越学越有趣：『手把手带你学NLP』系列项目07 ——机器翻译的那些事儿

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

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

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)
   # 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

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