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])) + 1data_max_len = max(len(data[0]), len(data[1])) + 1return (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Losscriterion = 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