datawhale - 基于术语词典干预的机器翻译挑战赛 (一)

文章目录

  • [torchtext 库是干什么用的 ?](#torchtext 库是干什么用的 ?)
  • [TranslationDataset 类](#TranslationDataset 类)
  • [定义 Seq2Seq模型](#定义 Seq2Seq模型)
  • [load_terminology_dictionary 函数](#load_terminology_dictionary 函数)
  • [train 函数](#train 函数)
  • 主程序代码
  • 模型评价
    • [load_sentences 函数](#load_sentences 函数)
    • [translate_sentence 函数](#translate_sentence 函数)
    • [evaluate_bleu 函数](#evaluate_bleu 函数)
    • 主程序
  • 测试集上进行推理
    • [inference 函数](#inference 函数)
    • 主程序

torchtext 库是干什么用的 ?

torchtext 是一个用于处理文本数据的库,它是 PyTorch 生态系统的一部分。这个库主要用于简化文本数据的预处理和加载过程,使得在深度学习模型中使用文本数据变得更加容易。以下是 torchtext 库的一些主要功能:

  1. 数据加载torchtext 提供了方便的 API 来加载和处理各种文本数据集,包括常见的数据集格式如 CSV、TSV 等。

  2. 文本预处理:它包含了一系列的文本预处理工具,如分词、词干提取、词性标注等,这些工具可以帮助你将原始文本转换为模型可以理解的格式。

  3. 词汇表管理torchtext 可以自动构建词汇表,并将文本转换为数值表示(如词嵌入),这对于深度学习模型来说是必不可少的。

  4. 数据迭代器:它提供了数据迭代器,可以方便地将数据分批加载到模型中进行训练,支持多线程和多进程加载,提高了数据加载的效率。

  5. 与 PyTorch 集成torchtext 与 PyTorch 深度集成,可以直接将处理好的数据输入到 PyTorch 模型中,简化了整个深度学习流程。


TranslationDataset 类

python 复制代码
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
from torchtext.data.utils import get_tokenizer
from collections import Counter
import random
from torch.utils.data import Subset, DataLoader
import time

# 定义数据集类
# 修改TranslationDataset类以处理术语
class TranslationDataset(Dataset):
    def __init__(self, filename, terminology):
        self.data = []
        with open(filename, 'r', encoding='utf-8') as f:
            for line in f:
                en, zh = line.strip().split('\t')
                self.data.append((en, zh))
  • class TranslationDataset(Dataset)::定义一个继承自Dataset类的子类TranslationDataset
  • def __init__(self, filename, terminology)::初始化方法,接受两个参数:filename(数据文件名)和terminology(术语词典)。
  • self.data = []:初始化一个空列表self.data,用于存储数据。
  • with open(filename, 'r', encoding='utf-8') as f::打开文件,使用UTF-8编码读取。
  • for line in f::逐行读取文件内容。
  • en, zh = line.strip().split('\t'):去掉行末的换行符,并按制表符分割成英文和中文。
  • self.data.append((en, zh)):将英文和中文对添加到self.data列表中。
python 复制代码
        self.terminology = terminology
        
        # 创建词汇表,注意这里需要确保术语词典中的词也被包含在词汇表中
        self.en_tokenizer = get_tokenizer('basic_english')
        self.zh_tokenizer = list  # 使用字符级分词
  • self.terminology = terminology:将传入的术语词典赋值给self.terminology
  • self.en_tokenizer = get_tokenizer('basic_english'):使用basic_english分词器对英文进行分词。
  • self.zh_tokenizer = list:使用字符级分词,即将中文句子拆分成单个字符。
python 复制代码
        en_vocab = Counter(self.terminology.keys())  # 确保术语在词汇表中
        zh_vocab = Counter()
        
