一、机器翻译

WA2114176李毅恒
机器翻译是指将一段文本从一种语言自动翻译到另一种语言。因为一段文本序列在不同语言中的长度不一定相同，所以我们使用机器翻译为例来介绍编码器—解码器和注意力机制的应用。

1.1 读取和预处理数据

我们先定义一些特殊符号。其中“<pad>”（padding）符号用来添加在较短序列后，直到每个序列等长，而“<bos>”和“<eos>”符号分别表示序列的开始和结束。

import collections
import os
import io
import math
import torch
from torch import nn
import torch.nn.functional as F
import torchtext.vocab as Vocab
import torch.utils.data as Data
 
import sys
# 添加父目录到系统路径（如果需要导入父目录中的模块）
import d2lzh_pytorch as d2l  # 导入 d2lzh_pytorch 模块
 
 
PAD, BOS, EOS = '<pad>', '<bos>', '<eos>'
os.environ["CUDA_VISIBLE_DEVICES"] = "0"  # 设置使用的 GPU 设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')  # 根据可用性选择设备（GPU 或 CPU）
 
print(torch.__version__, device)  # 打印 PyTorch 版本和所使用的设备

接着定义两个辅助函数对后面读取的数据进行预处理。

# 将一个序列中所有的词记录在 all_tokens 中以便之后构造词典，
# 然后在该序列后面添加 PAD 直到序列长度变为 max_seq_len，
# 最后将序列保存在 all_seqs 中。
def process_one_seq(seq_tokens, all_tokens, all_seqs, max_seq_len):
    all_tokens.extend(seq_tokens)  # 将当前序列中的所有词加入到 all_tokens 中
    seq_tokens += [EOS] + [PAD] * (max_seq_len - len(seq_tokens) - 1)  # 在序列末尾添加 EOS，然后添加 PAD 直到长度为 max_seq_len
    all_seqs.append(seq_tokens)  # 将处理后的序列加入到 all_seqs 中
 
# 使用所有的词来构造词典。并将所有序列中的词变换为词索引后构造 Tensor。
def build_data(all_tokens, all_seqs):
    # 使用 collections.Counter 统计词频，并使用这些词构造词典，
    # 特殊符号 [PAD, BOS, EOS] 会被加入到词典中
    vocab = Vocab.Vocab(collections.Counter(all_tokens), specials=[PAD, BOS, EOS])
    
    # 将所有序列中的词转换为索引序列
    indices = [[vocab.stoi[w] for w in seq] for seq in all_seqs]
    
    # 将索引序列转换为 PyTorch 的 Tensor
    return vocab, torch.tensor(indices)

为了演示方便，我们在这里使用一个很小的法语—英语数据集。在这个数据集里，每一行是一对法语句子和它对应的英语句子，中间使用'\t'隔开。在读取数据时，我们在句末附上“<eos>”符号，并可能通过添加“<pad>”符号使每个序列的长度均为max_seq_len。我们为法语词和英语词分别创建词典。法语词的索引和英语词的索引相互独立。

def read_data(max_seq_len):
    # in 和 out 分别是 input 和 output 的缩写
    in_tokens, out_tokens, in_seqs, out_seqs = [], [], [], []
    
    # 打开并读取文件 'fr-en-small.txt'
    with io.open('fr-en-small.txt') as f:
        lines = f.readlines()  # 读取所有行
    
    for line in lines:
        in_seq, out_seq = line.rstrip().split('\t')  # 移除行末尾的空白字符，并用制表符分割为输入和输出序列
        in_seq_tokens, out_seq_tokens = in_seq.split(' '), out_seq.split(' ')  # 将序列拆分为词列表
        
        # 如果加上 EOS 后长度超过 max_seq_len，则忽略该样本
        if max(len(in_seq_tokens), len(out_seq_tokens)) > max_seq_len - 1:
            continue
        
        # 处理输入和输出序列，将它们的词添加到各自的 token 列表中，并将处理后的序列添加到各自的序列列表中
        process_one_seq(in_seq_tokens, in_tokens, in_seqs, max_seq_len)
        process_one_seq(out_seq_tokens, out_tokens, out_seqs, max_seq_len)
    
    # 使用所有的词来构造词典，并将所有序列中的词变换为词索引后构造 Tensor
    in_vocab, in_data = build_data(in_tokens, in_seqs)
    out_vocab, out_data = build_data(out_tokens, out_seqs)
    
