Press "Enter" to skip to content

TensorFlow NMT的词嵌入(Word Embeddings)

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

自然语言处理的第一步,就是要将文本表示成计算机能理解的方式。我们将长文本分词之后,得到一个词典,对于词典中的每一个词,我们用一个或者一组数字来表示它们。这样就实现了我们的目标。

Embedding(词嵌入)到底是什么
首先, Embedding 即 词嵌入 ,它的作用是什么呢?很简单, 将文本信息转化成数字 。因为计算机无法直接处理文字,所以我需要 将文字转化成数字 这一个技术。

文字转化成数字不是很简单吗?最简单的,对于每一个词,我们都给一个整数进行表示,这样不就可以了吗?更进一步,对于每一个词,我们都给定一个定长的向量,让某一个位置(可以是前面的整数表示),使这个位置的值为1,其余位置为0。也就是说,假设我们有1000个词,那么我们对于每一个词,都写成一个1000个元素的列向量,每个向量里,只有一个位置的值是1,其余位置都是0,比如:

hello –> [1,0,0,0,…,0]
world –> [0,1,0,0,…,0]
实际上,上面这种编码就是 one-hot 编码,翻译过来就是 独热编码 。

但是我们的Embedding并不是这样做的,为什么呢?

主要原因就是上述 one-hot 编码有以下几个严重的缺点:

维度爆炸,如果我有30万个词,那么每一个词就需要[1,300000]的向量表示。词越多,维度越高
无法表示词语之间的关系。
也就是说,我们的 Embedding 需要解决以上问题,那么怎么办呢?也很简单:

对于每一个词,我们使用一个固定长度的向量来表示,比如长度为256
对于每一个的表示,不是使用非0即1这种表示,我们使用浮点数,向量的每一个值都可以是一个浮点数
这样以来,上述两个问题也就解决了。

实际上,你肯定发现了一个问题,我们这写词语的数字表示组成的矩阵,所有的值都是可以变化的,那么这个变化到底该怎么变呢?这是一个很关键的问题!

答案是: 我们这个矩阵,实际上就是一个浅层的神经网络,模型训练过程中,会自动更新这些值!

等模型训练好了,我们的词语数字矩阵的值也就确定下来了。那么,如果我们把这个矩阵的值,保存下来,下次不让模型训练了,直接加载,这样可以吗?

答案是: 当然可以! 。

这样做还可以减少训练参数的个数,从而减少训练时间呢!

实际上,/nmt项目有一个参数 –embed_file 指的就是这个所谓的矩阵的值保存的文件!

这就是 Embedding 所有的秘密,一点都不玄乎对不对?

NMT项目中Embedding的构建过程
TensorFlow NMT的词嵌入代码入口位于 /model.py 文件, BaseModel 有一个 init_embeddings() 方法,NMT模型就是在此处完成词嵌入的初始化的。

根据上面的介绍,我们知道,有两种方式构建Embedding:

从已经训练好的文件(embed_file)直接加载
构建一个矩阵,让模型自己训练
接下来,分别介绍一下这两种方式在 tensorflow/nmt 项目中的构建过程。

从超参数获取需要的参数
需要做词嵌入,则首先要获取需要的信息。比如词典文件,或者说词嵌入文件(如果已经有训练好的词嵌入文件的话)。这些信息,都是通过超参数hparams这个参数传递过来的。主要的参数获取如下:

def _init_embeddings(self, hparams, scope):
# 源数据和目标数据是否使用相同的词典
share_vocab = hparams.share_vocab
src_vocab_size = self.src_vocab_size
tgt_vocab_size = self.tgt_vocab_size
# 源数据词嵌入的维度,数值上等于指定的神经单元数量
src_embed_size = hparams.num_units
# 目标数据词嵌入的维度,数值上等于指定的神经单元数量
tgt_embed_size = hparams.num_units
# 词嵌入分块数量,分布式训练的时候,需要该值大于1
num_partitions = hparams.num_embeddings_partitions
# 源数据的词典文件
src_vocab_file = hparams.src_vocab_file
# 目标数据的词典文件
tgt_vocab_file = hparams.tgt_vocab_file
# 源数据已经训练好的词嵌入文件
src_embed_file = hparams.src_embed_file
# 目标数据已经训练好的词嵌入文件
tgt_embed_file = hparams.tgt_embed_file

# 分块器,用于分布式训练
if num_partitions <= 1:
# 小于等于1,则不需要分块,不使用分布式训练
partitioner = None
else:
# 分块器也是一个张量,其值大小和分块数量一样
partitioner = tf.fixed_size_partitioner(num_partitions)

# 如果使用分布式训练,则不能使用已经训练好的词嵌入文件
if (src_embed_file or tgt_embed_file) and partitioner:
raise ValueError(
"Can't set num_partitions > 1 when using pretrained embedding")

参数的意义我已经写在注释里面了。

获取到这些参数之后,我们就可以创建或者加载词嵌入的矩阵表示了。

创建或者加载词嵌入矩阵
根据超参数,如果提供了 预训练 的词嵌入文件,则我们只需要根据词典,将词典中的词的嵌入表示,从词嵌入文件取出来即可。如果没有提供预训练的词嵌入文件,则我们自己创建一个即可。