        print("en_vocab的值为:", en_vocab)
        print("zn_vocab的值为:", zn_vocab)
  • en_vocab = Counter(self.terminology.keys()):初始化英文词汇表,确保术语词典中的词在词汇表中。
  • zh_vocab = Counter():初始化中文词汇表。
  • print("en_vocab的值为:", en_vocab):打印英文词汇表的值。
  • print("zn_vocab的值为:", zn_vocab):打印中文词汇表的值。
python 复制代码
        for en, zh in self.data:
            en_vocab.update(self.en_tokenizer(en))
            zh_vocab.update(self.zh_tokenizer(zh))
  • for en, zh in self.data::遍历数据集中的每一对英文和中文。
  • en_vocab.update(self.en_tokenizer(en)):更新英文词汇表,统计每个词的出现频率。
  • zh_vocab.update(self.zh_tokenizer(zh)):更新中文词汇表,统计每个字符的出现频率。
python 复制代码
        # 添加术语到词汇表
        self.en_vocab = ['<pad>', '<sos>', '<eos>'] + list(self.terminology.keys()) + [word for word, _ in en_vocab.most_common(10000)]
        self.zh_vocab = ['<pad>', '<sos>', '<eos>'] + [word for word, _ in zh_vocab.most_common(10000)]
  • self.en_vocab = ['<pad>', '<sos>', '<eos>'] + list(self.terminology.keys()) + [word for word, _ in en_vocab.most_common(10000)]:构建英文词汇表,包含特殊标记(<pad>, <sos>, <eos>)、术语词典中的词以及出现频率最高的10000个词。
  • self.zh_vocab = ['<pad>', '<sos>', '<eos>'] + [word for word, _ in zh_vocab.most_common(10000)]:构建中文词汇表,包含特殊标记(<pad>, <sos>, <eos>)以及出现频率最高的10000个字符。
python 复制代码
        self.en_word2idx = {word: idx for idx, word in enumerate(self.en_vocab)}
        self.zh_word2idx = {word: idx for idx, word in enumerate(self.zh_vocab)}
  • self.en_word2idx = {word: idx for idx, word in enumerate(self.en_vocab)}:构建英文词到索引的映射字典。
  • self.zh_word2idx = {word: idx for idx, word in enumerate(self.zh_vocab)}:构建中文词到索引的映射字典。
python 复制代码
    def __len__(self):
        return len(self.data)
  • def __len__(self)::定义数据集的长度方法。
  • return len(self.data):返回数据集的长度。
python 复制代码
    def __getitem__(self, idx):
        en, zh = self.data[idx]
        en_tensor = torch.tensor([self.en_word2idx.get(word, self.en_word2idx['<sos>']) for word in self.en_tokenizer(en)] + [self.en_word2idx['<eos>']])
        zh_tensor = torch.tensor([self.zh_word2idx.get(word, self.zh_word2idx['<sos>']) for word in self.zh_tokenizer(zh)] + [self.zh_word2idx['<eos>']])
        return en_tensor, zh_tensor
  • def __getitem__(self, idx)::定义获取数据项的方法。
  • en, zh = self.data[idx]:获取指定索引的数据项。
  • en_tensor = torch.tensor([self.en_word2idx.get(word, self.en_word2idx['<sos>']) for word in self.en_tokenizer(en)] + [self.en_word2idx['<eos>']]):将英文句子转换为索引张量,并在末尾添加<eos>标记。
  • zh_tensor = torch.tensor([self.zh_word2idx.get(word, self.zh_word2idx['<sos>']) for word in self.zh_tokenizer(zh)] + [self.zh_word2idx['<eos>']]):将中文句子转换为索引张量,并在末尾添加<eos>标记。
  • return en_tensor, zh_tensor:返回转换后的英文和中文张量。
python 复制代码
def collate_fn(batch):
    en_batch, zh_batch = [], []
    for en_item, zh_item in batch:
        en_batch.append(en_item)
        zh_batch.append(zh_item)
    
    # 对英文和中文序列分别进行填充
    en_batch = nn.utils.rnn.pad_sequence(en_batch, padding_value=0, batch_first=True)
    zh_batch = nn.utils.rnn.pad_sequence(zh_batch, padding_value=0, batch_first=True)
    
    return en_batch, zh_batch
  • def collate_fn(batch)::定义一个用于处理批量数据的函数。
  • en_batch, zh_batch = [], []:初始化两个空列表,用于存储批量数据。
  • for en_item, zh_item in batch::遍历批量数据中的每一对英文和中文张量。
  • en_batch.append(en_item):将英文张量添加到en_batch列表中。
  • zh_batch.append(zh_item):将中文张量添加到zh_batch列表中。
  • en_batch = nn.utils.rnn.pad_sequence(en_batch, padding_value=0, batch_first=True):对英文序列进行填充,使其长度一致。
  • zh_batch = nn.utils.rnn.pad_sequence(zh_batch, padding_value=0, batch_first=True):对中文序列进行填充,使其长度一致。
  • return en_batch, zh_batch:返回填充后的英文和中文批量数据。

