閱讀786 返回首頁    go 阿裏雲 go 技術社區[雲棲]

Facebook開源PyTorch版本fairseq翻譯模型，訓練速度提高50%


image

今年5月10日，Facebook AI 研究實驗室（FAIR）發布了一項使用創新性的、基於卷積神經網絡的方法來進行語言翻譯的最新成果。Facebook 稱，該研究取得了截止目前最高準確度，並且速度是基於循環神經網絡(RNN)係統的9倍（穀歌的機器翻譯係統使用的就是這一技術）。

今天開源的是一個PyTorch版本的fairseq。這個重新實現的原作者是Sergey Edunov，Myle Ott和Sam Gross。該工具包實現了 Convolutional Sequence to Sequence Learning（https://arxiv.org/abs/1705.03122 ）中描述的完全卷積模型（fully convolutional model），在單個機器上實現多GPU訓練，並在CPU和GPU上實現快速 beam search 生成。我們提供英語到法語和英語到德語翻譯的預訓練模型。


引用

如果要在論文中使用這些代碼，請按如下格式引用：


@inproceedings{gehring2017convs2s,
  author    = {Gehring, Jonas, and Auli, Michael and Grangier, David and Yarats, Denis and Dauphin, Yann N},
  title     = "{Convolutional Sequence to Sequence Learning}",
  booktitle = {Proc. of ICML},
  year      = 2017,
}

要求和安裝步驟

  • 運行macOS或Linux的計算機
  • 為了訓練新模型，你還需要一個NVIDIA GPU和NCCL
  • Python 3.6
  • PyTorch安裝

目前，Fairseq-py需要GitHub庫裏的PyTorch。有多種安裝方式，我們建議使用Miniconda3並按照說明安裝：

conda install gcc numpy cudnn nccl
conda install magma-cuda80 -c soumith
pip install cmake
pip install cffi

git clone https://github.com/pytorch/pytorch.git
cd pytorch
git reset --hard a03e5cb40938b6b3f3e6dbddf9cff8afdff72d1b
git submodule update --init
pip install -r requirements.txt

NO_DISTRIBUTED=1 python setup.py install

Clone GitHub 存儲庫並運行以下命令安裝fairseq-py：

pip install -r requirements.txt
python setup.py build
python setup.py develop

快速開始

以下命令行工具可用：

  • python preprocess.py：數據預處理：構建詞匯和二進製訓練數據
  • python train.py：在一個或多個GPU上訓練新模型
  • python generate.py：用訓練好的模型翻譯預處理的數據
  • python generate.py -i：使用訓練好的模型翻譯原始文本
  • python score.py：根據參考翻譯對生成的翻譯進行BLEU評分

評估預訓練的模型

首先，下載一個預訓練的模型及其詞匯：


$ curl https://s3.amazonaws.com/fairseq-py/models/wmt14.en-fr.fconv-py.tar.bz2 | tar xvjf -

該模型使用字節對編碼（BPE）詞匯表，因此我們必須將該編碼應用於源文本才能進行翻譯。這可以通過使用wmt14.en-fr.fconv-cuda / bpecodes文件的apply_bpe.py腳本完成。@@ 用作連續標記，用 sed s / @@ // g 或將 --remove-bpe 標誌傳遞給generate.py，原始文本可以很容易地恢複。在BPE之前，輸入文本需要使用mosesdecoder中的tokenizer.perl進行標記化。

讓我們使用python generate.py -i來生成翻譯。在這裏，我們使用beam的大小是5：


$ MODEL_DIR=wmt14.en-fr.fconv-py
$ python generate.py -i \
 --path $MODEL_DIR/model.pt $MODEL_DIR \
 --beam 5
| [en] dictionary: 44206 types
| [fr] dictionary: 44463 types
| model fconv_wmt_en_fr
| loaded checkpoint /private/home/edunov/wmt14.en-fr.fconv-py/model.pt (epoch 37)
> Why is it rare to discover new marine mam@@ mal species ?
S       Why is it rare to discover new marine mam@@ mal species ?
O       Why is it rare to discover new marine mam@@ mal species ?
H       -0.08662842959165573    Pourquoi est-il rare de découvrir de nouvelles espèces de mammifères marins ?
A       0 1 3 3 5 6 6 10 8 8 8 11 12

生成腳本產生四種類型的輸出：以S為前綴的行顯示了應用詞匯表後提供的源語句（source sentence）; O是原始來源句的副本（original source sentence）; H是平均 log-likelihood以外的假設（hypothesis）; 而A是假設中每個單詞的注意力最大值（ attention maxima），包括文本中省略的句末標記。

