机器翻译是指将一段文本从一种语言自动翻译到另一种语言。因为一段文本序列在不同语言中的长度不一定相同，所以我们使用机器翻译为例来介绍编码器—解码器和注意力机制的应用。本文基于pytorch环境使用注意力机制实现法语到英语的翻译。
数据预处理
在进行数据预处理之前还有一个非常重要的事情就是定义一些特殊符号。其中“< pad>”（padding）符号用来添加在较短序列后，直到每个序列等长，而“< bos>”和“< eos>”符号分别表示序列的开始和结束。
# 定义三个特殊的标记（token）：
# PAD：Padding，用于填充序列，使其长度一致。
# BOS：Beginning of Sentence，句子的开始标记。
# EOS：End of Sentence，句子的结束标记。
PAD, BOS, EOS = '<pad>', '<bos>', '<eos>'
然后定义两个辅助函数对后面读取的数据进行预处理。
# 将一个序列中所有的词记录在all_tokens中以便之后构造词典，然后在该序列后面添加PAD直到序列
# 长度变为max_seq_len，然后将序列保存在all_seqs中
def process_one_seq(seq_tokens, all_tokens, all_seqs, max_seq_len):
all_tokens.extend(seq_tokens)
seq_tokens += [EOS] + [PAD] * (max_seq_len - len(seq_tokens) - 1)
all_seqs.append(seq_tokens)
# 使用所有的词来构造词典。并将所有序列中的词变换为词索引后构造Tensor
def build_data(all_tokens, all_seqs):
vocab = Vocab.Vocab(collections.Counter(all_tokens),
specials=[PAD, BOS, EOS])
indices = [[vocab.stoi[w] for w in seq] for seq in all_seqs]
return vocab, torch.tensor(indices)
本文使用一个很小的法语-英语数据集，在这个数据集里，每一行是一对法语句子和它对应的英语句子，中间使用'\t'隔开在读取数据时，我们在句末附上"< eos>"符号，并通过添加"< pad>"符号使每个序列长度均为max_seq_len。我们为法语词和英语词分别创建词典。法语词的索引和英语词的索引相互独立。
def read_data(max_seq_len):
# in和out分别是input和output的缩写
# 初始化列表
in_tokens, out_tokens, in_seqs, out_seqs = [], [], [], []
with io.open('fr-en-small.txt') as f:
lines = f.readlines()
# 遍历文件中的每一行
for line in lines:
# 按制表符分割中英文句子
in_seq, out_seq = line.rstrip().split('\t')
# 分割句子为token列表
in_seq_tokens, out_seq_tokens = in_seq.split(' '), out_seq.split(' ')
# 如果输入或输出序列长度大于最大序列长度减1（考虑到EOS标记）
# 则跳过这个样本
if max(len(in_seq_tokens), len(out_seq_tokens)) > max_seq_len - 1:
continue
# 处理输入序列的tokens和序列化数据
process_one_seq(in_seq_tokens, in_tokens, in_seqs, max_seq_len)
# 处理输出序列的tokens和序列化数据
process_one_seq(out_seq_tokens, out_tokens, out_seqs, max_seq_len)
# 使用build_data函数构建输入词汇表和数据
in_vocab, in_data = build_data(in_tokens, in_seqs)
# 使用build_data函数构建输出词汇表和数据
out_vocab, out_data = build_data(out_tokens, out_seqs)
# 返回输入和输出的词汇表以及由输入和输出数据组成的Tensor数据集
return in_vocab, out_vocab, Data.TensorDataset(in_data, out_data)
然后我们就可以读取样本了，该样本分别包含法语词索引序列和英语词索引序列。
max_seq_len = 7
in_vocab, out_vocab, dataset = read_data(max_seq_len)
dataset[0]
可以得到如下输出：