定义 Seq2Seq模型

Encoder

python 复制代码
class Encoder(nn.Module):
    def __init__(self, input_dim, emb_dim, hid_dim, n_layers, dropout):
        super().__init__()
        self.embedding = nn.Embedding(input_dim, emb_dim)
        self.rnn = nn.GRU(emb_dim, hid_dim, n_layers, dropout=dropout, batch_first=True)
        self.dropout = nn.Dropout(dropout)

    def forward(self, src):
        # src shape: [batch_size, src_len]
        embedded = self.dropout(self.embedding(src))
        # embedded shape: [batch_size, src_len, emb_dim]
        outputs, hidden = self.rnn(embedded)
        # outputs shape: [batch_size, src_len, hid_dim]
        # hidden shape: [n_layers, batch_size, hid_dim]
        return outputs, hidden
  • 初始化
    • input_dim:输入词汇表的大小。
    • emb_dim:嵌入层的维度。
    • hid_dim:隐藏层的维度。
    • n_layers:RNN的层数。
    • dropout:Dropout的概率。
  • 前向传播
    • 输入src的形状为[batch_size, src_len]
    • 通过嵌入层和Dropout层,得到embedded,形状为[batch_size, src_len, emb_dim]
    • 通过GRU层,得到outputshidden,形状分别为[batch_size, src_len, hid_dim][n_layers, batch_size, hid_dim]

Decoder

python 复制代码
class Decoder(nn.Module):
    def __init__(self, output_dim, emb_dim, hid_dim, n_layers, dropout):
        super().__init__()
        self.output_dim = output_dim
        self.embedding = nn.Embedding(output_dim, emb_dim)
        self.rnn = nn.GRU(emb_dim, hid_dim, n_layers, dropout=dropout, batch_first=True)
        self.fc_out = nn.Linear(hid_dim, output_dim)
        self.dropout = nn.Dropout(dropout)

    def forward(self, input, hidden):
        # input shape: [batch_size, 1]
        # hidden shape: [n_layers, batch_size, hid_dim]
        
        embedded = self.dropout(self.embedding(input))
        # embedded shape: [batch_size, 1, emb_dim]
        
        output, hidden = self.rnn(embedded, hidden)
        # output shape: [batch_size, 1, hid_dim]
        # hidden shape: [n_layers, batch_size, hid_dim]
        
        prediction = self.fc_out(output.squeeze(1))
        # prediction shape: [batch_size, output_dim]
        
        return prediction, hidden
  • 初始化
    • output_dim:输出词汇表的大小。
    • emb_dim:嵌入层的维度。
    • hid_dim:隐藏层的维度。
    • n_layers:RNN的层数。
    • dropout:Dropout的概率。
  • 前向传播
    • 输入input的形状为[batch_size, 1]hidden的形状为[n_layers, batch_size, hid_dim]
    • 通过嵌入层和Dropout层,得到embedded,形状为[batch_size, 1, emb_dim]
    • 通过GRU层,得到outputhidden,形状分别为[batch_size, 1, hid_dim][n_layers, batch_size, hid_dim]
    • 通过全连接层,得到prediction,形状为[batch_size, output_dim]

Seq2Seq 类

python 复制代码
class Seq2Seq(nn.Module):
    def __init__(self, encoder, decoder, device):
        super().__init__()
        self.encoder = encoder
        self.decoder = decoder
        self.device = device

    def forward(self, src, trg, teacher_forcing_ratio=0.5):
        # src shape: [batch_size, src_len]
        # trg shape: [batch_size, trg_len]
        
        batch_size = src.shape[0]
        trg_len = trg.shape[1]
        trg_vocab_size = self.decoder.output_dim

        outputs = torch.zeros(batch_size, trg_len, trg_vocab_size).to(self.device)
        
        _, hidden = self.encoder(src)
        
        input = trg[:, 0].unsqueeze(1)  # Start token
        
        for t in range(1, trg_len):
            output, hidden = self.decoder(input, hidden)
            outputs[:, t, :] = output
            teacher_force = random.random() < teacher_forcing_ratio
            top1 = output.argmax(1)
            input = trg[:, t].unsqueeze(1) if teacher_force else top1.unsqueeze(1)

