 pairs。如果 reverse 为 False，则 input_lang 对象对应 lang1 表示的源语言，output_lang 对象对应 lang2 表示的目标语言。

 

In [8]:

def readLangs(lang1, lang2, reverse=False):
    print("Reading lines...")

    # 以行为单位读取文件
    lines = open('data/%s-%s.txt'%(lang1,lang2), encoding='utf-8').\
            read().strip().split('\n')

    # 将每一行放入一个列表中
    # 一个列表中有两个元素，A语言文本与B语言文本
    pairs = [[normalizeString(s) for s in l.split('\t')] for l in lines]

    # 创建Lang实例，并确认是否反转语言顺序
    if reverse:
        pairs       = [list(reversed(p)) for p in pairs]
        input_lang  = Lang(lang2)
        output_lang = Lang(lang1)
    else:
        input_lang  = Lang(lang1)
        output_lang = Lang(lang2)

    return input_lang, output_lang, pairs

 

 

下面代码的作用是对语料库中的文本数据进行筛选，保留符合条件的文本数据。

def filterPair(p)：定义函数 filterPair，它接收一个元组 p，该元组包含两个字符串，分别表示源语言和目标语言。

return len(p[0].split(' ')) < MAX_LENGTH and len(p[1].split(' ')) < MAX_LENGTH and p[1].startswith(eng_prefixes)：会检查源语言和目标语言的单词数是否都小于 MAX_LENGTH，并且目标语言是否以 eng_prefixes 中的任意一个前缀开头。通过返回一个布尔值，表示是否满足过滤条件。

def filterPairs(pairs)：定义函数 filterPairs，它接收一个列表 pairs，其中每个元素都是一个元组，表示源语言和目标语言的字符串。

return [pair for pair in pairs if filterPair(pair)]:遍历 pairs 列表中的每个元素，对每个元素调用函数 filterPair 进行判断，如果返回值为 True，则将该元素加入到返回列表中。

 

In [7]:

MAX_LENGTH = 10      # 定义语料最长长度

eng_prefixes = (
    "i am ", "i m ",
    "he is", "he s ",
    "she is", "she s ",
    "you are", "you re ",
    "we are", "we re ",
    "they are", "they re "
)

def filterPair(p):
    return len(p[0].split(' ')) < MAX_LENGTH and \
           len(p[1].split(' ')) < MAX_LENGTH and p[1].startswith(eng_prefixes)
            # .startswith(eng_prefixes) 是字符串方法 startswith() 的调用
            # 它用于检查一个字符串是否以指定的前缀开始。

def filterPairs(pairs):
    # 选取仅仅包含 eng_prefixes 开头的语料
    return [pair for pair in pairs if filterPair(pair)]

 

 

调用上面的函数读取数据

 

In [9]:

def prepareData(lang1, lang2, reverse=False):
    # 读取文件中的数据
    input_lang, output_lang, pairs = readLangs(lang1, lang2, reverse)
    print("Read %s sentence pairs" % len(pairs))
    
    # 按条件选取语料
    pairs = filterPairs(pairs[:])
    print("Trimmed to %s sentence pairs" % len(pairs))
    print("Counting words...")
    
    # 将语料保存至相应的语言类
    for pair in pairs:
        input_lang.addSentence(pair[0])
        output_lang.addSentence(pair[1])
        
    # 打印语言类的信息    
    print("Counted words:")
    print(input_lang.name, input_lang.n_words)
    print(output_lang.name, output_lang.n_words)
    return input_lang, output_lang, pairs

input_lang, output_lang, pairs = prepareData('eng', 'fra', True)
print(random.choice(pairs))

 

 

Reading lines...
Read 135842 sentence pairs
Trimmed to 10599 sentence pairs
Counting words...
Counted words:
fra 4345
eng 2803
['il est deja la .', 'he is already here .']