(tensor([ 5, 4, 45, 3, 2, 0, 0]), tensor([ 8, 4, 27, 3, 2, 0, 0]))
注意力机制
为了翻译这段文本，我们需要引入含注意力机制的编码器-解码器。
编码器
在编码器中，我们将输入语言的词索引通过词嵌入层得到词的表征，然后输入到一个多层门控循环单元中。PyTorch的nn.GRU实例在前向计算后也会分别返回输出和最终时间步的多层隐藏状态。其中的输出指的是最后一层的隐藏层在各个时间步的隐藏状态，并不涉及输出层计算。注意力机制将这些输出作为键项和值项。
# 定义Encoder类，继承自nn.Module
class Encoder(nn.Module):
# 初始化方法，构造函数
def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
drop_prob=0, **kwargs):
# 调用基类的初始化方法
super(Encoder, self).__init__(**kwargs)
# 创建一个嵌入层，用于将词汇表中的单词转换为嵌入向量
# vocab_size: 词汇表的大小
# embed_size: 嵌入向量的维度
self.embedding = nn.Embedding(vocab_size, embed_size)
# 创建一个GRU循环神经网络层
# embed_size: 输入特征的数量，即嵌入层的输出维度
# num_hiddens: 隐藏层的维度
# num_layers: GRU的层数
# dropout: 在各层之间丢弃节点的概率，用于防止过拟合
self.rnn = nn.GRU(embed_size, num_hiddens, num_layers, dropout=drop_prob)
# 前向传播方法，定义了模型如何进行计算
def forward(self, inputs, state):
# 将输入数据通过嵌入层转换为嵌入向量
# inputs.long()确保输入数据是长整型，因为嵌入层需要整数索引
# permute(1, 0, 2)将输入数据的形状从(batch_size, seq_len)转换为(seq_len, batch_size, embed_size)
embedding = self.embedding(inputs.long()).permute(1, 0, 2)
# 将嵌入后的序列和之前的状态一起传递给GRU层进行计算
# 返回GRU层的输出和最终状态
return self.rnn(embedding, state)
# 定义一个方法来获取RNN的初始状态
def begin_state(self):
# 这里简单地返回None，表示使用默认的零状态
# 在实际应用中，这里可以返回一个张量，用于初始化RNN的状态
return None
接下来就可以创建一个批量大小为4、时间步数为7的小批量序列输入。设门控循环单元的隐藏层个数为2，隐藏单元个数为16。编码器对该输入执行前向计算后返回的输出形状为(时间步数, 批量大小, 隐藏单元个数)。门控循环单元在最终时间步的多层隐藏状态的形状为(隐藏层个数, 批量大小, 隐藏单元个数)。对于门控循环单元来说，state就是一个元素，即隐藏状态；如果使用长短期记忆，state是一个元组，包含两个元素即隐藏状态和记忆细胞。
# 创建Encoder实例，指定词汇表大小、嵌入层维度、隐藏层维度和层数
encoder = Encoder(vocab_size=10, embed_size=8, num_hiddens=16, num_layers=2)
output, state = encoder(torch.zeros((4, 7)), encoder.begin_state())
output.shape, state.shape # GRU的state是h, 而LSTM的是一个元组(h, c)
上述输出：
(torch.Size([7, 4, 16]), torch.Size([2, 4, 16]))
注意力机制
输入为英语序列“They”“are”“watching”“.”，输出为法语序列“Ils”“regardent”“.”。不难想到，解码器在生成输出序列中的每一个词时可能只需利用输入序列某一部分的信息。例如，在输出序列的时间步1，解码器可以主要依赖“They”“are”的信息来生成“Ils”，在时间步2则主要使用来自“watching”的编码信息生成“regardent”，最后在时间步3则直接映射句号“.”。这看上去就像是在解码器的每一时间步对输入序列中不同时间步的表征或编码信息分配不同的注意力一样。
函数𝑎：将输入连结后通过含单隐藏层的多层感知机变换。其中隐藏层的输入是解码器的隐藏状态与编码器在所有时间步上隐藏状态的一一连结，且使用tanh函数作为激活函数。输出层的输出个数为1。两个Linear实例均不使用偏差。其中函数a定义的向量v的长度是一个超参数，即attention_size.