        return outputs
  • 初始化
    • encoder:编码器实例。
    • decoder:解码器实例。
    • device:设备(CPU或GPU)。
  • 前向传播
    • 输入src的形状为[batch_size, src_len]trg的形状为[batch_size, trg_len]
    • 初始化outputs,形状为[batch_size, trg_len, trg_vocab_size]
    • 通过编码器得到hidden
    • 初始化解码器的输入为trg[:, 0].unsqueeze(1),即目标序列的起始标记。
    • 循环解码目标序列的每个时间步:
      • 通过解码器得到outputhidden
      • output存储到outputs中。
      • 根据teacher_forcing_ratio决定是否使用教师强制(即使用目标序列的下一个词作为输入,还是使用解码器的预测结果)。

load_terminology_dictionary 函数

  1. 函数定义:

    python 复制代码
    def load_terminology_dictionary(dict_file):
    • dict_file: 这是一个字符串参数,表示包含术语词典的文件路径。
  2. 初始化术语词典:

    python 复制代码
    terminology = {}
    • 创建一个空的字典 terminology,用于存储从文件中读取的术语。
  3. 打开文件并读取内容:

    python 复制代码
    with open(dict_file, 'r', encoding='utf-8') as f:
        for line in f:
            en_term, ch_term = line.strip().split('\t')
            terminology[en_term] = ch_term
    • 使用 with open 语句打开文件,确保文件在使用后正确关闭。
    • 文件以只读模式 ('r') 打开,并指定编码为 utf-8
    • 逐行读取文件内容,每行包含一个英文术语和对应的中文术语,用制表符 (\t) 分隔。
    • line.strip() 用于去除行末的换行符和其他空白字符。
    • split('\t') 将行按制表符分隔成两个部分,分别赋值给 en_termch_term
    • 将英文术语作为键,中文术语作为值,添加到 terminology 字典中。
  4. 返回术语词典:

    python 复制代码
    return terminology
    • 函数返回加载后的术语词典。
示例用法

假设有一个文件 terminology.txt,内容如下:

apple  苹果
banana  香蕉
orange  橙子

调用 load_terminology_dictionary 函数:

python 复制代码
terminology = load_terminology_dictionary('terminology.txt')
print(terminology)

输出结果将是:

python 复制代码
{'apple': '苹果', 'banana': '香蕉', 'orange': '橙子'}

train 函数

python 复制代码
def train(model, iterator, optimizer, criterion, clip):
  • 定义一个名为 train 的函数,该函数接受五个参数:model(模型)、iterator(数据迭代器)、optimizer(优化器)、criterion(损失函数)和 clip(梯度裁剪的阈值)。
python 复制代码
    model.train()
  • 将模型设置为训练模式。这会启用诸如 dropout 和 batch normalization 等训练特有的操作。
python 复制代码
    epoch_loss = 0
  • 初始化 epoch_loss 变量为 0,用于累积整个 epoch 的损失。
python 复制代码
    for i, (src, trg) in enumerate(iterator):
  • 使用 enumerate 遍历数据迭代器 iterator,每次迭代获取一个批次的数据 (src, trg),其中 src 是源序列,trg 是目标序列。
python 复制代码
        src, trg = src.to(device), trg.to(device)
  • 将源序列和目标序列移动到指定的设备(如 GPU)上。
python 复制代码
        optimizer.zero_grad()
  • 将优化器的梯度清零,以防止梯度累积。
python 复制代码
        output = model(src, trg)
  • 将源序列和目标序列输入模型,得到模型的输出。
python 复制代码
        output_dim = output.shape[-1]
  • 获取输出张量的最后一个维度的大小,即输出序列的词汇表大小。
python 复制代码
        output = output[:, 1:].contiguous().view(-1, output_dim)
  • 去掉输出序列的第一个时间步(通常是起始标记),并将剩余部分展平成二维张量,形状为 (batch_size * (sequence_length - 1), output_dim)
python 复制代码
        trg = trg[:, 1:].contiguous().view(-1)
  • 去掉目标序列的第一个时间步,并将剩余部分展平成一维张量,形状为 (batch_size * (sequence_length - 1))
python 复制代码
        loss = criterion(output, trg)
  • 计算损失,使用定义的损失函数 criterion
python 复制代码
        loss.backward()
  • 反向传播,计算梯度。
python 复制代码
        torch.nn.utils.clip_grad_norm_(model.parameters(), clip)
  • 对模型的梯度进行裁剪,防止梯度爆炸。裁剪的阈值由参数 clip 指定。
python 复制代码
        optimizer.step()
  • 更新模型的参数。
python 复制代码
        epoch_loss += loss.item()
  • 将当前批次的损失值累加到 epoch_loss 中。
python 复制代码
    return epoch_loss / len(iterator)
  • 返回整个 epoch 的平均损失。