 

 

二、Seq2Seq 模型¶

1. 编码器（Encoder）¶

def init(self, input_size, hidden_size)：定义了EncoderRNN类的初始化函数，该函数接受两个参数input_size和hidden_size，分别表示输入向量的大小和隐藏状态向量的大小

• self.hidden_size = hidden_size: 定义了EncoderRNN类的一个实例变量hidden_size，表示隐藏状态向量的大小。
• self.embedding = nn.Embedding(input_size, hidden_size): 定义了一个nn.Embedding实例，用于将输入向量映射到一个hidden_size维的向量空间中。
• self.gru = nn.GRU(hidden_size, hidden_size): 定义了一个nn.GRU实例，用于实现循环神经网络的计算过程。

nn.GRU是PyTorch中的一个循环神经网络（RNN）模块，用于实现Gated Recurrent Unit（GRU）算法。GRU是一种流行的循环神经网络架构，它能够有效地处理序列数据，特别是在长序列和梯度消失的情况下。

def forward(self, input, hidden):：定义了EncoderRNN类的前向传播函数，该函数接受两个参数input和hidden，分别表示输入向量和隐藏状态向量

• embedded = self.embedding(input).view(1, 1, -1): 将输入向量input通过embedding层映射到hidden_size维的向量空间中，并将其形状调整为(1,1,-1)

nn.Embedding层将输入序列中的每个整数x映射为一个大小为hidden_size的向量，这个向量表示x在词嵌入空间中的位置。因此，self.embedding(input)的输出是一个大小为(N, hidden_size)的张量，其中第i行表示输入序列中第i个单词的词嵌入向量。 在self.embedding(input).view(1, 1, -1)中，.view操作将这个大小为(N, hidden_size)的张量变形为一个大小为(1, 1, N*hidden_size)的张量，以适应nn.GRU层的输入形状。

• output = embedded: 将embedded赋值给output
• output, hidden = self.gru(output, hidden): 将output和hidden作为输入传入GRU模型中进行计算，得到输出output和更新后的隐藏状态hidden

def initHidden(self):：定义了EncoderRNN类的一个辅助函数initHidden

• return torch.zeros(1, 1, self.hidden_size, device=device): 返回一个大小为(1,1,self.hidden_size)的全零张量，表示初始的隐藏状态向量。

 

In [17]:

class EncoderRNN(nn.Module):
    def __init__(self, input_size, hidden_size):
        super(EncoderRNN, self).__init__()
        self.hidden_size = hidden_size
        self.embedding   = nn.Embedding(input_size, hidden_size)
        self.gru         = nn.GRU(hidden_size, hidden_size)

    def forward(self, input, hidden):
        embedded       = self.embedding(input).view(1, 1, -1)
        output         = embedded
        output, hidden = self.gru(output, hidden)
        return output, hidden

    def initHidden(self):
        return torch.zeros(1, 1, self.hidden_size, device=device)

 

 

EncoderRNN类将输入的一个整数序列（input）映射到一个固定长度的向量（hidden state），以表示该序列的语义信息。其中，input_size表示输入序列的词汇大小，hidden_size表示隐藏层状态的大小。

类中的forward方法是该模型的前向传播函数，它将输入序列和隐藏状态作为输入，返回输出序列和隐藏状态。在该方法中，首先将输入序列通过nn.Embedding层进行词嵌入，然后通过nn.GRU层进行循环神经网络的计算，最终返回输出序列和隐藏状态。

类中的initHidden方法是用于初始化隐藏状态的函数，它返回一个大小为(1,1,hidden_size)的张量，用于表示隐藏状态。

2、解码器（Decoder）¶

这里是不带注意力机制的解码器 init(self, hidden_size, output_size)，接收两个参数hidden_size和output_size：

