阅读量:5
文章目录
- torchtext 库是干什么用的 ?
- TranslationDataset 类
- 定义 Seq2Seq模型
- load_terminology_dictionary 函数
- train 函数
- 主程序代码
- 模型评价
- 测试集上进行推理
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:
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。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。
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。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。
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
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。
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。
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。
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。
# 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。
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。
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。
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。
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
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
outputs
和hidden
,形状分别为[batch_size, src_len, hid_dim]
和[n_layers, batch_size, hid_dim]
。
- 输入
Decoder
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
output
和hidden
,形状分别为[batch_size, 1, hid_dim]
和[n_layers, batch_size, hid_dim]
。 - 通过全连接层,得到
prediction
,形状为[batch_size, output_dim]
。
- 输入
Seq2Seq 类
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
output
和hidden
。 - 将
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)。
- 通过解码器得到
- 输入
load_terminology_dictionary 函数
函数定义:
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。
初始化术语词典:
terminology = {}
- 创建一个空的字典
terminology
,用于存储从文件中读取的术语。
- 创建一个空的字典
打开文件并读取内容:
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_term
和ch_term
。- 将英文术语作为键,中文术语作为值,添加到
terminology
字典中。
- 使用
返回术语词典:
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:
terminology = load_terminology_dictionary('terminology.txt') print(terminology)
输出结果将是:
{'apple': '苹果', 'banana': '香蕉', 'orange': '橙子'}
train 函数
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)。
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。
epoch_loss = 0
- 初始化
epoch_loss
变量为 0,用于累积整个 epoch 的损失。
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。
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。
optimizer.zero_grad()
- 将优化器的梯度清零,以防止梯度累积。
output = model(src, trg)
- 将源序列和目标序列输入模型,得到模型的输出。
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。
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)
。
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))
。
loss = criterion(output, trg)
- 计算损失,使用定义的损失函数
criterion
。
loss.backward()
- 反向传播,计算梯度。
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。
optimizer.step()
- 更新模型的参数。
epoch_loss += loss.item()
- 将当前批次的损失值累加到
epoch_loss
中。
return epoch_loss / len(iterator)
- 返回整个 epoch 的平均损失。
主程序代码
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。
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。
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。
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。
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。
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。
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。
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。
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)。
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>
。
N_EPOCHS = 10 CLIP = 1
- 设置训练的 epoch 数和梯度裁剪的阈值。
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。
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
。
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
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
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
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。
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。
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。
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。
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
。
translated_tokens = []
- 初始化一个空列表
translated_tokens
,用于存储翻译的 token。
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。
for _ in range(max_length):
- 开始一个循环,最多迭代
max_length
次。
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
。
top_token = output.argmax(1)
- 从输出中选择概率最高的 token 索引。
translated_token = dataset.zh_vocab[top_token.item()]
- 将索引转换为对应的 token。
if translated_token == '<eos>': break
- 如果翻译的 token 是
<eos>
,则结束循环。
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。
translated_tokens.append(translated_token)
- 将翻译的 token 添加到
translated_tokens
列表中。
input_token = top_token.unsqueeze(1) # [1, 1]
- 更新输入 token 为当前选择的 token 索引。
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
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)。
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。
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。
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。
translated_sentences = []
- 初始化一个空列表
translated_sentences
,用于存储翻译的句子。
for src in src_sentences:
- 遍历源语言句子列表。
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。
translated_sentences.append(translated)
- 将翻译后的句子添加到
translated_sentences
列表中。
bleu = BLEU()
- 创建一个
BLEU
对象,用于计算 BLEU 分数。
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。
return score
- 返回计算得到的 BLEU 分数。
主程序
if __name__ == '__main__':
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。
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。
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。
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。
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)。
model.load_state_dict(torch.load('./translation_model_GRU.pth'))
- 加载预训练的模型参数。
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。
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
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)。
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。
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。
translated_sentences = []
- 初始化一个空列表
translated_sentences
,用于存储翻译的句子。
for src in src_sentences:
- 遍历源语言句子列表。
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。
translated_sentences.append(translated)
- 将翻译后的句子添加到
translated_sentences
列表中。
text = '\n'.join(translated_sentences)
- 将
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。
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。
f.write(text)
- 将连接后的字符串写入文件。
主程序
if __name__ == '__main__':
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。
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。
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。
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。
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)。
model.load_state_dict(torch.load('./translation_model_GRU.pth'))
- 加载预训练的模型参数。
save_dir = '../dataset/submit.txt'
- 定义保存翻译结果的文件路径。
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。
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。