机器翻译与数据集

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。

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。

关注神经网络机器翻译方法，强调的是端到端的学习。与语言模型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。

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）。

# @save
# 将“英语－法语”数据集的URL和校验码添加到d2l.DATA_HUB中
# d2l.DATA_HUB是一个字典，用于存储数据集的下载链接和校验码
# 'fra-eng' 是数据集的名称
# d2l.DATA_URL 是数据集的基础URL
# '94646ad1522d915e7b0f9296181140edcf86a4f5' 是数据集的SHA-1校验码，用于验证文件完整性
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。

    返回：
    str
        包含整个数据集的文本内容，每一行是一个制表符分隔的文本序列对。
    """
    # 下载并解压“英语－法语”数据集
    # d2l.download_extract 会根据提供的名称从 d2l.DATA_HUB 下载数据集并解压
    data_dir = d2l.download_extract('fra-eng')

    # 打开解压后的数据文件 'fra.txt'，以只读模式读取内容
    # 使用 UTF-8 编码以确保正确处理非ASCII字符
    with open(os.path.join(data_dir, 'fra.txt'), 'r',
              encoding='utf-8') as f:
        # 读取整个文件内容并返回
        return f.read()


# 调用 read_data_nmt 函数，读取“英语－法语”数据集的原始文本内容
raw_text = read_data_nmt()
# 打印原始文本的前75个字符，方便快速查看数据内容
print(raw_text[:75])

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。

#@save
def preprocess_nmt(text):
    """预处理“英语－法语”数据集"""
    def no_space(char, prev_char):
        """
        判断是否需要在当前字符和前一个字符之间插入空格。
        如果当前字符是标点符号（如,.!?）且前一个字符不是空格，则返回True。
        """
        return char in set(',.!?') and prev_char != ' '

    # 使用空格替换不间断空格（\u202f）和不可换行空格（\xa0）
    # 将所有字符转换为小写字母
    text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()
    
    # 遍历文本中的每个字符
    # 如果当前字符是标点符号且前一个字符不是空格，则在标点符号前插入一个空格
    # 否则，保持字符不变
    out = [' ' + char if i > 0 and no_space(char, text[i - 1]) else char
           for i, char in enumerate(text)]
    
    # 将字符列表合并为字符串并返回
    return ''.join(out)

# 对原始文本进行预处理
text = preprocess_nmt(raw_text)

# 打印预处理后的文本的前80个字符
print(text[:80])

词元化

与语言模型中的字符级词元化不同，在机器翻译中，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。

#@save
def tokenize_nmt(text, num_examples=None):
    """
    词元化“英语－法语”数据集。
    将文本数据分割成源语言和目标语言的词元列表。
    
    参数：
    text: str
        包含“英语－法语”数据集的原始文本。
        每一行是一个制表符分隔的文本序列对（英语和法语）。
    num_examples: int, 可选
        指定要处理的最大文本序列对数量。
        如果为None，则处理所有文本序列对。
    
    返回：
    source: list of list of str
        源语言（英语）的词元列表，每个子列表对应一个文本序列。
    target: list of list of str
        目标语言（法语）的词元列表，每个子列表对应一个文本序列。
    """
    source, target = [], []  # 初始化源语言和目标语言的词元列表
    for i, line in enumerate(text.split('\n')):  # 按行分割文本数据
        if num_examples and i > num_examples:  # 如果达到指定的最大数量，则停止处理
            break
        parts = line.split('\t')  # 按制表符分割每一行，得到源语言和目标语言的文本
        """
        line = "I am a student.\tJe suis un étudiant."
        """
        if len(parts) == 2:  # 确保每一行有且仅有两个部分（源语言和目标语言）
            source.append(parts[0].split(' '))  # 将源语言文本按空格分割成词元列表
            target.append(parts[1].split(' '))  # 将目标语言文本按空格分割成词元列表
    return source, target  # 返回源语言和目标语言的词元列表

# 对预处理后的文本进行词元化
source, target = tokenize_nmt(text)

# 打印源语言和目标语言的前6个文本序列的词元列表
source[:6], target[:6]

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。

#@save
def show_list_len_pair_hist(legend, xlabel, ylabel, xlist, ylist):
    """
    绘制两个列表中元素长度的直方图。
    
