课程简介
“手把手带你学 NLP”是基于飞桨 PaddleNLP 的系列实战项目。本系列由百度多位资深工程师精心打造,提供了从词向量、预训练语言模型,到信息抽取、情感分析、文本问答、结构化数据问答、文本翻译、机器同传、对话系统等实践项目的全流程讲解,旨在帮助开发者更全面清晰地掌握百度飞桨框架在 NLP 领域的用法,并能够举一反三、灵活使用飞桨框架和 PaddleNLP 进行 NLP 深度学习实践。
6 月,百度飞桨 & 自然语言处理部携手推出了 12 节 NLP 视频课,课程中详细讲解了本实践项目。
观看课程回放请戳:https://aistudio.baidu.com/aistudio/course/introduce/24177
欢迎来课程 QQ 群(群号:758287592)交流吧~~
背景介绍
机器翻译是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。
本项目是机器翻译领域主流模型 Transformer 的 PaddlePaddle 实现,快来基于此项目搭建自己的翻译模型吧。
Transformer 是论文《 Attention Is All You Need 》中提出的用以完成机器翻译(Machine Translation)等序列到序列(Seq2Seq)学习任务的一种全新网络结构,其完全使用注意力(Attention)机制来实现序列到序列的建模。
图 1:Transformer 网络结构图相较于此前 Seq2Seq 模型中广泛使用的循环神经网络(Recurrent Neural Network, RNN),使用 Self Attention 进行输入序列到输出序列的变换主要具有以下优势:
计算复杂度小特征维度为 d 、长度为 n 的序列,在 RNN 中计算复杂度为 O(n * d * d) (n 个时间步,每个时间步计算 d 维的矩阵向量乘法),在 Transformer 中计算复杂度为 O(n * n * d) (n 个时间步两两计算 d 维的向量点积或其他相关度函数),n 通常要小于 d 。计算并行度高 RNN 中当前时间步的计算要依赖前一个时间步的计算结果;Self-Attention 中各时间步的计算只依赖输入,不依赖之前时间步输出,各时间步可以完全并行。容易学习长距离依赖(long-range dependencies)RNN 中相距为 n 的两个位置间的关联需要 n 步才能建立;Self-Attention 中任何两个位置都直接相连;路径越短信号传播越容易。Transformer 结构已被广泛应用在 Bert 等语义表示模型中,取得了显著效果。
快速实践本示例展示了以 Transformer 为代表的预训练模型如何 Finetune 完成机器翻译任务。
项目基于飞桨 PaddleNLP 编写,
GitHub 地址:https://github.com/PaddlePaddle/PaddleNLP
PaddleNLP 官方文档:https://paddlenlp.readthedocs.io
完整代码请戳:https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/machine_translation/transformer
深度学习任务 Pipeline
图 2:深度学习任务 Pipeline
2.1 数据预处理本教程使用 CWMT 数据集中的中文英文的数据作为训练语料, CWMT 数据集包含 900 万+样本,质量较高,非常适合来训练 Transformer 机器翻译模型。中文需要 Jieba+BPE,英文需要 BPE。BPE(Byte Pair Encoding)BPE 优势:压缩词表;一定程度上缓解 OOV(out of vocabulary)问题。
图 3:learn BPE
图 4:Apply BPE
自定义读取本地数据的方法
def read(src_path, tgt_path, is_predict=False):
是否为测试集,测试集tgt为空
if is_predict:
with open(src_path, 'r', encoding='utf8') as src_f:
for src_line in src_f.readlines():
src_line = src_line.strip()
if not src_line:
continue
yield {'src':src_line, 'tgt':''}
else:
with open(src_path, 'r', encoding='utf8') as src_f, open(tgt_path, 'r', encoding='utf8') as tgt_f:
for src_line, tgt_line in zip(src_f.readlines(), tgt_f.readlines()):
src_line = src_line.strip()
if not src_line:
continue
tgt_line = tgt_line.strip()
if not tgt_line:
continue
yield {'src':src_line, 'tgt':tgt_line}
过滤掉长度 ≤min_len或者≥max_len 的数据
def min_max_filer(data, max_len, min_len=0):