def attention_model(input_size, attention_size):
# 第一层是一个线性层，将输入从input_size维度转换到attention_size维度
# bias=False表示不使用偏置项
model = nn.Sequential(nn.Linear(input_size, attention_size, bias=False),
# 第二层是一个激活函数，这里使用的是双曲正切函数
# 它将线性层的输出映射到(-1, 1)区间，有助于引入非线性
nn.Tanh(),
# 第三层是另一个线性层，将attention_size维度的输出转换为1维
# 这个1维输出将被用作注意力分数的计算
# bias=False同样表示不使用偏置项
nn.Linear(attention_size, 1, bias=False))
return model
注意力机制的输入包括查询项、键项和值项。设编码器和解码器的隐藏单元个数相同。这里的查询项为解码器在上一时间步的隐藏状态，形状为(批量大小, 隐藏单元个数)；键项和值项均为编码器在所有时间步的隐藏状态，形状为(时间步数, 批量大小, 隐藏单元个数)。注意力机制返回当前时间步的背景变量，形状为(批量大小, 隐藏单元个数)。
def attention_forward(model, enc_states, dec_state):
"""
enc_states: (时间步数, 批量大小, 隐藏单元个数)
dec_state: (批量大小, 隐藏单元个数)
"""
# 将解码器隐藏状态广播到和编码器隐藏状态形状相同后进行连结
dec_states = dec_state.unsqueeze(dim=0).expand_as(enc_states)
enc_and_dec_states = torch.cat((enc_states, dec_states), dim=2)
e = model(enc_and_dec_states) # 形状为(时间步数, 批量大小, 1)
alpha = F.softmax(e, dim=0) # 在时间步维度做softmax运算
return (alpha * enc_states).sum(dim=0) # 返回背景变量
在下面的例子中，编码器的时间步数为10，批量大小为4，编码器和解码器的隐藏单元个数均为8。注意力机制返回一个小批量的背景向量，每个背景向量的长度等于编码器的隐藏单元个数。因此输出的形状为(4, 8)。
seq_len, batch_size, num_hiddens = 10, 4, 8
model = attention_model(2*num_hiddens, 10)
# 初始化编码器状态张量，形状为(seq_len, batch_size, num_hiddens)，填充为0
enc_states = torch.zeros((seq_len, batch_size, num_hiddens))
# 初始化解码器状态张量，形状为(batch_size, num_hiddens)，填充为0
dec_state = torch.zeros((batch_size, num_hiddens))
attention_forward(model, enc_states, dec_state).shape
得到输出为：
torch.Size([4, 8])
含注意力机制的解码器
们直接将编码器在最终时间步的隐藏状态作为解码器的初始隐藏状态。这要求编码器和解码器的循环神经网络使用相同的隐藏层个数和隐藏单元个数。
在解码器的前向计算中，我们先通过刚刚介绍的注意力机制计算得到当前时间步的背景向量。由于解码器的输入来自输出语言的词索引，我们将输入通过词嵌入层得到表征，然后和背景向量在特征维连结。我们将连结后的结果与上一时间步的隐藏状态通过门控循环单元计算出当前时间步的输出与隐藏状态。最后，我们将输出通过全连接层变换为有关各个输出词的预测，形状为(批量大小, 输出词典大小)。
class Decoder(nn.Module):
def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
attention_size, drop_prob=0):
super(Decoder, self).__init__()
self.embedding = nn.Embedding(vocab_size, embed_size)
self.attention = attention_model(2*num_hiddens, attention_size)
# GRU的输入包含attention输出的c和实际输入, 所以尺寸是 num_hiddens+embed_size
self.rnn = nn.GRU(num_hiddens + embed_size, num_hiddens,
num_layers, dropout=drop_prob)
self.out = nn.Linear(num_hiddens, vocab_size)
def forward(self, cur_input, state, enc_states):