    参数：
    legend: list of str
        图例的标签列表，用于标识两个列表的名称。
    xlabel: str
        x轴的标签，表示横轴的含义。
    ylabel: str
        y轴的标签，表示纵轴的含义。
    xlist: list of list
        第一个列表，包含多个子列表，每个子列表的长度将用于绘制直方图。
    ylist: list of list
        第二个列表，包含多个子列表，每个子列表的长度将用于绘制直方图。
    """
    # 设置图形的大小
    d2l.set_figsize()
    
    # 绘制直方图，统计两个列表中每个子列表的长度
    # patches 是一个包含直方图条形对象的列表
    _, _, patches = d2l.plt.hist(
        [[len(l) for l in xlist], [len(l) for l in ylist]])  # 计算每个子列表的长度并绘制直方图
    
    # 设置x轴的标签
    d2l.plt.xlabel(xlabel)
    
    # 设置y轴的标签
    d2l.plt.ylabel(ylabel)
    
    # 为第二个列表的直方图条形添加斜线填充样式，以便区分两个列表
    for patch in patches[1].patches:
        patch.set_hatch('/')
    
    # 添加图例，用于标识两个列表
    d2l.plt.legend(legend)

# 调用函数，绘制源语言和目标语言的词元数量直方图
show_list_len_pair_hist(['source', 'target'], '# tokens per sequence',
                        'count', source, target);

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。

加载数据集

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。这个固定长度是由语言模型中的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)。

#@save
def truncate_pad(line, num_steps, padding_token):
    """
    截断或填充文本序列。
    
    参数：
    line: list of int
        表示文本序列的词元索引列表。
    num_steps: int
        指定序列的目标长度。
    padding_token: int
        用于填充的特殊词元索引。
    
    返回：
    list of int
        经过截断或填充后的文本序列，长度为num_steps。
    """
    if len(line) > num_steps:
        # 如果序列长度超过目标长度，则截断到目标长度
        return line[:num_steps]
    # 如果序列长度小于目标长度，则在末尾填充指定的填充词元，直到达到目标长度
    """
    在 Python 中，列表乘法（*）的行为是：
        如果乘数为正数，生成一个重复的列表。
        如果乘数为 0 或负数，返回一个空列表。
    """
    return line + [padding_token] * (num_steps - len(line))

# 调用truncate_pad函数，对源语言的第一个文本序列进行截断或填充
# 将其转换为长度为10的序列，使用src_vocab['<pad>']作为填充词元
truncate_pad(src_vocab[source[0]], 10, src_vocab['<pad>'])

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。

#@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。
    
    参数：
    lines: list of list of str
        文本序列的词元列表，每个子列表表示一个文本序列。
    vocab: d2l.Vocab
        词表对象，用于将词元转换为索引。
    num_steps: int
        每个序列的目标长度（时间步数）。
    
    返回：
    array: torch.Tensor
        转换后的张量，形状为 (batch_size, num_steps)，
        每行表示一个经过截断或填充的文本序列。
    valid_len: torch.Tensor
        每个序列的有效长度（不包括填充词元的长度），形状为 (batch_size,)。
    """
    # 将每个文本序列中的词元转换为对应的索引
    lines = [vocab[l] for l in lines]
    
    # 在每个序列的末尾添加特殊的结束词元（<eos>）
    lines = [l + [vocab['<eos>']] for l in lines]
    
    # 对每个序列进行截断或填充，使其长度为num_steps
    # 并将结果转换为PyTorch张量
    array = torch.tensor([truncate_pad(
        l, num_steps, vocab['<pad>']) for l in lines])
    
    # 计算每个序列的有效长度（不包括填充词元的长度）
    # 使用 (array != vocab['<pad>']) 判断哪些位置不是填充词元
    # 然后对每行的非填充词元计数
    valid_len = (array != vocab['<pad>']).type(torch.int32).sum(1)
    
    # 返回转换后的张量和有效长度
    return array, valid_len

训练模型

最后定义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。

#@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。
    
    参数：
    batch_size: int
        每个小批量的样本数量。
    num_steps: int
        每个序列的目标长度（时间步数）。
    num_examples: int, 可选
        要处理的最大文本序列对数量，默认为600。
    
    返回：
    data_iter: torch.utils.data.DataLoader
        数据迭代器，用于按小批量加载数据。
    src_vocab: d2l.Vocab
        源语言的词表对象。
    tgt_vocab: d2l.Vocab
        目标语言的词表对象。
    """
    # 读取并预处理原始的“英语－法语”数据集
    text = preprocess_nmt(read_data_nmt())
    