主程序代码

python 复制代码
if __name__ == '__main__':
  • 这是一个常见的Python惯用法,用于判断当前模块是否是主程序入口。如果是,则执行后续代码。后同。
python 复制代码
    start_time = time.time()  # 开始计时
  • 记录程序开始执行的时间,用于后续计算总运行时间。
python 复制代码
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
  • 检查是否有可用的CUDA设备(即GPU),如果有则使用GPU,否则使用CPU。
python 复制代码
    terminology = load_terminology_dictionary('../dataset/en-zh.dic')
  • 加载术语字典,该字典可能包含特定领域的术语翻译。
python 复制代码
    dataset = TranslationDataset('../dataset/train.txt', terminology=terminology)
  • 创建一个 TranslationDataset 对象,该对象用于加载和处理训练数据。
python 复制代码
    N = 1000  # int(len(dataset) * 1)  # 或者你可以设置为数据集大小的一定比例,如 int(len(dataset) * 0.1)
    subset_indices = list(range(N))
    subset_dataset = Subset(dataset, subset_indices)
  • 选择数据集的前1000个样本进行训练。subset_indices 是一个包含前1000个索引的列表,subset_dataset 是原始数据集的一个子集。
python 复制代码
    train_loader = DataLoader(subset_dataset, batch_size=32, shuffle=True, collate_fn=collate_fn)
  • 创建一个 DataLoader 对象,用于批量加载数据。batch_size 设置为32,shuffle 设置为 True 以打乱数据顺序,collate_fn 是一个自定义函数,用于处理批次数据的拼接。
python 复制代码
    INPUT_DIM = len(dataset.en_vocab)
    OUTPUT_DIM = len(dataset.zh_vocab)
    ENC_EMB_DIM = 256
    DEC_EMB_DIM = 256
    HID_DIM = 512
    N_LAYERS = 2
    ENC_DROPOUT = 0.5
    DEC_DROPOUT = 0.5
  • 定义模型参数,包括输入和输出维度、嵌入维度、隐藏层维度、层数和 dropout 率。
python 复制代码
    enc = Encoder(INPUT_DIM, ENC_EMB_DIM, HID_DIM, N_LAYERS, ENC_DROPOUT)
    dec = Decoder(OUTPUT_DIM, DEC_EMB_DIM, HID_DIM, N_LAYERS, DEC_DROPOUT)
    model = Seq2Seq(enc, dec, device).to(device)
  • 初始化编码器和解码器,并将其组合成一个 Seq2Seq 模型。然后将模型移动到指定的设备(GPU或CPU)。
python 复制代码
    optimizer = optim.Adam(model.parameters())
    criterion = nn.CrossEntropyLoss(ignore_index=dataset.zh_word2idx['<pad>'])
  • 定义优化器和损失函数。优化器使用 Adam,损失函数使用交叉熵损失,并忽略目标序列中的填充标记 <pad>
python 复制代码
    N_EPOCHS = 10
    CLIP = 1
  • 设置训练的 epoch 数和梯度裁剪的阈值。
python 复制代码
    for epoch in range(N_EPOCHS):
        train_loss = train(model, train_loader, optimizer, criterion, CLIP)
        print(f'Epoch: {epoch+1:02} | Train Loss: {train_loss:.3f}')
  • 进行10个 epoch 的训练。每个 epoch 结束后,打印当前 epoch 的训练损失。
python 复制代码
    torch.save(model.state_dict(), './translation_model_GRU.pth')
  • 在所有 epoch 结束后,保存模型的参数到文件 translation_model_GRU.pth
python 复制代码
    end_time = time.time()  # 结束计时
    elapsed_time_minute = (end_time - start_time)/60
    print(f"Total running time: {elapsed_time_minute:.2f} minutes")
  • 记录程序结束时间,计算并打印总运行时间(以分钟为单位)。