    # 返回输入词典、输出词典和包含输入输出数据的 Tensor 数据集
    return in_vocab, out_vocab, Data.TensorDataset(in_data, out_data)

将序列的最大长度设成7，然后查看读取到的第一个样本。该样本分别包含法语词索引序列和英语词索引序列。

# 设置最大序列长度
max_seq_len = 7
 
# 调用 read_data 函数，读取数据并构建输入和输出词典以及数据集
in_vocab, out_vocab, dataset = read_data(max_seq_len)
 
# 打印数据集中第一个样本
dataset[0]

Output[0]

(tensor([ 5,  4, 45,  3,  2,  0,  0]), tensor([ 8,  4, 27,  3,  2,  0,  0]))
 

1.2 含注意力机制的编码器—解码器

我们将使用含注意力机制的编码器—解码器来将一段简短的法语翻译成英语。下面我们来介绍模型的实现。

1.2.1 编码器

在编码器中，我们将输入语言的词索引通过词嵌入层得到词的表征，然后输入到一个多层门控循环单元中。正如我们在6.5节（循环神经网络的简洁实现）中提到的，PyTorch的nn.GRU实例在前向计算后也会分别返回输出和最终时间步的多层隐藏状态。其中的输出指的是最后一层的隐藏层在各个时间步的隐藏状态，并不涉及输出层计算。注意力机制将这些输出作为键项和值项。

class Encoder(nn.Module):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers, drop_prob=0, **kwargs):
        super(Encoder, self).__init__(**kwargs)
        self.embedding = nn.Embedding(vocab_size, embed_size)  # 词嵌入层
        self.rnn = nn.GRU(embed_size, num_hiddens, num_layers, dropout=drop_prob)  # GRU 层
 
    def forward(self, inputs, state):
        # 输入形状是 (批量大小, 时间步数)。将输出互换样本维和时间步维
        embedding = self.embedding(inputs.long()).permute(1, 0, 2)  # (seq_len, batch, input_size)
        return self.rnn(embedding, state)  # 返回 RNN 的输出和状态
 
    def begin_state(self):
        return None  # 初始化时返回空状态

下面我们来创建一个批量大小为4、时间步数为7的小批量序列输入。设门控循环单元的隐藏层个数为2，隐藏单元个数为16。编码器对该输入执行前向计算后返回的输出形状为(时间步数, 批量大小, 隐藏单元个数)。门控循环单元在最终时间步的多层隐藏状态的形状为(隐藏层个数, 批量大小, 隐藏单元个数)。对于门控循环单元来说，state就是一个元素，即隐藏状态；如果使用长短期记忆，state是一个元组，包含两个元素即隐藏状态和记忆细胞。

encoder = Encoder(vocab_size=10, embed_size=8, num_hiddens=16, num_layers=2)
output, state = encoder(torch.zeros((4, 7)), encoder.begin_state())
output.shape, state.shape # GRU的state是h, 而LSTM的是一个元组(h, c)

Output[1]

(torch.Size([7, 4, 16]), torch.Size([2, 4, 16]))

1.2.2 注意力机制

我们将实现上一节（注意力机制）中定义的函数𝑎𝑎：将输入连结后通过含单隐藏层的多层感知机变换。其中隐藏层的输入是解码器的隐藏状态与编码器在所有时间步上隐藏状态的一一连结，且使用tanh函数作为激活函数。输出层的输出个数为1。两个Linear实例均不使用偏差。其中函数𝑎𝑎定义里向量𝑣𝑣的长度是一个超参数，即attention_size。

def attention_model(input_size, attention_size):
    # 定义一个包含两个线性层和一个 Tanh 激活函数的序列模型
    # 第一个线性层将输入大小映射到注意力大小，没有偏置项
    # 第二个线性层将注意力大小映射到一个标量值，用于计算注意力权重
    model = nn.Sequential(
        nn.Linear(input_size, attention_size, bias=False),  # 注意力大小映射
        nn.Tanh(),  # Tanh 激活函数
        nn.Linear(attention_size, 1, bias=False)  # 将注意力大小映射到标量值
    )
    return model

注意力机制的输入包括查询项、键项和值项。设编码器和解码器的隐藏单元个数相同。这里的查询项为解码器在上一时间步的隐藏状态，形状为(批量大小, 隐藏单元个数)；键项和值项均为编码器在所有时间步的隐藏状态，形状为(时间步数, 批量大小, 隐藏单元个数)。注意力机制返回当前时间步的背景变量，形状为(批量大小, 隐藏单元个数)。

def attention_forward(model, enc_states, dec_state):
    """
    enc_states: (时间步数, 批量大小, 隐藏单元个数)
    dec_state: (批量大小, 隐藏单元个数)
    """
    # 将解码器隐藏状态广播到和编码器隐藏状态形状相同后进行连结
    dec_states = dec_state.unsqueeze(dim=0).expand_as(enc_states)
    enc_and_dec_states = torch.cat((enc_states, dec_states), dim=2)
    e = model(enc_and_dec_states)  # 形状为(时间步数, 批量大小, 1)
    alpha = F.softmax(e, dim=0)  # 在时间步维度做softmax运算
    return (alpha * enc_states).sum(dim=0)  # 返回背景变量