# 获取每条src和tgt的最小长度和最大长度(+1是为了或者),过滤掉不满足长度范围的样本.
data_min_len = min(len(data[0]), len(data[1])) + 1
data_max_len = max(len(data[0]), len(data[1])) + 1
return (data_min_len >= min_len) and (data_max_len <= max_len)
数据预处理过程,包括jieba分词、bpe分词和词表。
!bash preprocess.sh
复制代码
2.2 构造 Dataloader 我们定义 create_data_loader 函数,用来创建训练集、验证集所需要的 DataLoader 对象。DataLoader 对象用于产生一个个 batch 的数据。下面对函数中调用的 PaddleNLP 内置函数作简单说明:paddlenlp.data.Vocab.load_vocabulary:Vocab 词表类,集合了一系列文本 token 与 ids 之间映射的一系列方法,支持从文件、字典、json 等一系方式构建词表 paddlenlp.datasets.load_dataset:从本地文件创建数据集时,推荐根据本地数据集的格式给出读取 function 并传入 load_dataset()中创建数据集 paddlenlp.data.Pad:padding 操作,用于对齐同一 batch 内的句子长度。
图 6:构造 Dataloader 的流程
图 7:Dataloader 细节
# 创建训练集、验证集的dataloader。测试集的dataloader类似。
def create_data_loader(args):
# 通过paddlenlp.datasets.load_dataset从本地文件创建数据集:根据本地数据集的格式给出读取function并传入 load_dataset()中创建数据集
train_dataset = load_dataset(read, src_path=args.training_file.split(',')[0], tgt_path=args.training_file.split(',')[1], lazy=False)
dev_dataset = load_dataset(read, src_path=args.training_file.split(',')[0], tgt_path=args.training_file.split(',')[1], lazy=False)
# 通过Paddlenlp.data.Vocab.load_vocabulary从本地创建词表
src_vocab = Vocab.load_vocabulary(
args.src_vocab_fpath,
bos_token=args.special_token[0],
eos_token=args.special_token[1],
unk_token=args.special_token[2])
trg_vocab = Vocab.load_vocabulary(
args.trg_vocab_fpath,
bos_token=args.special_token[0],
eos_token=args.special_token[1],
unk_token=args.special_token[2])
# 将词表的大小补足为pad_factor的倍数,为了Tranformer的加速。
padding_vocab = (
lambda x: (x + args.pad_factor - 1) // args.pad_factor * args.pad_factor
)
args.src_vocab_size = padding_vocab(len(src_vocab))
args.trg_vocab_size = padding_vocab(len(trg_vocab))
def convert_samples(sample):
source = sample['src'].split()
target = sample['tgt'].split()
# 将tokens转化为词表对应的ids
source = src_vocab.to_indices(source)
target = trg_vocab.to_indices(target)
return source, target
# 训练集dataloader和验证集dataloader
data_loaders = []
for i, dataset in enumerate([train_dataset, dev_dataset]):
# 通过Dataset的map方法将样本token转换为id;通过Dataset的filter方法过滤掉不符合条件的样本
dataset = dataset.map(convert_samples, lazy=False).filter(
partial(min_max_filer, max_len=args.max_length))
# 批采样器BatchSampler组batch
batch_sampler = BatchSampler(dataset,batch_size=args.batch_size, shuffle=True,drop_last=False)
# 构造Dataloader用于后续迭代取数据进行训练/验证/测试
data_loader = DataLoader(
dataset=dataset,
batch_sampler=batch_sampler,
collate_fn=partial(
prepare_train_input,
bos_idx=args.bos_idx,
eos_idx=args.eos_idx,
pad_idx=args.bos_idx),
num_workers=0,
return_list=True)
data_loaders.append(data_loader)
return data_loaders
def prepare_train_input(insts, bos_idx, eos_idx, pad_idx):
# 通过paddlenlp.data.Pad来padding,用于对齐同一batch中样本的长度
word_pad = Pad(pad_idx)
src_word = word_pad([inst[0] + [eos_idx] for inst in insts])
