NLP学习笔记（七）神经网络机器翻译（NMT）

「这是我参与2022首次更文挑战的第28天，活动详情查看：2022首次更文挑战」。

导语

本文为我之前在CSDN平台上的一篇博客记录。原链接为：NLP学习笔记（七）神经网络机器翻译（NMT）

神经网络机器翻译（Neural Machine Translation）

这节课我们利用RNN来做机器翻译，机器翻译模型有很多种，这节课我们介绍Seq2Seq模型，把英文翻译为德文。机器翻译是一个Many to Many的问题。

首先，我们要处理数据。

机器翻译数据（Machine Translation Data）

这里，我们仅是学习需要，使用一个小规模数据集即可。如图所示，文件有两栏，左边是英语句子，右边是德语句子。一个英语句子对应了多个德语句子。给定一句英语，如果翻译可以完全匹配到其中一个，那么就认为翻译完全正确。 我们首先要预处理数据，包括：大写变小写、去掉标点符号等等。

在预处理之后，我们做分词（Tokenization），把一句话变成很多个单词或字符等。需要注意的是，做Tokenization时需要用两个不同的Tokenizer。经过Tokenization后建立两个字典。

Tokenization可以是字符级别（character-level）和单词级别（word-level）的。本节课为了简单起见使用字符级别，实际系统中由于训练数据集很大，基本都是单词级别的。

至于为什么要用两个不同的Tokenizer，也很好理解。在字符层面上，不同的语言通常有不同的字母表，两种语言的字符通常是不同的，所以应该用两个不同的词汇表。如果是单词级别，则就更应该如此了。此外，不同的语言还有不同的分词方法。

使用Keras提供的库做Tokenization，结束后自动生成了字典。左边是英语字典，26个字母加一个空格符号。右边是德语字典，26个字母和一个空格符，同时添加了两个特殊符号，一个是起始符，一个是中止符，这里用\t做起始符，\n做中止符，（注：用什么字符做都可以，只要不与字典里已有的字符冲突就可以）

这样之后，一句英语句子就变成了一个字符列表，然后用字典映射成一个数字的列表。 一句德语句子也是这样。

做完One-hot encoding后，一个字符用一个One-hot向量表示，一个句子就用一个矩阵表示。然后，我们把这些One-hot向量拼接起来，作为一个矩阵输入到RNN中。

Seq2seq Model

数据已经准备好了，接下来我们要搭建一个seq2seq模型并训练它。

seq2seq模型由一个编码器和一个解码器构成。编码器Encoder是一个RNN或LSTM等，用于从输入的句子中提取特征。Encoder最后一个状态就是从句子中提取的特征，包含这句话的信息。Encoder其余的状态没有用，都被丢掉了。Encoder的输出是LSTM最后一个状态h和传输带c。

seq2seq模型还有一个解码器Decoder用于生成德语。这个Decoder其实就是上篇博客中讲到的文本生成器。它跟上节课文本生成器的唯一区别在于初始状态，上节课的初始向量是个全零向量，而这里则是LSTM的最后一个状态h和c。Encoder通过这个向量来概括英语句子，Decoder通过这个向量来知道英语的意思是'go away'。

第一个输入是起始符\t，Decoder会输出一个概率分别记作向量p。起始符后面一个字符就是要输出的字符label，我们拿这个label的One-hot向量y和p来计算损失函数。我们希望标签p尽量接近标签y，损失越小越好。有了损失函数，就可以反向传播计算梯度，梯度会从损失函数传到Decoder，然后再从Decoder传到Encoder，然后用梯度下降来更新Encoder和Decoder的参数。让损失函数值减小。

然后将\tm作为输入，字符a作为label继续计算loss，以此类推，不断重复这个过程，知道最后一个字符出来后，将整句作为输入，停止符\n作为label。不断重复这个过程，拿所有的（英语-德语）二元组来进行训练。

其Keras结构如下： 如图，Encoder网络的输入是一个One-hot encoding，用一个矩阵表示。Encoder网络有一层或多层LSTM，用于从英文句子里提取特征，LSTM的输出是最终的状态h和传送带c，Decoder网络的初始状态时h和c，这样可以让Encoder和Decoder连起来，Decoder的输入是德语的上半句话，Decoder输出当前状态h，然后全连接层输出对下一个字符的预测。

