文本生成教程

在语言生成领域中，“序列到序列”（sequence to sequence）的方法已被证明是一种强大的模型。它可以被应用于进行机器翻译（machine translation）、query改写（query rewriting）、图像描述（image captioning）等等。

本篇教程将会指导你通过训练一个“序列到序列”的神经网络机器翻译（NMT）模型来将法语翻译成英语。

我们遵循 Neural Machine Translation by Jointly Learning to Align and Translate 这篇文章，其中详细说明了模型架构，以及在WMT-14数据集上得到良好表现的训练过程。本篇教程在PaddlePaddle中重现了这一良好的训练结果。

我们感谢@caoying的pull request，其中定义了模型架构和solver配置。

数据准备

下载与解压缩

从该链接 http://www-lium.univ-lemans.fr/~schwenk/cslm_joint_paper/ 下载WMT-14数据集，然后解压，并将Develop和Test数据分别放入不同的文件夹。

• Train data: bitexts (选择过后的)
• Develop and Test data: dev 与 test 数据

在Linux下，只需要简单地运行以下命令。否则你需要自己下载、解压、拆分到不同文件夹、并且分别重命名文件后缀。

cd demo/seqToseq/data
./wmt14_data.sh

我们会发现数据集 wmt14 中包含如下表所示的3个文件夹。

folder name	French-English parallel corpora file	number of total file	size
train_data	ccb2_pc30.src, ccb2_pc30.trg, etc	12	3.55G
test_data	ntst1213.src, ntst1213.trg	2	1636k
gen_data	ntst14.src, ntst14.trg	2	864k

• 每个文件夹都包含法语到英语的平行语料库
• XXX.src 是原始法语文件；XXX.trg 是目标英语文件
• XXX.src 和 XXX.trg 的行数应该一致
• 每行都是一个法语或者英语的句子
• XXX.src 和 XXX.trg 中任意第i行的句子之间都有着一一对应的关系

用户自定义数据集

如果你想进行诸如语义转述（Paraphrasing）等其他“序列到序列”的任务，你只需要按照如下方式组织数据，并将它们放在demo/seqToseq/data目录下：

dataset
  train
    file1.src file1.trg
    file2.src file2.trg
    ......
  test
    file1.src file1.trg
    file2.src file2.trg
    ......
  gen
    file1.src file1.trg
    file2.src file2.trg
    ......

• 一级目录：数据集文件夹名称
• 二级目录：train、test和gen这三个文件夹是固定的
• 三级目录：源语言到目标语言的平行语料库文件
  • XXX.src 是源语言的文件，XXX.trg 时目标语言的文件
  • 文件中的每行都必须是一个句子
  • XXX.src 和 XXX.trg 中任意第i行的句子之间都必须有着一一对应的关系

数据预处理

预处理工作流程

• 将每个源语言到目标语言的平行语料库文件合并为一个文件：
  • 合并每个 XXX.src 和 XXX.trg 文件为 XXX
  • XXX 中的第i行 = XXX.src 中的第i行 + ‘\t’ + XXX.trg中的第i行
• 创建训练数据的“源字典”和“目标字典”，每个字典都有DICTSIZE个单词，包括：
  • 词频最高的（DICTSIZE - 3）个单词
  • 3个特殊符号
  • <s>：序列的开始
  • <e>：序列的结束
  • <unk>：未包含在字典中的单词

预处理命令和结果

对数据集进行预处理的基本命令是：

cd demo/seqToseq/
python preprocess.py -i INPUT [-d DICTSIZE] [-m]

• -i INPUT：输入的原始数据集路径
• -d DICTSIZE：指定的字典单词数，如果没有设置，字典会包含输入数据集中的所有单词
• -m --mergeDict：合并 “源字典”和“目标字典”，使得两个字典有相同的上下文

你将会看到如下消息：

concat parallel corpora for dataset
build source dictionary for train data
build target dictionary for train data
dictionary size is XXX

然后你只需要运行以下命令：

python preprocess.py -i data/wmt14 -d 30000

这将花费数分钟的时间，并且将预处理好的数据集存放在demo/seqToseq/data/pre-wmt14目录下。目录结构如下：

train test gen train.list test.list gen.list src.dict trg.dict# Text generation Tutorial #

• train, test, gen：分别包含了法语到英语的平行语料库的训练数据、测试数据和生成数据。文件夹中的每个文件的每一行包含两部分，首先是法语序列，然后是对应的英语序列。
• train.list, test.list, gen.list：分别为train，test，gen文件夹中的文件列表
• src.dict, trg.dict：源（法语）/目标（英语）字典，每个字典包含总共30000个单词：29997个最高频单词和3个特殊符号

模型训练

简介

神经网络机器翻译（NMT）旨在建立一个可以被协同调至最优翻译效果的单神经元网络。近期提出的NMT模型通常都属于编解码模型（encoder–decoder models）的一种。编解码模型将一个源语句编码为一个定长的向量，然后解码器通过这个向量生成一个目标语句。