"""
cur_input shape: (batch, )
state shape: (num_layers, batch, num_hiddens)
"""
# 使用注意力机制计算背景向量
c = attention_forward(self.attention, enc_states, state[-1])
# 将嵌入后的输入和背景向量在特征维连结, (批量大小, num_hiddens+embed_size)
input_and_c = torch.cat((self.embedding(cur_input), c), dim=1)
# 为输入和背景向量的连结增加时间步维，时间步个数为1
output, state = self.rnn(input_and_c.unsqueeze(0), state)
# 移除时间步维，输出形状为(批量大小, 输出词典大小)
output = self.out(output).squeeze(dim=0)
return output, state
def begin_state(self, enc_state):
# 直接将编码器最终时间步的隐藏状态作为解码器的初始隐藏状态
return enc_state
训练模型
我们先实现batch_loss函数计算一个小批量的损失。解码器在最初时间步的输入是特殊字符 BOS 。之后，解码器在某时间步的输入为样本输出序列在上一时间步的词，即强制教学。此外，我们在这里使用掩码变量避免填充项对损失函数计算的影响。
def batch_loss(encoder, decoder, X, Y, loss):
batch_size = X.shape[0]
enc_state = encoder.begin_state()
enc_outputs, enc_state = encoder(X, enc_state)
# 初始化解码器的隐藏状态
dec_state = decoder.begin_state(enc_state)
# 解码器在最初时间步的输入是BOS
dec_input = torch.tensor([out_vocab.stoi[BOS]] * batch_size)
# 我们将使用掩码变量mask来忽略掉标签为填充项PAD的损失, 初始全1
mask, num_not_pad_tokens = torch.ones(batch_size,), 0
l = torch.tensor([0.0])
for y in Y.permute(1,0): # Y shape: (batch, seq_len)
dec_output, dec_state = decoder(dec_input, dec_state, enc_outputs)
l = l + (mask * loss(dec_output, y)).sum()
dec_input = y # 使用强制教学
num_not_pad_tokens += mask.sum().item()
# EOS后面全是PAD. 下面一行保证一旦遇到EOS接下来的循环中mask就一直是0
mask = mask * (y != out_vocab.stoi[EOS]).float()
return l / num_not_pad_tokens
在训练函数中，我们需要同时迭代编码器和解码器的模型参数。
def train(encoder, decoder, dataset, lr, batch_size, num_epochs):
# 使用Adam优化器来优化编码器的参数，学习率为lr
enc_optimizer = torch.optim.Adam(encoder.parameters(), lr=lr)
# 使用Adam优化器来优化解码器的参数，学习率为lr
dec_optimizer = torch.optim.Adam(decoder.parameters(), lr=lr)
# 初始化交叉熵损失函数，设置reduction='none'表示不自动对损失求和或平均
loss = nn.CrossEntropyLoss(reduction='none')
# 创建数据加载器，用于批量加载数据，并在每个epoch开始时打乱数据
data_iter = torch.utils.data.DataLoader(dataset, batch_size, shuffle=True)
# 外层循环：迭代num_epochs个epoch
for epoch in range(num_epochs):
l_sum = 0.0 # 初始化损失和为0，用于累积每个batch的损失
# 内层循环：迭代每个batch的数据
for X, Y in data_iter:
# 清除编码器和解码器的梯度
enc_optimizer.zero_grad()
dec_optimizer.zero_grad()
# 计算当前batch的损失，这里假设batch_loss是一个已经定义好的函数
l = batch_loss(encoder, decoder, X, Y, loss)