• self.hidden_size：隐藏层状态的大小
• self.embedding：一个nn.Embedding层，用于将输出序列中的每个整数映射为一个大小为hidden_size的向量
• self.gru：一个nn.GRU层，用于进行循环神经网络的计算
• self.out：一个nn.Linear层，用于将GRU的输出映射为输出序列中每个单词的概率分布
• self.softmax：一个nn.LogSoftmax层，用于进行softmax归一化操作

forward(self, input, hidden)：

• 首先将输入序列中的一个整数input通过nn.Embedding层进行词嵌入，并通过view函数将其变形为一个形状为(1,1,-1)的张量
• 然后通过ReLU激活函数进行非线性变换
• 将词嵌入向量和隐藏状态hidden作为输入，通过nn.GRU层进行循环神经网络的计算。得到输出output和更新后的隐藏状态hidden
• output通过output[0]操作将大小为(1,1,hidden_size)的张量变为了大小为(1,hidden_size)的向量，然后通过self.out层进行线性变换，得到一个大小为(1,output_size)的向量，通过nn.LogSoftmax层进行softmax归一化操作，得到输出序列中每个单词的概率分布。

initHidden(self)：

• 定义了一个用于初始化隐藏状态的函数initHidden，该函数返回一个大小为(1,1,hidden_size)的张量，用于表示隐藏状态。

 

In [10]:

class DecoderRNN(nn.Module):
    def __init__(self, hidden_size, output_size):
        super(DecoderRNN, self).__init__()
        self.hidden_size = hidden_size
        self.embedding   = nn.Embedding(output_size, hidden_size)
        self.gru         = nn.GRU(hidden_size, hidden_size)
        self.out         = nn.Linear(hidden_size, output_size)
        self.softmax     = nn.LogSoftmax(dim=1)

    def forward(self, input, hidden):
        output         = self.embedding(input).view(1, 1, -1)
        output         = F.relu(output)
        output, hidden = self.gru(output, hidden)
        output         = self.softmax(self.out(output[0]))
        return output, hidden

    def initHidden(self):
        return torch.zeros(1, 1, self.hidden_size, device=device)

 

 

DecoderRNN类也将输入的一个整数序列（input）映射到一个固定长度的向量（hidden state），以表示该序列的语义信息。其中，hidden_size表示隐藏层状态的大小，output_size表示输出序列的词汇大小。

三、训练模型¶

1、数据预处理¶

包含了三个函数，用于将输入的自然语言文本序列进行数字化处理，并将其转换为PyTorch张量数据

• indexesFromSentence函数接收两个参数lang和sentence，其中lang表示语言对象，sentence表示待处理的自然语言文本序列。该函数的作用是将输入的自然语言文本序列按照空格进行分割，并通过语言对象中的word2index属性获取每个单词的索引值，最后返回一个包含所有单词索引的列表。
• tensorFromSentence函数接收两个参数lang和sentence，其中lang表示语言对象，sentence表示待处理的自然语言文本序列。该函数的作用是将输入的自然语言文本序列数字化，并将其转换为一个PyTorch张量数据。具体来说，该函数首先调用indexesFromSentence函数将自然语言文本序列数字化，然后在列表末尾添加EOS_token（表示序列结束的特殊字符）的索引值，最后通过torch.tensor函数将数字化后的列表转换为一个PyTorch张量，数据类型为long，设备为device，并通过view函数将张量形状变为(-1,1)。
• tensorsFromPair函数接收一个参数pair，其中pair是一个包含两个自然语言文本序列的元组。该函数的作用是将输入的自然语言文本序列数字化，并将其转换为一个PyTorch张量数据对(input_tensor, target_tensor)。具体来说，该函数首先调用tensorFromSentence函数将输入和目标自然语言文本序列分别数字化，然后将它们组成一个元组返回。

 

In [12]:

# 将文本数字化，获取词汇index
def indexesFromSentence(lang, sentence):
    return [lang.word2index[word] for word in sentence.split(' ')]

# 将数字化的文本，转化为tensor数据
def tensorFromSentence(lang, sentence):
    indexes = indexesFromSentence(lang, sentence)
    indexes.append(EOS_token)
    return torch.tensor(indexes, dtype=torch.long, device=device).view(-1, 1)

# 输入pair文本，输出预处理好的数据
def tensorsFromPair(pair):
    input_tensor  = tensorFromSentence(input_lang, pair[0])
    target_tensor = tensorFromSentence(output_lang, pair[1])
    return (input_tensor, target_tensor)

 

 