下麵是預訓練模型列表。

訓練一個新模型

數據預處理

Fairseq-py源碼分發包含了一個用於IWSLT 2014德語 - 英語語料庫的預處理腳本示例。預處理和二值化數據如下：


$ cd data/
$ bash prepare-iwslt14.sh
$ cd ..
$ TEXT=data/iwslt14.tokenized.de-en
$ python preprocess.py --source-lang de --target-lang en \
  --trainpref $TEXT/train --validpref $TEXT/valid --testpref $TEXT/test \
  --thresholdtgt 3 --thresholdsrc 3 --destdir data-bin/iwslt14.tokenized.de-en

這將會將可用於模型訓練的二值化數據寫入 data-bin/iwslt14.tokenized.de-en。

訓練

使用python train.py來訓練一個新模型。這裏有幾個適用於IWSLT 2014數據集的示例設置：


$ mkdir -p checkpoints/fconv
$ CUDA_VISIBLE_DEVICES=0 python train.py data-bin/iwslt14.tokenized.de-en \
  --lr 0.25 --clip-norm 0.1 --dropout 0.2 --max-tokens 4000 \
  --arch fconv_iwslt_de_en --save-dir checkpoints/fconv

默認情況下，python train.py將使用機器上的所有可用GPU。使用CUDA_VISIBLE_DEVICES 環境變量選擇特定的GPU和/或更改將要使用的GPU設備的數量。

另請注意，batch大小是根據每個batch的最大token數（--max-tokens）來指定的。你可能需要使用較小的值，具體取決於係統上可用的GPU內存。

生成

一旦模型訓練好，就可以使用python generate.py（二進製數據）或python generate.py -i（原始文本）生成翻譯：


$ python generate.py data-bin/iwslt14.tokenized.de-en \
  --path checkpoints/fconv/checkpoint_best.pt \
  --batch-size 128 --beam 5
  | [de] dictionary: 35475 types
  | [en] dictionary: 24739 types
  | data-bin/iwslt14.tokenized.de-en test 6750 examples
  | model fconv
  | loaded checkpoint trainings/fconv/checkpoint_best.pt
  S-721   danke .
  T-721   thank you .
  ...

如果要僅使用CPU生成翻譯，請使用--cpu flag。可以使用--remove-bpe flag 來刪除BPE連續標記。

預訓練模型

我們提供以下預訓練的完全卷積序列到序列模型：
wmt14.en-fr.fconv-py.tar.bz2：用於WMT14英語 - 法語的預訓練模型，包括詞匯
wmt14.en-de.fconv-py.tar.bz2：用於WMT14英語 - 德語的預訓練模型，包括詞匯

此外，我們還提供了上述模型的預處理和二值化測試集：
wmt14.en-fr.newstest2014.tar.bz2：WMT14英語 - 法語的newstest2014測試集
wmt14.en-fr.ntst1213.tar.bz2：WMT14英語 - 法語的newstest2012和newstest2013測試集
wmt14.en-de.newstest2014.tar.bz2：WMT14英語 - 德語的newstest2014測試集

生成二值化測試集可以像下麵這樣以batch的模式運行，例如，在GTX-1080ti的英語-法語：


$ curl https://s3.amazonaws.com/fairseq-py/models/wmt14.en-fr.fconv-py.tar.bz2 | tar xvjf - -C data-bin
$ curl https://s3.amazonaws.com/fairseq-py/data/wmt14.en-fr.newstest2014.tar.bz2 | tar xvjf - -C data-bin
$ python generate.py data-bin/wmt14.en-fr.newstest2014  \
  --path data-bin/wmt14.en-fr.fconv-py/model.pt \
  --beam 5 --batch-size 128 --remove-bpe | tee /tmp/gen.out
...
| Translated 3003 sentences (95451 tokens) in 81.3s (1174.33 tokens/s)
| Generate test with beam=5: BLEU4 = 40.23, 67.5/46.4/33.8/25.0 (BP=0.997, ratio=1.003, syslen=80963, reflen=81194)

# Scoring with score.py:
$ grep ^H /tmp/gen.out | cut -f3- > /tmp/gen.out.sys
$ grep ^T /tmp/gen.out | cut -f2- > /tmp/gen.out.ref
$ python score.py --sys /tmp/gen.out.sys --ref /tmp/gen.out.ref
BLEU4 = 40.23, 67.5/46.4/33.8/25.0 (BP=0.997, ratio=1.003, syslen=80963, reflen=81194)

原文發布時間為：2017-09-19
編譯：neko
本文來自雲棲社區合作夥伴新智元，了解相關信息可以關注“AI_era”微信公眾號
原文鏈接

最後更新：2017-09-20 15:03:05

  上一篇：go  【短視頻SDK】Android如何使用硬編硬解?
  下一篇：go  MaxCompute 2.0—從ODPS到MaxCompute