动手学深度学习（四十三）——机器翻译及其数据构建_结合机器翻译构建

  这篇Blog开始介绍翻译，都是NLP的相关内容，翻译和我们前面提到的序列预测（RNN、LSTM、GRU等等）、填空（Bi-RNN）等等有什么联系和区别？

一、机器翻译

  机器翻译（machine translation）指的是将序列从一种语言自动翻译成另一种语言。事实上，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解语言编码。几十年来，在使用神经网络进行端到端学习的兴起之前，统计学方法在这一领域一直占据主导地位Brown.Cocke.Della-Pietra.ea.1988, Brown.Cocke.Della-Pietra.ea.1990 。因为 统计机器翻译（statistical machine translation）涉及了翻译模型和语言模型等组成部分的统计分析，因此基于神经网络的方法通常被称为 神经机器翻译（neural machine translation），用于将两种翻译模型区分开来。（统计机器翻译与神经机器翻译）

  我们主要关注神经机器翻译方法，强调的是端到端的学习。与语言模型中的语料库是单一语言的语言模型问题存在不同，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。下面，我们将展示如何将预处理后的数据加载到小批量中用于训练。

二、机器翻译数据集

import os
import torch 
from d2l import torch as d2l
1
2
3

1. 下载和预处理数据集

  首先，下载一个由Tatoeba项目的双语句子对组成的“英－法”数据集，数据集中的每一行都是制表符分隔文本序列对，序列对由英文文本序列和翻译后的法语文本序列组成。请注意，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法语的机器翻译问题中，英语是 源语言（source language），法语是 目标语言（target language）。

d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
                           '94646ad1522d915e7b0f9296181140edcf86a4f5')

def read_data_nmt():
    """载入“英语-法语”数据集"""
    data_dir = d2l.download_extract('fra-eng')
    with open(os.path.join(data_dir,'fra.txt'),'r') as f:
        return f.read()

raw_text = read_data_nmt()
print(raw_text[:80])
1
2
3
4
5
6
7
8
9
10
11

Go.	Va !
Hi.	Salut !
Run!	Cours !
Run!	Courez !
Who?	Qui ?
Wow!	Ça alors !
Fire!
1
2
3
4
5
6
7

1.1 文本预处理

1. 使用空格代替不间断空格（non-breaking space）
2. 使用小写字母代替大写字母
3. 在单词和标点符号之间插入空格

def preprocess_nmt(text):
    """预处理"""
    # 使用空格替换不间断空格,(\xa0是拉丁扩展字符集里的字符，代表的是不间断空白符)
    # 使用小写字母替换大写字母
    text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()
    # 在单词和标点符号之间插入空格
    out = ''
    for i,char in enumerate(text):
        if i>0 and char in (',','!','.','?') and text[i-1] !=' ':
            out += ' '
        out +=char
    # 下面是沐神的原代码，我写成上面的感觉比较好理解
#     def no_space(char,prev_char):
#         return char in set(',.!?') and prev_char != ' '
#     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])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

go .	va !
hi .	salut !
run !	cours !
run !	courez !
who ?	qui ?
wow !	ça alors !
1
2
3
4
5
6

1.2 词元化 tokenization

我个人的理解：将句子/段落划分成一个个单词组成的向量。就像是把一把