2、训练函数¶

在序列生成的任务中，如机器翻译或文本生成，解码器（decoder）的输入通常是由解码器自己生成的预测结果，即前一个时间步的输出。然而，这种自回归方式可能存在一个问题，即在训练过程中，解码器可能会产生累积误差，并导致输出与目标序列逐渐偏离。

为了解决这个问题，引入了一种称为"Teacher Forcing"的技术。在训练过程中，Teacher Forcing将目标序列的真实值作为解码器的输入，而不是使用解码器自己的预测结果。这样可以提供更准确的指导信号，帮助解码器更快地学习到正确的输出。

在这段代码中，use_teacher_forcing变量用于确定解码器在训练阶段使用何种策略作为下一个输入。

当use_teacher_forcing为True时，采用"Teacher Forcing"的策略，即将目标序列中的真实标签作为解码器的下一个输入。而当use_teacher_forcing为False时，采用"Without Teacher Forcing"的策略，即将解码器自身的预测作为下一个输入。

使用use_teacher_forcing的目的是在训练过程中平衡解码器的预测能力和稳定性。以下是对两种策略的解释：

1. Teacher Forcing: 在每个时间步（di循环中），解码器的输入都是目标序列中的真实标签。这样做的好处是，解码器可以直接获得正确的输入信息，加快训练速度，并且在训练早期提供更准确的梯度信号，帮助解码器更好地学习。然而，过度依赖目标序列可能会导致模型过于敏感，一旦目标序列中出现错误，可能会在解码器中产生累积的误差。

2. Without Teacher Forcing: 在每个时间步，解码器的输入是前一个时间步的预测输出。这样做的好处是，解码器需要依靠自身的预测能力来生成下一个输入，从而更好地适应真实应用场景中可能出现的输入变化。这种策略可以提高模型的稳定性，但可能会导致训练过程更加困难，特别是在初始阶段。

一般来说，Teacher Forcing策略在训练过程中可以帮助模型快速收敛，而Without Teacher Forcing策略则更接近真实应用中的生成场景。通常会使用一定比例的Teacher Forcing，在训练过程中逐渐减小这个比例，以便模型逐渐过渡到更自主的生成模式。

综上所述，通过使用use_teacher_forcing来选择不同的策略，可以在训练解码器时平衡模型的预测能力和稳定性，同时也提供了更灵活的生成模式选择。

 

In [13]:

teacher_forcing_ratio = 0.5

def train(input_tensor, target_tensor, 
          encoder, decoder, 
          encoder_optimizer, decoder_optimizer, 
          criterion, max_length=MAX_LENGTH):
    
    # 编码器初始化
    encoder_hidden = encoder.initHidden()
    
    # grad属性归零
    encoder_optimizer.zero_grad()
    decoder_optimizer.zero_grad()

    input_length  = input_tensor.size(0)
    target_length = target_tensor.size(0)
    
    # 用于创建一个指定大小的全零张量（tensor），用作默认编码器输出
    encoder_outputs = torch.zeros(max_length, encoder.hidden_size, device=device)

    loss = 0
    
    # 将处理好的语料送入编码器
    for ei in range(input_length):
        encoder_output, encoder_hidden = encoder(input_tensor[ei], encoder_hidden)
        encoder_outputs[ei]            = encoder_output[0, 0]
    
    # 解码器默认输出
    decoder_input  = torch.tensor([[SOS_token]], device=device)
    decoder_hidden = encoder_hidden

    use_teacher_forcing = True if random.random() < teacher_forcing_ratio else False
    
    # 将编码器处理好的输出送入解码器
    if use_teacher_forcing:
        # Teacher forcing: Feed the target as the next input
        for di in range(target_length):
            decoder_output, decoder_hidden = decoder(decoder_input, decoder_hidden)
            
            loss         += criterion(decoder_output, target_tensor[di])
            decoder_input = target_tensor[di]  # Teacher forcing
    else:
        # Without teacher forcing: use its own predictions as the next input
        for di in range(target_length):
            decoder_output, decoder_hidden = decoder(decoder_input, decoder_hidden)
            
            topv, topi    = decoder_output.topk(1)
            decoder_input = topi.squeeze().detach()  # detach from history as input

            loss         += criterion(decoder_output, target_tensor[di])
            if decoder_input.item() == EOS_token:
                break

    loss.backward()

    encoder_optimizer.step()
    decoder_optimizer.step()

    return loss.item() / target_length

 

