Facebook开源PyTorch版本fairseq翻译模型，训练速度提高50%

今年5月10日，Facebook AI 研究实验室（FAIR）发布了一项使用创新性的、基于卷积神经网络的方法来进行语言翻译的最新成果。Facebook 称，该研究取得了截止目前最高准确度，并且速度是基于循环神经网络(RNN)系统的9倍（谷歌的机器翻译系统使用的就是这一技术）。

今天开源的是一个PyTorch版本的fairseq。这个重新实现的原作者是Sergey Edunov，Myle Ott和Sam Gross。该工具包实现了 Convolutional Sequence to Sequence Learning（https://arxiv.org/abs/1705.03122 ）中描述的完全卷积模型（fully convolutional model），在单个机器上实现多GPU训练，并在CPU和GPU上实现快速 beam search 生成。我们提供英语到法语和英语到德语翻译的预训练模型。

引用

如果要在论文中使用这些代码，请按如下格式引用：

@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,
}

要求和安装步骤

• 运行macOS或Linux的计算机
• 为了训练新模型，你还需要一个NVIDIA GPU和NCCL
• Python 3.6
• PyTorch安装

目前，Fairseq-py需要GitHub库里的PyTorch。有多种安装方式，我们建议使用Miniconda3并按照说明安装：

• 从 https://conda.io/miniconda.html 安装 Miniconda3; 创建并激活Python 3环境。
• 安装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

Clone GitHub 存储库并运行以下命令安装fairseq-py：

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

快速开始

以下命令行工具可用：

• python preprocess.py：数据预处理：构建词汇和二进制训练数据
• python train.py：在一个或多个GPU上训练新模型
• python generate.py：用训练好的模型翻译预处理的数据
• python generate.py -i：使用训练好的模型翻译原始文本
• python score.py：根据参考翻译对生成的翻译进行BLEU评分

评估预训练的模型

首先，下载一个预训练的模型及其词汇：

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

该模型使用字节对编码（BPE）词汇表，因此我们必须将该编码应用于源文本才能进行翻译。这可以通过使用wmt14.en-fr.fconv-cuda / bpecodes文件的apply_bpe.py脚本完成。@@ 用作连续标记，用 sed s / @@ // g 或将 --remove-bpe 标志传递给generate.py，原始文本可以很容易地恢复。在BPE之前，输入文本需要使用mosesdecoder中的tokenizer.perl进行标记化。

让我们使用python generate.py -i来生成翻译。在这里，我们使用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

生成脚本产生四种类型的输出：以S为前缀的行显示了应用词汇表后提供的源语句（source sentence）; O是原始来源句的副本（original source sentence）; H是平均 log-likelihood以外的假设（hypothesis）; 而A是假设中每个单词的注意力最大值（ attention maxima），包括文本中省略的句末标记。

下面是预训练模型列表。

训练一个新模型

数据预处理

Fairseq-py源码分发包含了一个用于IWSLT 2014德语 - 英语语料库的预处理脚本示例。预处理和二值化数据如下：

$ 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

这将会将可用于模型训练的二值化数据写入 data-bin/iwslt14.tokenized.de-en。

训练

使用python train.py来训练一个新模型。这里有几个适用于IWSLT 2014数据集的示例设置：

$ 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

默认情况下，python train.py将使用机器上的所有可用GPU。使用CUDA_VISIBLE_DEVICES 环境变量选择特定的GPU和/或更改将要使用的GPU设备的数量。

另请注意，batch大小是根据每个batch的最大token数（--max-tokens）来指定的。你可能需要使用较小的值，具体取决于系统上可用的GPU内存。

生成

一旦模型训练好，就可以使用python generate.py（二进制数据）或python generate.py -i（原始文本）生成翻译：

$ 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 .
  ...

如果要仅使用CPU生成翻译，请使用--cpu flag。可以使用--remove-bpe flag 来删除BPE连续标记。

预训练模型

我们提供以下预训练的完全卷积序列到序列模型：
wmt14.en-fr.fconv-py.tar.bz2：用于WMT14英语 - 法语的预训练模型，包括词汇
wmt14.en-de.fconv-py.tar.bz2：用于WMT14英语 - 德语的预训练模型，包括词汇

此外，我们还提供了上述模型的预处理和二值化测试集：
wmt14.en-fr.newstest2014.tar.bz2：WMT14英语 - 法语的newstest2014测试集
wmt14.en-fr.ntst1213.tar.bz2：WMT14英语 - 法语的newstest2012和newstest2013测试集
wmt14.en-de.newstest2014.tar.bz2：WMT14英语 - 德语的newstest2014测试集

生成二值化测试集可以像下面这样以batch的模式运行，例如，在GTX-1080ti的英语-法语：

$ 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)

原文发布时间为：2017-09-19
编译：neko
本文来自云栖社区合作伙伴新智元，了解相关信息可以关注“AI_era”微信公众号
原文链接