在下面的例子中，编码器的时间步数为10，批量大小为4，编码器和解码器的隐藏单元个数均为8。注意力机制返回一个小批量的背景向量，每个背景向量的长度等于编码器的隐藏单元个数。因此输出的形状为(4, 8)。

seq_len, batch_size, num_hiddens = 10, 4, 8  # 序列长度、批量大小和隐藏单元大小
model = attention_model(2*num_hiddens, 10)  # 创建一个注意力模型，输入大小为 2*num_hiddens，注意力大小为 10
enc_states = torch.zeros((seq_len, batch_size, num_hiddens))  # 编码器状态，形状为 (seq_len, batch_size, num_hiddens)
dec_state = torch.zeros((batch_size, num_hiddens))  # 解码器状态，形状为 (batch_size, num_hiddens)
 
# 调用 attention_forward 函数，计算注意力权重
attention_forward(model, enc_states, dec_state).shape

Output[2]

torch.Size([4, 8])

1.2.3 含注意力机制的解码器 

我们直接将编码器在最终时间步的隐藏状态作为解码器的初始隐藏状态。这要求编码器和解码器的循环神经网络使用相同的隐藏层个数和隐藏单元个数。

在解码器的前向计算中，我们先通过刚刚介绍的注意力机制计算得到当前时间步的背景向量。由于解码器的输入来自输出语言的词索引，我们将输入通过词嵌入层得到表征，然后和背景向量在特征维连结。我们将连结后的结果与上一时间步的隐藏状态通过门控循环单元计算出当前时间步的输出与隐藏状态。最后，我们将输出通过全连接层变换为有关各个输出词的预测，形状为(批量大小, 输出词典大小)。

class Decoder(nn.Module):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                 attention_size, drop_prob=0):
        super(Decoder, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.attention = attention_model(2*num_hiddens, attention_size)
        # GRU的输入包含attention输出的c和实际输入, 所以尺寸是 num_hiddens+embed_size
        self.rnn = nn.GRU(num_hiddens + embed_size, num_hiddens, 
                          num_layers, dropout=drop_prob)
        self.out = nn.Linear(num_hiddens, vocab_size)
 
    def forward(self, cur_input, state, enc_states):
        """
        cur_input shape: (batch, )
        state shape: (num_layers, batch, num_hiddens)
        """
        # 使用注意力机制计算背景向量
        c = attention_forward(self.attention, enc_states, state[-1])
        # 将嵌入后的输入和背景向量在特征维连结, (批量大小, num_hiddens+embed_size)
        input_and_c = torch.cat((self.embedding(cur_input), c), dim=1) 
        # 为输入和背景向量的连结增加时间步维，时间步个数为1
        output, state = self.rnn(input_and_c.unsqueeze(0), state)
        # 移除时间步维，输出形状为(批量大小, 输出词典大小)
        output = self.out(output).squeeze(dim=0)
        return output, state
 
    def begin_state(self, enc_state):
        # 直接将编码器最终时间步的隐藏状态作为解码器的初始隐藏状态
        return enc_state

1.3 训练模型

我们先实现batch_loss函数计算一个小批量的损失。解码器在最初时间步的输入是特殊字符BOS。之后，解码器在某时间步的输入为样本输出序列在上一时间步的词，即强制教学。此外，同10.3节（word2vec的实现）中的实现一样，我们在这里也使用掩码变量避免填充项对损失函数计算的影响。

def batch_loss(encoder, decoder, X, Y, loss):
    batch_size = X.shape[0]
    enc_state = encoder.begin_state()
    enc_outputs, enc_state = encoder(X, enc_state)
    # 初始化解码器的隐藏状态
    dec_state = decoder.begin_state(enc_state)
    # 解码器在最初时间步的输入是BOS
    dec_input = torch.tensor([out_vocab.stoi[BOS]] * batch_size)
    # 我们将使用掩码变量mask来忽略掉标签为填充项PAD的损失, 初始全1
    mask, num_not_pad_tokens = torch.ones(batch_size,), 0
    l = torch.tensor([0.0])
    for y in Y.permute(1,0): # Y shape: (batch, seq_len)
        dec_output, dec_state = decoder(dec_input, dec_state, enc_outputs)
        l = l + (mask * loss(dec_output, y)).sum()
        dec_input = y  # 使用强制教学
        num_not_pad_tokens += mask.sum().item()
        # EOS后面全是PAD. 下面一行保证一旦遇到EOS接下来的循环中mask就一直是0
        mask = mask * (y != out_vocab.stoi[EOS]).float()
    return l / num_not_pad_tokens

