准备工作
作业五是机器翻译，需要助教代码，运行代码过程中保持联网可以自动下载数据集，已经有数据集的情况可关闭助教代码中的下载数据部分。关注本公众号，可获得代码和数据集（文末有方法）。
提交地址
这次作业在NTU上面提交，需要做一个survey才能提交，不过我当时做了也无法提交，原因未知，所以该作业没法给出提交分数了，关于作业有想讨论的可进QQ群：156013866。
数据预处理流程梳理
这次作业的数据预处理部分较多，这里梳理下预处理过程，数据集有两个压缩包：ted2020.tgz(包含raw.en, raw.zh两个文件)，test.tgz(包含test.en, test.zh两个文件)。
第一步将解压后的文件全部放到一层目录中，目录位置是："DATA/rawdata/ted2020"，并将raw.en,raw.zh，test.en，test.zh分别改名称为train_dev.raw.en, train_dev.raw.zh, test.raw.en, test.raw.zh。
第二步是数据清洗操作，去掉或者替换一些特殊字符，例如符号单破折号’—‘会被删除，清洗后的文件名称是，train_dev.raw.clean.en, train_dev.raw.clean.zh, test.raw.clean.en, test.raw.clean.zh。
第三步是划分训练集和验证集，train_dev.raw.clean.en和train_dev.clean.zh被分成train.clean.en, valid.clean.en和train.clean.zh, train.clean.zh。
第四步是分词，使用sentencepiece中的spm对训练集和验证集进行分词建模，模型名称是spm8000.model，同时产生词汇库spm8000.vocab，使用模型对训练集、验证集、以及测试集进行分词处理，得到文件train.en, train.zh, valid.en, valid.zh, test.en, test.zh。
第五步是文件二进制化，该过程使用fairseq库，这个库对于序列数据的处理很方便。运行后最终生成了一系列的文件，文件目录是"DATA/data_bin/ted2020"，这下面有18个文件，其中的一些二进制文件才是我们最终想要的训练数据。
数据的预处理流程基本不需要修改，如果在个人电脑上训练，跑一遍程序后，之后可直接从数据预处理结束开始跑，能节省不少时间。
Simple Baseline (score>14.58)
方法：直接运行助教代码。
Medium Baseline (score>18.04)
方法：修改get_rate函数+epoch改为30。lr随step变化形状如下图，运行后loss有所下降。
def get_rate(d_model, step_num, warmup_step):# TODO: Change lr from constant to the equation shown above#lr = 0.001lr = (d_model**(-0.5)) * min(step_num**(-0.5), step_num*(warmup_step**(-1.5)))return lr
Strong Baseline (score>25.20)
方法：修改get_rate函数+epoch改为30+transformer架构。与medium baseline相比，将RNN架构改为Transoformer架构，模型的参数改变采用了Attention is all you need论文中的table3 base模型进行适当修改，因为我们的数据量不够，所以相对论文中的模型，降低了维度，实现方法如下。运行后loss相比medium baseline有所下降。
# config里面savedir文件夹位置需要改变，否则无法loadcheckpoint的modelconfig = Namespace(datadir = "./DATA/data-bin/ted2020",#savedir = "./checkpoints/rnn",savedir = "./checkpoints/transformer",
#启用transoformer架构#encoder = RNNEncoder(args, src_dict, encoder_embed_tokens)#decoder = RNNDecoder(args, tgt_dict, decoder_embed_tokens)encoder = TransformerEncoder(args, src_dict, encoder_embed_tokensdecoder = TransformerDecoder(args, tgt_dict, decoder_embed_tokens)
#修改模型参数并启用add_transformer_args函数#模型根据attention is all you need文章中table3 base适当修改arch_args = Namespace(encoder_embed_dim=256,encoder_ffn_embed_dim=1024,encoder_layers=4,decoder_embed_dim=256,decoder_ffn_embed_dim=1024,decoder_layers=4,share_decoder_input_output_embed=True,dropout=0.15,)# HINT: these patches on parameters for Transformerdef add_transformer_args(args):args.encoder_attention_heads=4args.encoder_normalize_before=Trueargs.decoder_attention_heads=4args.decoder_normalize_before=Trueargs.activation_fn="relu"args.max_source_positions=1024args.max_target_positions=1024# patches on default parameters for Transformer (those not set above)from fairseq.models.transformer import base_architecturebase_architecture(arch_args)add_transformer_args(arch_args)
Boss Baseline (acc>29.13)
方法：先训练中文到英文的反向模型+下载中文数据+利用反向模型将中文翻译为英文+中英文对应+数据合并+训练。时间太长了，这个没具体的跑，等我电脑升级一定跑一遍，坐等显卡崩盘。
Report 1
作业中另外要求了两个report，第一个是关于Postional Embedding以及可视化。在strong baseline任务中，可以看到encoder下embed_positions层，该层即是positional embedding层，model.decoder.embed_positions.weights就是positional embedding值，使用pytorch自带的cosine similarity，辅助torch tensor的广播应用，可以得到similarity矩阵，最后用plt.matshow画出该矩阵，可以看出对角线上的相似度最强（对角线是求自身的相似度，都是1），并且相似性是对角线对称的（对称性）且距离对角线同等距离的位置相似度一样（平移不变性）。
Report 2
第二个report是关于Clipping Gradient Norm以及可视化。这个工作在meidium baseline版本中实现，我在函数train_one_epoch之前定义了一个列表全局变量gnorms，并在函数内部将gnorm的值放到gnorms中，等训练结束，对gnorms做可视化，gnorms和直线y=1.0的交界处即为clipping生效的地方。注意gnorm是函数nn.utils.clip_grad_norm_的返回值，该值为model.parameters()的L_p norm，p的值默认为2，可通过参数调节。
gnorms = []def train_one_epoch(epoch_itr, ...):......gnorm = nn.utils.clip_grad_norm_(model.parameters(), config.clip_norm)# grad norm clipping prevents gradient explodinggnorms.append(gnorm.cpu().item())......
plt.plot(range(1, len(gnorms)+1), gnorms)plt.plot(range(1, len(gnorms)+1), [config.clip_norm]*len(gnorms), "-")plt.title('Grad norm v.s. step')plt.xlabel("step")plt.ylabel("Grad norm")plt.show()
作业五答案获得方式：
-
关注微信公众号 “机器学习手艺人”
-
后台回复关键词：202205