# 创建词嵌入的变量域
with tf.variable_scope(scope or "embeddings", dtype=tf.float32, partitioner=partitioner) as scope:
# 如果共享词典
if share_vocab:
# 检查词典大小是否匹配
if src_vocab_size != tgt_vocab_size:
raise ValueError("Share embedding but different src/tgt vocab sizes"
" %d vs. %d" % (src_vocab_size, tgt_vocab_size))
assert src_embed_size == tgt_embed_size
vocab_file = src_vocab_file or tgt_vocab_file
embed_file = src_embed_file or tgt_embed_file
# 如果有训练好的词嵌入模型,则直接加载,否则创建新的
embedding_encoder = self._create_or_load_embed(
"embedding_share", vocab_file, embed_file,
src_vocab_size, src_embed_size, dtype=tf.float32)
embedding_decoder = embedding_encoder
# 不共享词典的话,需要根据不同的词典创建对应的编码器和解码器
else:
# 加载或者创建编码器
with tf.variable_scope("encoder", partitioner=partitioner):
embedding_encoder = self._create_or_load_embed(
"embedding_encoder", src_vocab_file, src_embed_file,
src_vocab_size, src_embed_size, tf.float32)
# 加载或创建解码器
with tf.variable_scope("decoder", partitioner=partitioner):
embedding_decoder = self._create_or_load_embed(
"embedding_decoder", tgt_vocab_file, tgt_embed_file,
tgt_vocab_size, tgt_embed_size, tf.float32)
self.embedding_encoder = embedding_encoder
self.embedding_decoder = embedding_decoder

如你所见,在获取词嵌入表示之前,有一个share_vocab的判断。这个判断也很简单,就是判断源数据和目标数据是否使用相同的词典,不管是不是share_vocab,最后都需要创建或者加载词嵌入表示。这个关键的过程在 _create_or_load_embed() 函数中完成。

该函数的主要工作如下:

def _create_or_load_embed(self, embed_name, vocab_file, embed_file, vocab_size, embed_size, dtype=tf.float32):
# 如果
提供了训练好的词嵌入文件,则直接加载
if vocab_file and embed_file:
embedding = self._create_pretrained_emb_from_txt(vocab_file, embed_file)
else:
# 否则创建新的词嵌入
with tf.device(self._get_embed_device(vocab_size)):
embedding = tf.get_variable(
embed_name, [vocab_size, embed_size], dtype)
return embedding

加载预训练的词嵌入表示
如果超参数提供了embed_file这个预训练好的词嵌入文件,那么我么只需要读取该文件,创建出词嵌入矩阵,返回即可。

主要代码如下:

def _create_pretrained_emb_from_txt(self, vocab_file, embed_file,
num_trainable_tokens=3, dtype=tf.float32, scope=None):
"""
从文件加载词嵌入矩阵
:param vocab_file: 词典文件
:param embed_file: 训练好的词嵌入文件
:param num_trainable_tokens:词典文件前3个词标记为变量,默认为"<unk>","<s>","</s>"
:param scope: 域
:return: 词嵌入矩阵
"""
# 加载词典
vocab, _ = vocab_utils.load_vocab(vocab_file)
# 词典的前三行会加上三个特殊标记,取出三个特殊标记
trainable_tokens = vocab[:num_trainable_tokens]

utils.print_out("# Using pretrained embedding: %s." % embed_file)
utils.print_out(" with trainable tokens: ")

# 加载训练好的词嵌入
emb_dict, emb_size = vocab_utils.load_embed_txt(embed_file)
for token in trainable_tokens:
utils.print_out(" %s" % token)
# 如果三个标记不在训练好的词嵌入中
if token not in emb_dict:
# 初始化三个标记为0.0,维度为词嵌入的维度
emb_dict[token] = [0.0] * emb_size

# 从训练好的词嵌入矩阵中,取出词典中的词语的词嵌入表示,数据类型为tf.float32
emb_mat = np.array(
[emb_dict[token] for token in vocab], dtype=dtype.as_numpy_dtype())
# 常量化词嵌入矩阵
emb_mat = tf.constant(emb_mat)
# 从词嵌入矩阵的第4行之后的所有行和列(因为num_trainable_tokens=3)
# 也就是说取出除了3个标记之外所有的词嵌入表示
# 这是常量,因为已经训练好了,不需要训练了
emb_mat_const = tf.slice(emb_mat, [num_trainable_tokens, 0], [-1, -1])
with tf.variable_scope(scope or "pretrain_embeddings", dtype=dtype) as scope:
with tf.device(self._get_embed_device(num_trainable_tokens)):
# 获取3个标记的词嵌入表示,这3个标记的词嵌入是可以变的,通过训练可以学习
emb_mat_var = tf.get_variable(
"emb_mat_var", [num_trainable_tokens, emb_size])
# 将3个标记的词嵌入和其余单词的词嵌入合并起来,得到完整的单词词嵌入表示
return tf.concat([emb_mat_var, emb_mat_const], 0)

处理过程,我已经在注释里面写得很清楚了。接下来看看新创建词嵌入表示的过程。

重新创建词嵌入表示
这个过程其实很简单,就是创建一个可训练的张量而已:

with tf.device(self._get_embed_device(vocab_size)):
embedding = tf.get_variable(embed_name, [vocab_size, embed_size], dtype)

该张量的名字就是 embed_name ,shape即[vocab_size, embed_size],其中 vocab_size 就是词典的大小,也就是二维矩阵的行数, embed_size 就是词嵌入的维度,每个词用多少个数字来表示,也就是二维矩阵的列数。该张量的数据类型是单精度浮点数。当然, tf.get_variable() 方法还有很多提供默认值的参数,其中一个就是 trainable=True ,这代表这个变量是可变的,也就是我们的词嵌入表示在训练过程中,数字是会改变的。

这样就完成了词嵌入的准备过程。

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注