当前位置：首页 > news >正文

9.5 机器翻译与数据集

news 2025/9/16 5:44:48

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的核心问题。序列转码模型在各类现代人工智能应用中国呢发挥着至关重要的作用，因此我们将其作为本章剩余部分和第10章的重点，为此，本节将介绍机器翻译问题及其后文需要使用的数据集。

机器翻译指的是将序列从一种语言自动翻译成另一种语言，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译语言编码。几十年来，几十年来，在使用神经网络进行端到端学习兴起之前，统计学方法在这一领域一直占据主导地位，因为统计机器翻译涉及翻译模型和语言模型等组成部分的统计分析，而基于神经网络的方法通常被称为神经机器翻译，用于将两种翻译模型区分开来。

本书的关注点是神经网络机器翻译方法，强调的是端到端的学习，与8.3 节中的语料库是单一语言的语言模型问题不同，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，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

9.5.1 下载和预处理数据集

搜索Tah-delimited Bilingual Sentence Pairs, 下载一个由Tatoba项目的双语句子对组成的英语-语法数据集，数据集中的每一行都是制表符分隔的文本序列对，序列对由英语文本序列和翻译后的语法文本序列组成。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语法的机器翻译问题中，英语是源语言，法语是目标语言。

d2l.DATA_HUB["fra-eng"] = (d2l.DATA_URL + 'fra-eng.zip', )

def read_data_nmt():

输入英语。法语的数据集

data_dir = d2l.download_extract('fra-eng')

with open(os.path.join(data_dir, 'fra.txt'), 'r',

encoding='utf-8') as f:

return f.read()

raw_text = read_data_net()

下载数据集后，原始文本数据需要经过几个预处理步骤，我们用空格代替不间断空格，用小些字母替换大写字母，并在档次和标准符号之间插入空格。

def preprocess_nmt(text):

预处理英语法语数据集

def no_space(char, prev_char):

return char in set('.17') and prev_char !=''

用空格替换不间断空格

用小写字母替换大写字母

text = text.replace('\u202f', '').replace().lower()

在单词和标点符号之间插入空格

out = ['' + char if i > 0 and no_space(char, text[i - 1]) else char]

for i, char in enumerate(text)

return ''.join(out)

text = preprocess_nmt(raw_text)

print(text[:80])

9.5.2 词元化

在机器翻译中，我们更喜欢单词级词元化。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的表 source和target, source[i] 是源语言第i个文本序列的词元列表，target[i]是目标语言第i个文本序列词元列表。

def tokenize_nmt(text, num_exampels = None):

词元化英语，法语数据集

source, target = [],[]

for i, line in enumerate(text.split('\n')):

if num_examples and i > num_examples:

break;

parts = line.split('\t')

if len(parts) == 2:

source.append(parts[0]).split((''))

target.append(parts[1].split(''))

return source, target

source, target = tokenize_nmt(text)

source[:6], target[:6]

绘制每个文本序列所包含的词元数的直方图。在这个简单的英语-法语数据集中，大多数文本序列的词元数少于20个。

def show_list_len_pair_hist(legend, xlabel, ylable, xlist, ylist):

绘制列表长度对的直方图

d2l.set_figsize()

patchs = d2l.plt.hist([[len(l) for l in xlist], [len(l) for l in ylist]])

d2l.plt.xlabel(xlabel)

d2l.plt.ylabel(ylabel)

for patch in patches[l].patches:

patch.set_hatch('/')

d2l.plt.legend(legend)

show_list_len_pair_hist(['source', 'target'], '# tokens per sequence', 'count', source, target)

9.5.3 词表

由于机器翻译数据集由语言对组成，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次的低频词元视为相同的未知词元。除此之外，我们还制定了额外的特定词元，在小批量时用于将序列填充利用相同长度的填充词元，以及序列的开始词元和结束词元。这些特殊词元在自然语言处理任务中比较常用。

src_vocab = d2l.vocab(source, min_freq=2, reserved_tokens['pad'], 'bos', 'eos')

9.5.4 加载数据集

回想一下，语言模型中的序列样本都有一个固定的长度，这个样本是一个句子的某一部分还是跨越多个句子的一个片段，这个固定长度是由8.3节中的num_steps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和填充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少于num_streps时，我们将在其末尾添加特定的pad词元，直到其长度达到num_steps；我们将截断文本序列，只取其前num_steps个词元，并且丢弃剩余的词元。每个文本序列将具有相同的长度，以便一相同的形状的小批量进行加载。

下面的truncate_pad函数将截断或者填充文本序列。

def truncate_pad(line, num_steps, padding_token):

截断或填充文本序列

if len(line) > num_steps:

return line[:num_steps] 截断

return line [padding_token] * (num_steps - len(line)) 填充

truncate_pad(src_vocab(source[0], 10, src_vocab('pad')))

我们定义一个可以将文本序列转换成小批量数据集用于训练的函数，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，此外，我们还记录了每个文本序列的长度，统计长度时剔除了填充词元，在稍后将要介绍一些模型会需要这个额长度信息。