trg_word = word_pad([[bos_idx] + inst[1] for inst in insts])
# 扩展维度用于后续计算Loss
lbl_word = np.expand_dims(
word_pad([inst[1] + [eos_idx] for inst in insts]), axis=2)
data_inputs = [src_word, trg_word, lbl_word]
return data_inputs
复制代码
2.3 搭建模型 PaddleNLP 提供 Transformer API 供调用:paddlenlp.transformers.TransformerModel:Transformer 模型的实现 paddlenlp.transformers.InferTransformerModel:Transformer 模型用于生成任务 paddlenlp.transformers.CrossEntropyCriterion:计算交叉熵损失 paddlenlp.transformers.position_encoding_init:Transformer 位置编码的初始化
图 8:模型搭建
图 9:Encoder-Decoder 示意图
2.4 训练模型运行 do_train 函数, 在 do_train 函数中,配置优化器、损失函数,以及评价指标 Perplexity;Perplexity,即困惑度,常用来衡量语言模型优劣,即句子的通顺度,一般用于机器翻译和文本生成等领域。Perplexity 越小,句子越通顺,该语言模型越好。
图 10:训练模型 def do_train(args):random_seed = eval(str(args.random_seed))if random_seed is not None:paddle.seed(random_seed)# 获取 Dataloader(train_loader), (eval_loader) = create_data_loader(args)
# 声明模型
transformer = TransformerModel(
src_vocab_size=args.src_vocab_size,
trg_vocab_size=args.trg_vocab_size,
max_length=args.max_length + 1,
n_layer=args.n_layer,
n_head=args.n_head,
d_model=args.d_model,
d_inner_hid=args.d_inner_hid,
dropout=args.dropout,
weight_sharing=args.weight_sharing,
bos_id=args.bos_idx,
eos_id=args.eos_idx)
# 定义Loss
criterion = CrossEntropyCriterion(args.label_smooth_eps, args.bos_idx)
复制代码
定义学习率的衰减策略
scheduler = paddle.optimizer.lr.NoamDecay(
args.d_model, args.warmup_steps, args.learning_rate, last_epoch=0)
# 定义优化器
optimizer = paddle.optimizer.Adam(
learning_rate=scheduler,
beta1=args.beta1,
beta2=args.beta2,
epsilon=float(args.eps),
parameters=transformer.parameters())
step_idx = 0
# 按epoch迭代训练
for pass_id in range(args.epoch):
batch_id = 0
for input_data in train_loader:
# 从训练集Dataloader按batch取数据
(src_word, trg_word, lbl_word) = input_data
# 获得模型输出的logits
logits = transformer(src_word=src_word, trg_word=trg_word)
# 计算loss
sum_cost, avg_cost, token_num = criterion(logits, lbl_word)
# 计算梯度
avg_cost.backward()
# 更新参数
optimizer.step()
# 梯度清零
optimizer.clear_grad()
batch_id += 1
step_idx += 1
scheduler.step()
do_train(args)
[2021-06-18 22:38:55,597] [ INFO] - step_idx: 0, epoch: 0, batch: 0, avg loss: 10.513082, ppl: 36793.687500
[2021-06-18 22:38:56,783] [ INFO] - step_idx: 9, epoch: 0, batch: 9, avg loss: 10.506249, ppl: 36543.164062
[2021-06-18 22:38:58,032] [ INFO] - step_idx: 19, epoch: 0, batch: 19, avg loss: 10.464736, ppl: 35057.187500
[2021-06-18 22:38:59,032] [ INFO] - validation, step_idx: 19, avg loss: 10.454649, ppl: 34705.347656
复制代码
2.5 预测和评估模型最终训练的效果一般可通过测试集来进行测试,机器翻译领域一般计算 BLEU 值。预测结果中每行输出是对应行输入的得分最高的翻译,对于使用 BPE 的数据,预测出的翻译结果也将是 BPE 表示的数据,要还原成原始的数据(这里指 tokenize 后的数据)才能进行正确的评估。
图 11:预测和评估
动手试一试是不是觉得很有趣呀。小编强烈建议初学者参考上面的代码亲手敲一遍,因为只有这样,才能加深你对代码的理解呦。本次项目对应的代码:https://aistudio.baidu.com/aistudio/projectdetail/1918692来定制自己的翻译系统吧。更多 PaddleNLP 信息,欢迎访问 GitHub 点 star 收藏后体验:https://github.com/PaddlePaddle/PaddleNLP
评论