# 反向传播，计算损失相对于模型参数的梯度
l.backward()
# 更新编码器和解码器的参数
enc_optimizer.step()
dec_optimizer.step()
# 累加损失
l_sum += l.item()
# 每10个epoch打印一次训练进度
if (epoch + 1) % 10 == 0:
print("epoch %d, loss %.3f" % (epoch + 1, l_sum / len(data_iter)))
接下来，创建模型实例并设置超参数。然后，我们就可以训练模型了。
from torch.utils.data import _utils
embed_size, num_hiddens, num_layers = 64, 64, 2
# 注意力机制的维度，dropout概率，学习率，批量大小，以及训练的epoch数
attention_size, drop_prob, lr, batch_size, num_epochs = 10, 0.5, 0.01, 2, 50
encoder = Encoder(len(in_vocab), embed_size, num_hiddens, num_layers,
drop_prob)
# 创建解码器实例，使用指定的参数，包括注意力机制的维度
decoder = Decoder(len(out_vocab), embed_size, num_hiddens, num_layers,
attention_size, drop_prob)
# 调用train函数来训练模型，传入编码器、解码器、数据集、学习率、批量大小和epoch数
train(encoder, decoder, dataset, lr, batch_size, num_epochs)
得到如下输出：
epoch 10, loss 0.532
epoch 20, loss 0.166
epoch 30, loss 0.070
epoch 40, loss 0.022
epoch 50, loss 0.009
预测不定长序列
为了生成解码器在每个时间步的输出。这里我们实现最简单的贪婪搜索。
def translate(encoder, decoder, input_seq, max_seq_len):
# 将输入序列拆分为单词
in_tokens = input_seq.split(' ')
# 确保输入序列的长度不超过max_seq_len，不足部分用PAD填充
# 并在序列末尾添加EOS标记，表示序列结束
in_tokens += [EOS] + [PAD] * (max_seq_len - len(in_tokens) - 1)
# 将输入序列的单词转换为对应的数值索引，并创建一个形状为(batch_size, seq_len)的张量
# 这里batch_size为1，因为一次翻译一个序列
enc_input = torch.tensor([[in_vocab.stoi[tk] for tk in in_tokens]]) # batch=1
# 获取编码器的初始状态
enc_state = encoder.begin_state()
# 编码输入序列，获取编码器的输出和最终状态
enc_output, enc_state = encoder(enc_input, enc_state)
# 准备解码器的初始输入，这里使用BOS标记
dec_input = torch.tensor([out_vocab.stoi[BOS]])
# 使用编码器的最终状态来初始化解码器的状态
dec_state = decoder.begin_state(enc_state)
output_tokens = []
# 解码过程，持续到最大序列长度或遇到EOS标记
for _ in range(max_seq_len):
# 解码器使用当前输入和状态，以及编码器的输出来生成下一个词的预测
dec_output, dec_state = decoder(dec_input, dec_state, enc_output)
# 从解码器的输出中选取概率最高的词的索引
pred = dec_output.argmax(dim=1)
# 将预测的词索引转换回单词
pred_token = out_vocab.itos[int(pred.item())]
# 如果预测的词是EOS，则翻译结束
if pred_token == EOS:
break
else:
# 将预测的词添加到输出序列
output_tokens.append(pred_token)
# 将预测的词作为解码器的下一个输入
dec_input = pred
return output_tokens
简单测试一下模型。输入法语句子“ils regardent.”，翻译后的英语句子应该是“they are watching.”。
input_seq = 'ils regardent .'
translate(encoder, decoder, input_seq, max_seq_len)
得到模型的输出为：
['they', 'are', 'watching', '.']