    # 对预处理后的文本进行词元化，得到源语言和目标语言的词元列表
    source, target = tokenize_nmt(text, num_examples)
    
    # 构建源语言的词表，过滤掉出现次数少于2次的低频词元
    # 并添加特殊词元（<pad>, <bos>, <eos>）
    src_vocab = d2l.Vocab(source, min_freq=2,
                          reserved_tokens=['<pad>', '<bos>', '<eos>'])
    
    # 构建目标语言的词表，过滤掉出现次数少于2次的低频词元
    # 并添加特殊词元（<pad>, <bos>, <eos>）
    tgt_vocab = d2l.Vocab(target, min_freq=2,
                          reserved_tokens=['<pad>', '<bos>', '<eos>'])
    
    # 将源语言的词元列表转换为张量，并进行截断或填充
    # src_array: 转换后的张量，形状为 (num_examples, num_steps)
    # src_valid_len: 每个序列的有效长度（不包括填充词元的长度）
    src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps)
    
    # 将目标语言的词元列表转换为张量，并进行截断或填充
    # tgt_array: 转换后的张量，形状为 (num_examples, num_steps)
    # tgt_valid_len: 每个序列的有效长度（不包括填充词元的长度）
    tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps)
    
    # 将源语言和目标语言的张量及其有效长度打包为一个元组
    data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len)
    
    # 使用d2l提供的load_array函数，将数据打包为数据迭代器
    # data_iter: 数据迭代器，用于按小批量加载数据
    data_iter = d2l.load_array(data_arrays, batch_size)
    
    # 返回数据迭代器以及源语言和目标语言的词表
    return data_iter, src_vocab, tgt_vocab

下面读出“英语－法语”数据集中的第一个小批量数据。

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

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。

以下是将你提供的内容整理为结构清晰、格式良好的 Markdown 版本文档：

---

问题与回答总结

问题 1：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？

回答：

num_examples 参数决定了处理的文本序列对的数量。较小的 num_examples 值会减少处理的文本序列对，从而影响源语言和目标语言的词表大小。

影响分析：

词表大小的变化：

• 词表构建基础：词表的大小取决于处理的文本序列中出现的唯一词元数量。
• 参数影响：
  • 如果 num_examples 较小，则处理的文本序列对较少，词表中的词元数量也会减少。
  • 如果 num_examples 较大，则处理的文本序列对较多，词表中的词元数量会更多。

相关代码部分：

在 load_data_nmt 函数中，num_examples 参数限制了 tokenize_nmt 函数处理的文本序列对数量。
词表的构建依赖于 source 和 target 中的词元。

实验示例：

假设 num_examples 分别为 100 和 1000：

• 当 num_examples=100 时，词表大小可能较小，因为处理的文本序列对较少。
• 当 num_examples=1000 时，词表大小会更大，因为处理的文本序列对更多，包含的词元也更多。

结论：

• num_examples 的值越大，源语言和目标语言的词表大小越大。
• 选择合适的 num_examples 需要权衡计算效率和模型性能。

---

问题 2：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？

回答：

对于中文和日语等没有明确单词边界的语言，单词级词元化可能不是最优选择，但仍然可以使用，具体取决于任务需求和模型设计。

分析：

单词边界的缺失：

• 中文和日语文本通常是连续的字符串，没有空格分隔单词。
• 直接使用空格分割的单词级词元化方法无法正确识别单词边界。

单词级词元化的适用性：

• 如果可以借助分词工具（如 jieba 或 MeCab），可以对中文或日语文本进行分词，从而实现单词级词元化。
• 这种方式适用于需要捕获更高层次语义的任务。

替代方法：

1. 字符级词元化：

   • 将每个字符作为一个词元。
   • 适用于中文和日语，因为这些语言的字符通常具有独立的语义。

2. 子词级词元化：

   • 使用 BPE（Byte Pair Encoding）或 WordPiece 等方法。
   • 将文本分割为子词单元，适用于多种语言，包括中文和日语。

相关代码部分：

当前代码中，tokenize_nmt 函数使用空格分割单词：

text.split(' ')

对于中文和日语，需要替换为分词工具的输出。

结论：

• 如果可以使用分词工具，单词级词元化仍然是一个好主意，因为它能有效捕获高层次的语义信息。
• 如果无法分词或分词效果较差，可以考虑使用字符级或子词级词元化作为替代方案。

---