在这个任务中，我们使用了一个编解码模型的扩展，它同时学习排列(align)与翻译。每当模型在翻译过程中生成了一个单词，它就会在源语句中搜索出最相关信息的位置的集合。解码器根据上下文向量预测出一个目标单词，这个向量与源中搜索出的位置和所有之前生成的目标单词有关。如想了解更多详细的解释，可以参考 Neural Machine Translation by Jointly Learning to Align and Translate。

这个模型对于编解码模型来说，最不同的特色是它并没有将输入语句编码为一个单独的定长向量。相反，它将输入语句编码为向量的序列，其中每个向量对应输入语句中的一个元素。然后在解码被翻译的语句时，会自适应地从这些向量中选择一个子集出来。这使得NMT模型得以解放出来，不必再将任意长度源语句中的所有信息压缩至一个定长的向量中。该模型在长语句翻译的场景下效果提升更加明显，在任意长度语句翻译的场景下都可以观察到其效果的提升。

Figure 1. Encoder-Decoder-Attention-Model

使用PaddlePaddle训练模型

我们在训练之前需要常见一个模型配置文件，这里是一个例子demo/seqToseq/translation/train.conf。前三行import了定义network，job_mode和attention_mode的python函数。

from seqToseq_net import *
is_generating = False

### Data Definiation
train_conf = seq_to_seq_data(data_dir = "./data/pre-wmt14",
                             is_generating = is_generating)

### Algorithm Configuration
settings(
    learning_method = AdamOptimizer(),
    batch_size = 50,
    learning_rate = 5e-4)

### Network Architecture
gru_encoder_decoder(train_conf, is_generating)

1. Data Definiation：在示例中我们定义了一个序列到序列的训练和测试数据。它返回train_conf作为配置，其输入参数如下：

• data_dir：训练数据和测试数据的目录
• is_generating：这个配置是否用来生成，这里设置为False

1. Algorithm Configuration：在示例中我们使用SGD训练算法（默认），和ADAM学习方法，指定batch_size为50，learning_rate为5e-4
2. Network Architecture：在示例中我们使用attention版本的GRU编解码网络。它包括了一个双向的GRU作为编码器和解码器，它模拟了解码翻译过程中在源语句中的搜索。

训练模型的命令与结果

写完模型配置之后，我们可以通过以下命令来训练模型：

cd demo/seqToseq/translation
./train.sh

train.sh 的内容如下所示：

paddle train \
--config='translation/train.conf' \
--save_dir='translation/model' \
--use_gpu=false \
--num_passes=16 \
--show_parameter_stats_period=100 \
--trainer_count=4 \
--log_period=10 \
--dot_period=5 \
2>&1 | tee 'translation/train.log'

• config: 设置神经网络的配置文件
• save_dir: 设置保存模型的输出路径
• use_gpu: 是否使用GPU训练，这里设置为使用CPU
• num_passes: 设置passes的数量。paddle中的一条pass表示训练数据集中所有的样本一次
• show_parameter_stats_period: 这里每隔100个batch显示一次参数统计信息
• trainer_count: 设置CPU线程数或者GPU设备数
• log_period: 这里每隔10个batch打印一次日志
• dot_period: 这里每个5个batch打印一个点”.”

训练的损失函数默认每隔10个batch打印一次，你将会看到如下消息：

I0719 19:16:45.952062 15563 TrainerInternal.cpp:160]  Batch=10 samples=500 AvgCost=198.475 CurrentCost=198.475 Eval: classification_error_evaluator=0.737155  CurrentEval: classification_error_evaluator=0.737155
I0719 19:17:56.707319 15563 TrainerInternal.cpp:160]  Batch=20 samples=1000 AvgCost=157.479 CurrentCost=116.483 Eval: classification_error_evaluator=0.698392  CurrentEval: classification_error_evaluator=0.659065
.....

• AvgCost：从第0个batch到当前batch的平均cost
• CurrentCost:：当前batch的cost
• classification_error_evaluator(Eval)：从第0个评估到当前评估中，每个单词的预测错误率
• classification_error_evaluator(CurrentEval)：当前评估中，每个单词的预测错误率

当classification_error_evaluator的值低于0.35时，模型就训练成功了。

文本生成

简介

一般而言，NMT模型受制于源语句的编码，并且通过给出当前目标单词来预测下一个目标单词。在训练过程中，当前单词在相比之下总是被当作真值（ground truth）。在生成过程中，当前单词是解码器最后一步的输出，这来自于PaddlePaddle的内存中。

而且，我们使用集束搜索（Beam Search）来生成序列。集束搜索使用广度优先搜索来构建搜索树。对于树的每一层，生成当前层的所有后继状态，并将它们按照启发代价（heuristic cost）升序排列。但是这种方法在每层只保存预设数量的最优状态（这个数量称为beam size）。