模型评价

python 复制代码
import torch
from sacrebleu.metrics import BLEU
from typing import List
# 假设已经定义了TranslationDataset, Encoder, Decoder, Seq2Seq类
  • 导入必要的库和模块。torch 用于深度学习,sacrebleu.metrics.BLEU 用于评估翻译质量,typing.List 用于类型注解。

load_sentences 函数

python 复制代码
def load_sentences(file_path: str) -> List[str]:
    with open(file_path, 'r', encoding='utf-8') as f:
        return [line.strip() for line in f]
  • 定义函数 load_sentences,用于从文件中加载句子。file_path 是文件路径,函数返回一个包含所有句子的列表。

translate_sentence 函数

python 复制代码
def translate_sentence(sentence: str, model: Seq2Seq, dataset: TranslationDataset, terminology, device: torch.device, max_length: int = 50):
  • 定义一个函数 translate_sentence,用于翻译单个句子。参数包括:
    • sentence: 要翻译的句子。
    • model: 预训练的 Seq2Seq 模型。
    • dataset: TranslationDataset 对象,包含词汇表等信息。
    • terminology: 术语词典。
    • device: 计算设备(CPU 或 GPU)。
    • max_length: 翻译句子的最大长度,默认为 50。
python 复制代码
    model.eval()
  • 将模型设置为评估模式,关闭 dropout 和 batch normalization 等训练特有的操作。
python 复制代码
    tokens = dataset.en_tokenizer(sentence)
  • 使用 dataset 中的 en_tokenizer 对输入句子进行分词,得到一个 token 列表。
python 复制代码
    tensor = torch.LongTensor([dataset.en_word2idx.get(token, dataset.en_word2idx['<sos>']) for token in tokens]).unsqueeze(0).to(device)  # [1, seq_len]
  • 将 token 列表转换为索引列表,并转换为 PyTorch 张量。如果 token 不在词汇表中,则使用 <sos> 的索引。然后将张量增加一个维度并移动到指定的设备。
python 复制代码
    with torch.no_grad():
        _, hidden = model.encoder(tensor)
  • 关闭梯度计算,以节省内存和提高速度。然后使用编码器对输入张量进行编码,得到隐藏状态 hidden
python 复制代码
    translated_tokens = []
  • 初始化一个空列表 translated_tokens,用于存储翻译的 token。
python 复制代码
    input_token = torch.LongTensor([[dataset.zh_word2idx['<sos>']]]).to(device)  # [1, 1]
  • 初始化解码器的输入 token,即 <sos> 的索引,并将其转换为张量并移动到指定的设备。
python 复制代码
    for _ in range(max_length):
  • 开始一个循环,最多迭代 max_length 次。
python 复制代码
        output, hidden = model.decoder(input_token, hidden)
  • 使用解码器对当前输入 token 和隐藏状态进行解码,得到输出 output 和新的隐藏状态 hidden
python 复制代码
        top_token = output.argmax(1)
  • 从输出中选择概率最高的 token 索引。
python 复制代码
        translated_token = dataset.zh_vocab[top_token.item()]
  • 将索引转换为对应的 token。
python 复制代码
        if translated_token == '<eos>':
            break
  • 如果翻译的 token 是 <eos>,则结束循环。
python 复制代码
        if translated_token in terminology.values():
            for en_term, ch_term in terminology.items():
                if translated_token == ch_term:
                    translated_token = en_term
                    break
  • 如果翻译的 token 在术语词典中,则使用术语词典中的对应词替换。
python 复制代码
        translated_tokens.append(translated_token)
  • 将翻译的 token 添加到 translated_tokens 列表中。
python 复制代码
        input_token = top_token.unsqueeze(1)  # [1, 1]
  • 更新输入 token 为当前选择的 token 索引。
python 复制代码
    return ''.join(translated_tokens)
  • 将翻译的 token 列表连接成一个字符串并返回。