在训练函数中，我们需要同时迭代编码器和解码器的模型参数。

def train(encoder, decoder, dataset, lr, batch_size, num_epochs):
    enc_optimizer = torch.optim.Adam(encoder.parameters(), lr=lr)  # 编码器优化器
    dec_optimizer = torch.optim.Adam(decoder.parameters(), lr=lr)  # 解码器优化器
 
    loss = nn.CrossEntropyLoss(reduction='none')  # 定义损失函数为交叉熵损失，不进行汇总
    data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)  # 创建数据迭代器，用于批量加载数据
 
    for epoch in range(num_epochs):  # 迭代训练多个 epoch
        l_sum = 0.0  # 初始化损失累加变量
        for X, Y in data_iter:  # 遍历数据迭代器，加载每个批量的数据
            enc_optimizer.zero_grad()  # 梯度清零，准备计算梯度
            dec_optimizer.zero_grad()  # 梯度清零，准备计算梯度
            l = batch_loss(encoder, decoder, X, Y, loss)  # 计算当前批量的损失
            l.backward()  # 反向传播，计算梯度
            enc_optimizer.step()  # 更新编码器参数
            dec_optimizer.step()  # 更新解码器参数
            l_sum += l.item()  # 累加损失值到 l_sum
 
        if (epoch + 1) % 10 == 0:
            print("epoch %d, loss %.3f" % (epoch + 1, l_sum / len(data_iter)))  # 每10个 epoch 打印一次平均损失

接下来，创建模型实例并设置超参数。然后，我们就可以训练模型了。

# 定义各种超参数
embed_size, num_hiddens, num_layers = 64, 64, 2  # 嵌入大小、隐藏单元大小和层数
attention_size, drop_prob, lr, batch_size, num_epochs = 10, 0.5, 0.01, 2, 50  # 注意力大小、Dropout概率、学习率、批量大小和训练轮数
 
# 创建编码器和解码器实例
encoder = Encoder(len(in_vocab), embed_size, num_hiddens, num_layers, drop_prob)  # 初始化编码器
decoder = Decoder(len(out_vocab), embed_size, num_hiddens, num_layers, attention_size, drop_prob)  # 初始化解码器
 
# 调用训练函数进行模型训练
train(encoder, decoder, dataset, lr, batch_size, num_epochs)

Output[3]

epoch 10, loss 0.488
epoch 20, loss 0.241
epoch 30, loss 0.100
epoch 40, loss 0.121
epoch 50, loss 0.053

 1.4 预测不定长的序列

在上一节（束搜索）中我们介绍了3种方法来生成解码器在每个时间步的输出。这里我们实现最简单的贪婪搜索。

def translate(encoder, decoder, input_seq, max_seq_len):
    # 将输入序列分割为词元并添加结束标记 EOS 和填充 PAD，使序列长度达到 max_seq_len
    in_tokens = input_seq.split(' ')
    in_tokens += [EOS] + [PAD] * (max_seq_len - len(in_tokens) - 1)
    
    # 将输入序列转换为张量，批量大小为 1（batch=1）
    enc_input = torch.tensor([[in_vocab.stoi[tk] for tk in in_tokens]])  # batch=1
    
    # 初始化编码器的初始状态并进行编码
    enc_state = encoder.begin_state()
    enc_output, enc_state = encoder(enc_input, enc_state)
    
    # 初始化解码器的输入为起始标记 BOS
    dec_input = torch.tensor([out_vocab.stoi[BOS]])
    
    # 使用编码器的输出和状态初始化解码器的初始状态
    dec_state = decoder.begin_state(enc_state)
    
    # 初始化输出词元列表
    output_tokens = []
    
    # 循环生成输出序列的词元
    for _ in range(max_seq_len):
        dec_output, dec_state = decoder(dec_input, dec_state, enc_output)  # 解码器生成输出和更新状态
        pred = dec_output.argmax(dim=1)  # 获取预测结果中概率最大的词元索引
        pred_token = out_vocab.itos[int(pred.item())]  # 将预测的词元索引转换为词元字符串
        if pred_token == EOS:  # 如果预测到了结束标记 EOS，则停止生成序列
            break
        else:
            output_tokens.append(pred_token)  # 将预测的词元添加到输出序列中
            dec_input = pred  # 更新解码器的输入为当前预测的词元索引
    
    return output_tokens

简单测试一下模型。输入法语句子“ils regardent.”，翻译后的英语句子应该是“they are watching.”。

input_seq = 'ils regardent .'  # 输入的法语句子
 
# 调用 translate 函数进行翻译
translate(encoder, decoder, input_seq, max_seq_len)

Output[4]

['they', 'are', 'watching', '.']