评价翻译结果
对于翻译结果的好坏，我通常使用BLEU（Bilingual Evaluation Understudy）[1]。对于模型预测序列中任意的子序列，BLEU考察这个子序列是否出现在标签序列中。 具体来说，设词数为𝑛的子序列的精度为。它是预测序列与标签序列匹配词数为的子序列的数量与预测序列中词数为的子序列的数量之比。举个例子，假设标签序列为、、、、、，预测序列为、、、、，那么。设和分别为标签序列和预测序列的词数，那么，BLEU的定义为
其中是我们希望匹配的子序列的最大词数。可以看到当预测序列和标签序列完全一致时，BLEU为1。
因为匹配较长子序列比匹配较短子序列更难，BLEU对匹配较长子序列的精度赋予了更大权重。例如，当固定在0.5时，随着的增大，。另外，模型预测较短序列往往会得到较高值。因此，上式中连乘项前面的系数是为了惩罚较短的输出而设的。举个例子，当时，假设标签序列为、、、、、，而预测序列为、。虽然，但惩罚系数，因此BLEU也接近0.14。
下面来实现BLEU的计算。
def bleu(pred_tokens, label_tokens, k):
# 计算预测词序列和参考词序列的长度。
len_pred, len_label = len(pred_tokens), len(label_tokens)
# 初始化BLEU分数，使用公式 exp(1 - len_label / len_pred) 来惩罚过长的预测词序列。
score = math.exp(min(0, 1 - len_label / len_pred))
# 遍历从1-gram到k-gram的所有n-gram。
for n in range(1, k + 1):
# 初始化匹配的n-gram数量和参考词序列中n-gram的计数字典。
num_matches, label_subs = 0, collections.defaultdict(int)
# 遍历参考词序列中的每个可能的n-gram。
for i in range(len_label - n + 1):
# 将当前n-gram添加到字典中，并增加其计数。
label_subs[''.join(label_tokens[i: i + n])] += 1
# 遍历预测词序列中的每个可能的n-gram。
for i in range(len_pred - n + 1):
# 如果当前n-gram在参考词序列的字典中存在，则增加匹配数量，并减少字典中的计数。
if label_subs[''.join(pred_tokens[i: i + n])] > 0:
num_matches += 1
label_subs[''.join(pred_tokens[i: i + n])] -= 1
# 更新BLEU分数，使用公式 (num_matches / (len_pred - n + 1)) ** (0.5 ** n)。
# 这里使用了0.5的n次方来对分数进行缩放，以平衡不同长度的n-gram的贡献。
score *= math.pow(num_matches / (len_pred - n + 1), math.pow(0.5, n))
return score
接下来，定义一个辅助打印函数。
# 定义一个函数，用于评估翻译模型的性能，接受输入序列、标签序列和n-gram阶数k。
def score(input_seq, label_seq, k):
# 使用encoder和decoder对输入序列进行翻译，得到预测的词序列。
# 这里假设encoder和decoder是已经定义好的翻译模型的编码器和解码器函数。
# max_seq_len是序列的最大长度，假设它也是一个已知的变量。
pred_tokens = translate(encoder, decoder, input_seq, max_seq_len)
# 将标签序列按空格分割成词序列。
label_tokens = label_seq.split(' ')
# 打印翻译的预测词序列和计算得到的BLEU分数。
# 这里假设bleu函数已经定义好，用于计算预测词序列和标签词序列之间的BLEU分数。
# ' '.join(pred_tokens)将pred_tokens列表转换成一个由空格分隔的字符串。
print('bleu %.3f, predict: %s' % (bleu(pred_tokens, label_tokens, k),
' '.join(pred_tokens)))
预测正确则分数为1。我们来看一下这个模型发挥如何吧。
score('ils regardent .', 'they are watching .', k=2)
得到结果为：
bleu 1.000, predict: they are watching .
score('ils sont canadienne .', 'they are canadian .', k=2)
得到结果为：
bleu 0.658, predict: they are watching .
小结
- 可以将编码器—解码器和注意力机制应用于机器翻译中。
- BLEU可以用来评价翻译结果。
参考文献
[1] Papineni, K., Roukos, S., Ward, T., & Zhu, W. J. (2002, July). BLEU: a method for automatic evaluation of machine translation. In Proceedings of the 40th annual meeting on association for computational linguistics (pp. 311-318). Association for Computational Linguistics.