预训练的模型

我们在拥有50个节点的集群中训练模型，每个节点有两个6核CPU。我们在5天里训练了16个pass，其中每条pass花费了7个小时。model_dir中有16个子目录，每个里面都包含202MB的全部的模型参数。然后我们发现pass-00012的模型有着最高的BLEU值27.77（参考文献BLEU: a Method for Automatic Evaluation of Machine Translation）。要下载解压这个模型，只需在linux下运行如下命令：

cd demo/seqToseq/data
./wmt14_model.sh

使用PaddlePaddle生成模型

在翻译法语句子之前，我们需要创建模型配置文件。这里是一个例子demo/seqToseq/translation/gen.conf。前三行import了定义network，job_mode和attention_mode的python函数。

from seqToseq_net import *
is_generating = True

################## Data Definiation #####################
gen_conf = seq_to_seq_data(data_dir = "./data/pre-wmt14",
                           is_generating = is_generating,
                           gen_result = "./translation/gen_result")

############## Algorithm Configuration ##################
settings(
  learning_method = AdamOptimizer(),
  batch_size = 1,
  learning_rate = 0)

################# Network configure #####################
gru_encoder_decoder(gen_conf, is_generating)

1. Data Definiation：在示例中我们定义了一个序列到序列的生成数据。它返回gen_conf作为配置，其输入参数如下：

• data_dir：生成数据的目录  - is_generating：这个配置是否用来生成，这里设置为True  - gen_result：保存生成结果的文件

1. Algorithm Configuration：在生成过程中我们使用SGD训练算法，并指定batch_size为1（每次生成1个序列），learning_rate为0
2. Network Architecture：本质上与训练模型一样

生成模型的命令与结果

写完模型配置之后，我们可以通过以下命令来进行从法语到英语的文本翻译：

cd demo/seqToseq/translation
./gen.sh

gen.sh 的内容如下所示。与训练模型不同的是，这里有一些不同的参数需要指定：

paddle train \
--job=test \
--config='translation/gen.conf' \
--save_dir='data/wmt14_model' \
--use_gpu=true \
--num_passes=13 \
--test_pass=12 \
--trainer_count=1 \
2>&1 | tee 'translation/gen.log'

• job：设置任务的模式为测试
• save_dir：存储模型的路径
• num_passes and test_pass：从test_pass到（num_passes - 1）加载模型参数，这里只加载 data/wmt14_model/pass-00012

你将会看到这样的消息：

I0706 14:48:31.178915 31441 GradientMachine.cpp:143] Loading parameters from data/wmt14_model/pass-00012
I0706 14:48:40.012039 31441 Tester.cpp:125]  Batch=100 samples=100 AvgCost=0
I0706 14:48:48.898632 31441 Tester.cpp:125]  Batch=200 samples=200 AvgCost=0
...

然后在demo/seqToseq/translation/gen_result中的生成结果如下所示：

0
0       -11.1314         The <unk> <unk> about the width of the seats while large controls are at stake <e>
1       -11.1519         The <unk> <unk> on the width of the seats while large controls are at stake <e>
2       -11.5988         The <unk> <unk> about the width of the seats while large controls are at stake . <e>

1
0       -24.4149         The dispute is between the major aircraft manufacturers about the width of the tourist seats on the <unk> flights , paving the way for a <unk> confrontation during the month of the Dubai <unk> . <e>
1       -26.9524         The dispute is between the major aircraft manufacturers about the width of the tourist seats on the <unk> flights , paving the way for a <unk> confrontation during the month of Dubai &apos; s <unk> . <e>
2       -27.9574         The dispute is between the major aircraft manufacturers about the width of the tourist seats on the <unk> flights , paving the way for a <unk> confrontation during the month of Dubai &apos; s Dubai <unk> . <e>
...

• 这是集束搜索的结果，其中beam size是3
• 第一行的“0”和第6行的“1”表示生成数据的序列id
• 其他六行列出了集束搜索的结果
  • 第二列是集束搜索的得分（从大到小）
  • 第三列是生成的英语序列
• 有两个特殊标识：
  • <e>：序列的结尾
  • <unk>：不包含在字典中的单词

BLEU评估

对机器翻译的人工评估工作很广泛但也很昂贵。一篇论文 BLEU: a Method for Automatic Evaluation of Machine Translation 展示了一种方法，当需要快速或者频繁的评估时，使用自动的替补来替代经验丰富的人工评判。Moses 是一个统计学的机器翻译系统，我们使用其中的 multi-bleu.perl 来做BLEU评估。运行以下命令来下载这个脚本：

cd demo/seqToseq/translation
./moses_bleu.sh

由于标准的翻译结果已经下载到这里data/wmt14/gen/ntst14.trg，我们可以运行以下命令来做BLEU评估。

cd demo/seqToseq/translation
./eval_bleu.sh FILE BEAMSIZE

• FILE：生成的结果文件
• BEAMSIZE：集束搜索中的扩展广度