 1.5 评价翻译结果

评价机器翻译结果通常使用BLEU（Bilingual Evaluation Understudy）[1]。对于模型预测序列中任意的子序列，BLEU考察这个子序列是否出现在标签序列中。

具体来说，设词数为𝑛𝑛的子序列的精度为𝑝𝑛𝑝𝑛。它是预测序列与标签序列匹配词数为𝑛𝑛的子序列的数量与预测序列中词数为𝑛𝑛的子序列的数量之比。举个例子，假设标签序列为𝐴𝐴、𝐵𝐵、𝐶𝐶、𝐷𝐷、𝐸𝐸、𝐹𝐹，预测序列为𝐴𝐴、𝐵𝐵、𝐵𝐵、𝐶𝐶、𝐷𝐷，那么𝑝1=4/5,𝑝2=3/4,𝑝3=1/3,𝑝4=0𝑝1=4/5,𝑝2=3/4,𝑝3=1/3,𝑝4=0。设𝑙𝑒𝑛label𝑙𝑒𝑛label和𝑙𝑒𝑛pred𝑙𝑒𝑛pred分别为标签序列和预测序列的词数，那么，BLEU的定义为

下面来实现BLEU的计算。

def bleu(pred_tokens, label_tokens, k):
    len_pred, len_label = len(pred_tokens), len(label_tokens)  # 获取预测序列和参考序列的长度
    score = math.exp(min(0, 1 - len_label / len_pred))  # 初始化 BLEU 分数，考虑句子长度惩罚
 
    # 计算 BLEU 的多个 n-gram 分数
    for n in range(1, k + 1):
        num_matches, label_subs = 0, collections.defaultdict(int)  # 初始化匹配数和参考序列的 n-gram 字典
        for i in range(len_label - n + 1):  # 遍历参考序列的所有 n-gram
            label_subs[''.join(label_tokens[i: i + n])] += 1  # 统计参考序列中的 n-gram 出现次数
        for i in range(len_pred - n + 1):  # 遍历预测序列的所有 n-gram
            if label_subs[''.join(pred_tokens[i: i + n])] > 0:  # 如果预测序列中的 n-gram 在参考序列中出现过
                num_matches += 1  # 匹配数加一
                label_subs[''.join(pred_tokens[i: i + n])] -= 1  # 更新参考序列中的 n-gram 出现次数
        # 计算当前 n-gram 的精确度，并加权到 BLEU 分数中
        score *= math.pow(num_matches / (len_pred - n + 1), math.pow(0.5, n))
 
    return score  # 返回计算得到的 BLEU 分数

接下来，定义一个辅助打印函数。

def score(input_seq, label_seq, k):
    # 使用 translate 函数翻译输入序列
    pred_tokens = translate(encoder, decoder, input_seq, max_seq_len)
    
    # 将参考序列分割为词元列表
    label_tokens = label_seq.split(' ')
    
    # 计算 BLEU 分数
    bleu_score = bleu(pred_tokens, label_tokens, k)
    
    # 打印 BLEU 分数和生成的预测序列
    print('bleu %.3f, predict: %s' % (bleu_score, ' '.join(pred_tokens)))

预测正确则分数为1。

score('ils regardent .', 'they are watching .', k=2)

Output[5]

bleu 1.000, predict: they are watching .

score('ils sont canadienne .', 'they are canadian .', k=2)

 Output[6]

bleu 0.658, predict: they are russian .

二、小结

可以将编码器—解码器和注意力机制应用于机器翻译中。
BLEU可以用来评价翻译结果。

三、参考文献

[1] Papineni, K., Roukos, S., Ward, T., & Zhu, W. J. (2002, July). BLEU: a method for automatic evaluation of machine translation. In Proceedings of the 40th annual meeting on association for computational linguistics (pp. 311-318). Association for Computational Linguistics.

[2] WMT. Translation Task - ACL 2014 Ninth Workshop on Statistical Machine Translation

[3] Tatoeba Project. Tab-delimited Bilingual Sentence Pairs from the Tatoeba Project (Good for Anki and Similar Flashcard Applications)