evaluate_bleu 函数

python 复制代码
def evaluate_bleu(model: Seq2Seq, dataset: TranslationDataset, src_file: str, ref_file: str, terminology, device: torch.device):
  • 定义一个函数 evaluate_bleu,用于评估模型的 BLEU 分数。参数包括:
    • model: 预训练的 Seq2Seq 模型。
    • dataset: TranslationDataset 对象,包含词汇表等信息。
    • src_file: 包含源语言句子的文件路径。
    • ref_file: 包含参考翻译句子的文件路径。
    • terminology: 术语词典。
    • device: 计算设备(CPU 或 GPU)。
python 复制代码
    model.eval()
  • 将模型设置为评估模式,关闭 dropout 和 batch normalization 等训练特有的操作。
python 复制代码
    src_sentences = load_sentences(src_file)
  • 调用 load_sentences 函数加载源语言句子,返回一个包含所有源句子的列表。
python 复制代码
    ref_sentences = load_sentences(ref_file)
  • 调用 load_sentences 函数加载参考翻译句子,返回一个包含所有参考翻译句子的列表。
python 复制代码
    translated_sentences = []
  • 初始化一个空列表 translated_sentences,用于存储翻译的句子。
python 复制代码
    for src in src_sentences:
  • 遍历源语言句子列表。
python 复制代码
        translated = translate_sentence(src, model, dataset, terminology, device)
  • 调用 translate_sentence 函数翻译当前的源句子,返回翻译后的句子。
python 复制代码
        translated_sentences.append(translated)
  • 将翻译后的句子添加到 translated_sentences 列表中。
python 复制代码
    bleu = BLEU()
  • 创建一个 BLEU 对象,用于计算 BLEU 分数。
python 复制代码
    score = bleu.corpus_score(translated_sentences, [ref_sentences])
  • 调用 corpus_score 方法计算翻译句子的 BLEU 分数。translated_sentences 是模型生成的翻译句子列表,[ref_sentences] 是参考翻译句子列表。
python 复制代码
    return score
  • 返回计算得到的 BLEU 分数。

主程序

python 复制代码
if __name__ == '__main__':
python 复制代码
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
  • 检查是否有可用的CUDA设备(即GPU),如果有则使用GPU,否则使用CPU。
python 复制代码
    terminology = load_terminology_dictionary('../dataset/en-zh.dic')
  • 加载术语词典,该字典可能包含特定领域的术语翻译。
python 复制代码
    dataset = TranslationDataset('../dataset/train.txt', terminology)
  • 创建一个 TranslationDataset 对象,该对象用于加载和处理训练数据,并传递术语词典。
python 复制代码
    INPUT_DIM = len(dataset.en_vocab)
    OUTPUT_DIM = len(dataset.zh_vocab)
    ENC_EMB_DIM = 256
    DEC_EMB_DIM = 256
    HID_DIM = 512
    N_LAYERS = 2
    ENC_DROPOUT = 0.5
    DEC_DROPOUT = 0.5
  • 定义模型参数,包括输入和输出维度、嵌入维度、隐藏层维度、层数和 dropout 率。
python 复制代码
    enc = Encoder(INPUT_DIM, ENC_EMB_DIM, HID_DIM, N_LAYERS, ENC_DROPOUT)
    dec = Decoder(OUTPUT_DIM, DEC_EMB_DIM, HID_DIM, N_LAYERS, DEC_DROPOUT)
    model = Seq2Seq(enc, dec, device).to(device)
  • 初始化编码器和解码器,并将其组合成一个 Seq2Seq 模型。然后将模型移动到指定的设备(GPU或CPU)。
python 复制代码
    model.load_state_dict(torch.load('./translation_model_GRU.pth'))
  • 加载预训练的模型参数。
python 复制代码
    bleu_score = evaluate_bleu(model, dataset, '../dataset/dev_en.txt', '../dataset/dev_zh.txt', terminology=terminology, device=device)
  • 调用 evaluate_bleu 函数评估模型的 BLEU 分数。传递的参数包括模型、数据集、源语言文件路径、参考翻译文件路径、术语词典和设备。
python 复制代码
    print(f'BLEU-4 score: {bleu_score.score:.2f}')
  • 打印评估得到的 BLEU-4 分数,保留两位小数。

测试集上进行推理

inference 函数

python 复制代码
def inference(model: Seq2Seq, dataset: TranslationDataset, src_file: str, save_dir: str, terminology, device: torch.device):
  • 定义一个函数 inference,用于进行模型推理并将结果保存到文件中。参数包括:
    • model: 预训练的 Seq2Seq 模型。
    • dataset: TranslationDataset 对象,包含词汇表等信息。
    • src_file: 包含源语言句子的文件路径。
    • save_dir: 保存翻译结果的文件路径。
    • terminology: 术语词典。
    • device: 计算设备(CPU 或 GPU)。
python 复制代码
    model.eval()
  • 将模型设置为评估模式,关闭 dropout 和 batch normalization 等训练特有的操作。
python 复制代码
    src_sentences = load_sentences(src_file)
  • 调用 load_sentences 函数加载源语言句子,返回一个包含所有源句子的列表。
python 复制代码
    translated_sentences = []
  • 初始化一个空列表 translated_sentences,用于存储翻译的句子。
python 复制代码
    for src in src_sentences:
  • 遍历源语言句子列表。
python 复制代码
        translated = translate_sentence(src, model, dataset, terminology, device)
  • 调用 translate_sentence 函数翻译当前的源句子,返回翻译后的句子。
python 复制代码
        translated_sentences.append(translated)
  • 将翻译后的句子添加到 translated_sentences 列表中。
python 复制代码
    text = '\n'.join(translated_sentences)
  • translated_sentences 列表中的所有句子连接成一个字符串,每个句子之间用换行符分隔。
python 复制代码
    with open(save_dir, 'w', encoding='utf-8') as f:
  • 打开一个文件,如果不存在则创建,'w' 表示写模式,encoding='utf-8' 表示使用 UTF-8 编码。
python 复制代码
        f.write(text)
  • 将连接后的字符串写入文件。

