今年5月，Facebook AI研究院（FAIR）發表了他們的研究成果fairseq，在fairseq中，他們使用了一種新型的卷積神經網絡來做語言翻譯，比循環神經網絡的速度快了9倍，而且準確性也是現有模型中最高的。此外，他們在GitHub公布了fair序列建模工具包的源代碼和訓練好的系統，其他的研究者可以在此基礎上建立自己的關于翻譯、文本總結和其他任務的模型。
詳情可參見快9倍！Facebook開源機器學習翻譯項目fairseq一文。
日前，Facebook AI研究團隊又在GitHub上開源了fairseq?PyTorch版本。
相關介紹
fairseq是Facebook AI研究院發布的一個序列到序列的學習工具，它的原作者（排名不分先后）是Sergey Edunov、Myle Ott和Sam Gross。該工具包能實現?Convolutional Sequence to Sequence Learning（地址：https://arxiv.org/abs/1705.03122）中描述的全卷積模型，并能在一臺機器上進行多GPU訓練，也能在CPU和GPU上快速產生束搜索(beam search)。在開源的數據中，他們提供了英譯法和英譯德的預訓練模型。
引用
如果你的論文中用了FAIR的相關代碼，可以這樣引用：
@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,
}
工具和安裝
-
macOS或是Linux系統的電腦
-
要是想訓練新的模型，需要用到NVIDIA GPU和NCCL（https://github.com/NVIDIA/nccl）
-
Python 3.6
-
安裝PyTorch（http://pytorch.org/）
目前的fairseq-py需要從GitHub庫中獲得PyTorch，有多種方式安裝它。我們建議利用Miniconda3，執行如下的步驟。
1、安裝Miniconda3（https://conda.io/miniconda.html）；激活?Python 3環境
2、安裝PyTorch
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
3、在GitHub中復制和執行如下代碼來安裝fairseq-py
pip install -r requirements.txt
python setup.py build
python setup.py develop
快速開始
你將需要使用到如下的命令：
-
python preprocess.py: 數據預處理: 構造詞匯和二進制訓練數據
-
python train.py: 在一個或多個GPU上訓練新的模型
-
python generate.py: 用訓練好的模型翻譯預處理之后的數據
-
python generate.py -i:用訓練好的模型翻譯新的文本
-
python score.py: 通過與參考譯文對比，給出生成譯文的BLEU分數
評估預訓練模型：
首先，下載預訓練好的模型和詞匯：
$ curl https://s3.amazonaws.com/fairseq-py/models/wmt14.en-fr.fconv-py.tar.bz2 | tar xvjf -
模型中用的是BPE詞匯（https://arxiv.org/abs/1508.07909），用戶必須在翻譯之前將編碼應用到源文本。可以用apply_bpe.py?腳本中的wmt14.en-fr.fconv-cuda/bpecodes文件。@@是延續標記，原始文本可以通過sed s/@@ //g來恢復，此外把?--remove-bpe 標記傳遞到generate.py也有同樣的作用。在生成BPE詞匯之前。輸入文本需要用mosesdecoder中的tokenizer.perl來標記。
下面是利用python generate.py -i產生翻譯的例子，?beam size為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
訓練新模型
數據預處理
fairseq-py工具包中包含用于IWSLT 2014德轉英語料庫的一個預處理腳本樣例。先將數據進行預處理和二進制編碼：
$ 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
這將會得到能夠用于訓練模型的二進制數據。
訓練
用python train.py來訓練新的模型，下面是能很好的適于?IWSLT 2014數據集中的一些樣例設置。
$ 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會占用電腦中所有可用的GPU，可以用CUDA_VISIBLE_DEVICES環境來選擇特定的GPU，或者改變使用的GPU數目。
有一點需要注意，batch大小是基于每個batch的最大token數來設置的，你需要基于系統中可用的GPU內存，選取一個稍小的值。
生成翻譯
模型訓練好之后就能利用python generate.py（用于二進制數據）或python generate.py -i（用于未處理文本）生成翻譯了。
$ 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 .
?...
如果只想用一個CPU，加入--cpu標記。可以通過--remove-bpe移除掉BPE標記。
訓練好的模型
目前開源的全卷積序列到序列模型如下：
-
wmt14.en-fr.fconv-py.tar.bz2（https://s3.amazonaws.com/fairseq-py/models/wmt14.en-fr.fconv-py.tar.bz2）: 用于WMT14英譯法的模型，包含詞匯
-
wmt14.en-de.fconv-py.tar.bz2（https://s3.amazonaws.com/fairseq-py/models/wmt14.en-de.fconv-py.tar.bz2）: 用于WMT14英譯德的模型，包含詞匯
針對以上模型，已經預處理和編碼過的測試集如下：
-
wmt14.en-fr.newstest2014.tar.bz2（https://s3.amazonaws.com/fairseq-py/data/wmt14.en-fr.newstest2014.tar.bz2）: 用于WMT14英譯法的newstest2014測試集
-
wmt14.en-fr.ntst1213.tar.bz2（https://s3.amazonaws.com/fairseq-py/data/wmt14.en-fr.ntst1213.tar.bz2）: 用于WMT14英譯法的newstest2012和newstest2013測試集
-
wmt14.en-de.newstest2014.tar.bz2（https://s3.amazonaws.com/fairseq-py/data/wmt14.en-de.newstest2014.tar.bz2）: 用于WMT14英譯德的newstest2014測試集
下面是在一塊GTX-1080ti上利用測試集產生結果的樣例（英譯德），運行在batch模式下：
$ 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)