使用Seq2seq模型进行推断（Inference Using the Seq2Seq Model）

训练好了seq2seq模型后，我们可以拿它把英语翻译成德语。把一句英语的每个字符输入Encoder，Encoder会在状态h和c中积累这句话的信息。Encoder输出最后的状态，记作 $h_0$和 $c_0$，它们是从这句话里提取的特征，送给Decoder。

Encoder的输出 $h_0$和 $c_0$被作为Decoder的初始状态。这样一来，Decoder就知道输入的句子是“go away”，现在Decoder就跟上节课讲的文本生成器一样工作。首先把起始符输入Decoder，有了新的输入，Decoder就会更新状态h和传输带c，并且预测下一个字符。Decoder输出的预测是每个字符的概率值，我们要根据概率值来选取一个字符。可以选取概率最大的字符，也可以根据概率值做随机抽样。假设我得到字符“m”，于是我把“m”记录下来。

现在。Decoder的状态成为了 $h_1$和 $c_1$，字符“m”作为输入，让LSTM来预测下一个字符。基于状态 $h_1$和 $c_1$以及新的输入“m”，LSTM会更新状态为 $h_2$和 $c_2$，并且输出一个概率分布。根据概率分布抽样，我们可能得到字符“a”。把字符“a”给记录下来。

然后继续重复以上过程，不断的更新状态和生成记录新的字符，然后用新生成的字符作为下一轮的输入。

运行到最后，我们就可以得到最终的输出，即为翻译得到的德语。

总结（Summary）

这节课我么讲了用Seq2seq模型做机器翻译，模型有一个Encoder网络和一个Decoder网络。在本节课的示例中，Encoder的输入是一句英语，每输入一个字符，RNN就会更新状态，把积累的信息放到状态里。Encoder最后一个状态就是从英文句子里提取的特征。Encoder只输出最后一个状态，会扔掉之前所有的状态。把最后一个状态传递给Decoder网络，把Encoder网络的最后一个状态作为Decoder网络的初始状态。

初始化之后，Decoder就知道输入的英文句子了，然后Decoder就作为一个文本生成器，生成一句德语。

首先把起始符作为RNN的输入。Decoder RNN会更新状态为 $s_1$，然后全连接层会输出预测的概率，记为 $p_1$。根据概率分布做抽样得到下一个字符 $z_1$。

Decoder网络拿 $z_1$做输入，更新状态为 $s_2$，然后全连接层会输出预测的概率，记为 $p_2$。根据概率分布做抽样得到下一个字符 $z_2$。

然后以此类推，不停重复这个过程，直到输出停止符，终止文本生成，返回这个生成的序列。我们设计了一个Seq2seq模型，它的Encoder和Decoder都是LSTM。那么，我们可以如何改进这个模型呢？

Seq2seq模型的原理是这样的，输入的信息放入Encoder，把信息都压缩到状态向量里面，Encoder最后一个状态是整句话的一个概要。理想情况下，Encoder最后一个状态包含整句英语的完整信息。假如英语句子很长，那么前面的信息就很可能被遗忘。

一种很显而易见的改进就是在Encoder端用双向LSTM。Decoder是一个文本生成器，必须是单向的。

这节课为了简便起见使用了字符级别，但更好的方式是使用单词级别。英语中每个单词平均有4.5个字符，那么输入的序列就能短4.5倍。序列更短就更不容易被遗忘。

但是，使用word级别的话就必须要有大的数据集，必须用word embedding得到低维词向量。Embedding层的参数太多了，用小数据集没有办法很好的训练。 或者对Embedding层做预训练。

另一种方法是多任务学习。比如原来只是英语句子翻译成德语，现在可以新增一个把英语句子翻译成英语的，这样一来训练数据多了一倍，Encoder可以被训练的更好。还可以添加其他很多任务，有英文翻译成其他语言的数据集。

但是Encoder只有一个，所以Encoder被多训练了很多倍，尽管Decoder没有改进，但效果还是会提升。

还有一种方法叫Attention，这个方法是最强的，对机器翻译的提高非常大，我们下节课再讲。