 

1. topv, topi = decoder_output.topk(1)

   这一行代码使用.topk(1)函数从decoder_output中获取最大的元素及其对应的索引。decoder_output是一个张量（tensor），它包含了解码器的输出结果，可能是一个概率分布或是其他的数值。.topk(1)函数将返回两个张量：topv和topi。topv是最大的元素值，而topi是对应的索引值。

2. decoder_input = topi.squeeze().detach()

   这一行代码对topi进行处理，以便作为下一个解码器的输入。首先，.squeeze()函数被调用，它的作用是去除张量中维度为1的维度，从而将topi的形状进行压缩。然后，.detach()函数被调用，它的作用是将张量从计算图中分离出来，使得在后续的计算中不会对该张量进行梯度计算。最后，将处理后的张量赋值给decoder_input，作为下一个解码器的输入。

 

In [14]:

import time
import math

def asMinutes(s):
    m = math.floor(s / 60)
    s -= m * 60
    return '%dm %ds' % (m, s)

def timeSince(since, percent):
    now = time.time()
    s = now - since
    es = s / (percent)
    rs = es - s
    return '%s (- %s)' % (asMinutes(s), asMinutes(rs))

 

In [15]:

def trainIters(encoder,decoder,n_iters,print_every=1000,
               plot_every=100,learning_rate=0.01):
    
    start = time.time()
    plot_losses      = []
    print_loss_total = 0  # Reset every print_every
    plot_loss_total  = 0  # Reset every plot_every

    encoder_optimizer = optim.SGD(encoder.parameters(), lr=learning_rate)
    decoder_optimizer = optim.SGD(decoder.parameters(), lr=learning_rate)
    
    # 在 pairs 中随机选取 n_iters 条数据用作训练集
    training_pairs    = [tensorsFromPair(random.choice(pairs)) for i in range(n_iters)]
    criterion         = nn.NLLLoss()

    for iter in range(1, n_iters + 1):
        training_pair = training_pairs[iter - 1]
        input_tensor  = training_pair[0]
        target_tensor = training_pair[1]

        loss = train(input_tensor, target_tensor, encoder,
                     decoder, encoder_optimizer, decoder_optimizer, criterion)
        print_loss_total += loss
        plot_loss_total  += loss

        if iter % print_every == 0:
            print_loss_avg   = print_loss_total / print_every
            print_loss_total = 0
            print('%s (%d %d%%) %.4f' % (timeSince(start, iter / n_iters),
                                         iter, iter / n_iters * 100, print_loss_avg))

        if iter % plot_every == 0:
            plot_loss_avg = plot_loss_total / plot_every
            plot_losses.append(plot_loss_avg)
            plot_loss_total = 0

    return plot_losses

 

 

四、训练与评估¶

 

In [18]:

hidden_size   = 256
encoder1      = EncoderRNN(input_lang.n_words, hidden_size).to(device)
attn_decoder1 = DecoderRNN(hidden_size, output_lang.n_words).to(device)

plot_losses = trainIters(encoder1, attn_decoder1, 20000, print_every=5000)

 

 

0m 44s (- 2m 13s) (5000 25%) 2.9158
1m 30s (- 1m 30s) (10000 50%) 2.3688
2m 15s (- 0m 45s) (15000 75%) 2.0279
3m 0s (- 0m 0s) (20000 100%) 1.7728

 

In [19]:

import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               # 忽略警告信息
# plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        # 分辨率

epochs_range = range(len(plot_losses))

plt.figure(figsize=(8, 3))

plt.subplot(1, 1, 1)
plt.plot(epochs_range, plot_losses, label='Training Loss')
plt.legend(loc='upper right')
plt.title('Training Loss')
plt.show()