主程序

python 复制代码
if __name__ == '__main__':
python 复制代码
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
  • 检查是否有可用的CUDA设备(即GPU),如果有则使用GPU,否则使用CPU。
python 复制代码
    terminology = load_terminology_dictionary('../dataset/en-zh.dic')
  • 加载术语词典,该字典可能包含特定领域的术语翻译。
python 复制代码
    dataset = TranslationDataset('../dataset/train.txt', terminology=terminology)
  • 创建一个 TranslationDataset 对象,该对象用于加载和处理训练数据,并传递术语词典。
python 复制代码
    INPUT_DIM = len(dataset.en_vocab)
    OUTPUT_DIM = len(dataset.zh_vocab)
    ENC_EMB_DIM = 256
    DEC_EMB_DIM = 256
    HID_DIM = 512
    N_LAYERS = 2
    ENC_DROPOUT = 0.5
    DEC_DROPOUT = 0.5
  • 定义模型参数,包括输入和输出维度、嵌入维度、隐藏层维度、层数和 dropout 率。
python 复制代码
    enc = Encoder(INPUT_DIM, ENC_EMB_DIM, HID_DIM, N_LAYERS, ENC_DROPOUT)
    dec = Decoder(OUTPUT_DIM, DEC_EMB_DIM, HID_DIM, N_LAYERS, DEC_DROPOUT)
    model = Seq2Seq(enc, dec, device).to(device)
  • 初始化编码器和解码器,并将其组合成一个 Seq2Seq 模型。然后将模型移动到指定的设备(GPU或CPU)。
python 复制代码
    model.load_state_dict(torch.load('./translation_model_GRU.pth'))
  • 加载预训练的模型参数。
python 复制代码
    save_dir = '../dataset/submit.txt'
  • 定义保存翻译结果的文件路径。
python 复制代码
    inference(model, dataset, src_file="../dataset/test_en.txt", save_dir=save_dir, terminology=terminology, device=device)
  • 调用 inference 函数进行模型推理,并将翻译结果保存到指定文件中。传递的参数包括模型、数据集、源语言文件路径、保存路径、术语词典和设备。
python 复制代码
    print(f"翻译完成!文件已保存到{save_dir}")
  • 打印翻译完成的消息,并显示保存文件的路径。
相关推荐
小陈phd2 分钟前
OpenCV从入门到精通实战(九)——基于dlib的疲劳监测 ear计算
人工智能·opencv·计算机视觉
Guofu_Liao1 小时前
大语言模型---LoRA简介;LoRA的优势;LoRA训练步骤;总结
人工智能·语言模型·自然语言处理·矩阵·llama
ZHOU_WUYI5 小时前
3.langchain中的prompt模板 (few shot examples in chat models)
人工智能·langchain·prompt
如若1235 小时前
主要用于图像的颜色提取、替换以及区域修改
人工智能·opencv·计算机视觉
老艾的AI世界5 小时前
AI翻唱神器,一键用你喜欢的歌手翻唱他人的曲目(附下载链接)
人工智能·深度学习·神经网络·机器学习·ai·ai翻唱·ai唱歌·ai歌曲
DK221515 小时前
机器学习系列----关联分析
人工智能·机器学习
Robot2516 小时前
Figure 02迎重大升级!!人形机器人独角兽[Figure AI]商业化加速
人工智能·机器人·微信公众平台
浊酒南街6 小时前
Statsmodels之OLS回归
人工智能·数据挖掘·回归
畅联云平台7 小时前
美畅物联丨智能分析,安全管控:视频汇聚平台助力智慧工地建设
人工智能·物联网
加密新世界7 小时前
优化 Solana 程序
人工智能·算法·计算机视觉