Facebook AI发布新版本FairSeq序列到序列(Seq2Seq)学习工具，可生成故事与快速推断

2018 年 6 月 17 日 专知

【导读】Facebook AI Research发布(PyTorch)序列到序列学习工具集fairseq新版本：实现“Scaling Neural Machine Translation”论文描述的分布式训练、增加迁移学习、快速推断、故事生成等。

编译 | 专知

整理| Quan

1. 导读

Fairseq(-py)是一个序列建模工具包，允许研究人员和开发人员为翻译、摘要、语言建模和其他文本生成任务训练自定义模型。它提供了各种序列到序列模型的参考实现，包括:

卷积神经网络 Convolutional Neural Networks (CNN)

Dauphin et al. (2017): Language Modeling with Gated Convolutional Networks
简介：本文介绍了一种基于卷积网络CNN的语言模型建模方法，引入一种新的gate机制来简化梯度传播，这种gate机制执行效果比目前的LSTM效果好，而且效率明显提升。
论文地址：
http://www.zhuanzhi.ai/document/4f8dc853faa15ed8d68c247aec496956
Gehring et al. (2017): Convolutional Sequence to Sequence Learning
简介：提出了完全使用CNN来构成Seq2Seq模型，用于机器翻译，超越了谷歌创造的基于LSTM机器翻译的效果。
论文地址：
http://www.zhuanzhi.ai/document/1694803e358b33e6575a694edbf2adb7
New Edunov et al. (2018): Classical Structured Prediction Losses for Sequence to Sequence Learning
简介：序列学习Loss评估
论文地址：
http://www.zhuanzhi.ai/document/a935ada9ca22ffcc8341759033d1e407
New Fan et al. (2018): Hierarchical Neural Story Generation
简介：论文使用层次话结构做故事生成，解决长依赖性问题。少信息->多信息，decoder self-attention + model fusion，decoder 时 word 从 word prob top10 中随机选取，可减少生成重复文本。
论文地址：http://www.zhuanzhi.ai/document/3dcc0fdfbb9a370fb7ced8a2ce8f7fbb

长短时记忆神经网络 Long Short-Term Memory (LSTM) networks

Luong et al. (2015): Effective Approaches to Attention-based Neural Machine Translation
论文地址：https://arxiv.org/abs/1508.04025
Wiseman and Rush (2016): Sequence-to-Sequence Learning as Beam-Search Optimization
简介：Sequence-to-Sequence（seq2seq）建模已经成为了一种重要的多用途自然语言处理工具，它已被证明在很多文本生成和排序任务中被证明有效。Seq2seq 建立在深度神经语言建模之上，并在局部的下一个词分布的估计中延续了其良好的精确度。在本研究中，我们介绍了一种模型和训练方式，基于 Daum'e III 和 Marcu（2005）的成果，同时扩展了 seq2seq 方式，使它可以学习全局序列分数。这种结构方式在证明了已有 seq2seq 模型架构能够进行有效训练的情况下，避免了传统方式上局部训练（local training）的常见偏差，同时通过测试使用时间使训练损失一致。我们发现与高度优化的基于注意的 seq2seq 系统以及其他系统相比，在三种不同的 sequence to sequence 任务中（词序，解析和机器翻译），我们的系统存在明显优势。
论文地址：
http://www.zhuanzhi.ai/document/5f19ee9b8a1073ab890b3db0b432fcaa

变换(自注意力)网络Transformer (self-attention) networks

Vaswani et al. (2017): Attention Is All You Need
简介：提出一种完全基于 attention 的翻译架构 Transformer，实现了机器翻译的新突破

论文地址：
http://www.zhuanzhi.ai/document/ac149a21f618b62539a0c6e7b1c0c79a
New Ott et al. (2018): Scaling Neural Machine Translation
论文地址：
http://www.zhuanzhi.ai/document/22ed668b95fb1580664fe6767afa42b8

Fairseq 特性:

单机或多机的多GPU分布式训练
GPU与CPU上的快速集束搜索
通过延迟更新进行大型小型批处理培训(即使是在单个GPU上)
快速半精度浮点(FP16)训练

在开源的数据中，FairSeq提供了英译法和英译德的预训练模型。

2. 要求和安装

Pytorch安装
为了训练新模型，你需要NVIDIA GPU和NCCL(https://github.com/NVIDIA/nccl)
Python 3.6

当前fairseq需要PyTorch的版本>= 0.4.0. 请按照如下进行安装:

https://github.com/pytorch/pytorch#installation.

如果你使用Docker，请确保增加共享内存容量，使用--ipc=host 或者 --shm-size作为命令行 nvidia-docker run.

在PyTorch安装后,，可以使用如下命令安装fairseq:

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

3. 快速开始

你将需要使用到如下的命令：

python preprocess.py: 数据预处理: 构造词汇和二进制训练数据
python train.py: 在一个或多个GPU上训练新的模型
python generate.py: 用训练好的模型翻译预处理之后的数据
python generate.py -i:用训练好的模型翻译新的文本
python score.py: 通过与参考译文对比，给出生成译文的BLEU分数

评估预训练模型：

首先，下载预训练好的模型和词汇：

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

模型中用的是BPE词汇（https://arxiv.org/abs/1508.07909），用户必须在翻译之前将编码应用到源文本。可以用apply_bpe.py 脚本中的wmt14.en-fr.fconv-cuda/bpecodes文件。@@是延续标记，原始文本可以通过sed s/@@ //g来恢复，此外把 --remove-bpe 标记传递到generate.py也有同样的作用。在生成BPE词汇之前。输入文本需要用mosesdecoder中的tokenizer.perl来标记。

下面是利用python interactive.py -i产生翻译的例子， beam size为5：

$ MODEL_DIR=wmt14.en-fr.fconv-py $ python interactive.py \ --path $MODEL_DIR/model.pt $MODEL_DIR \ --beam 5 | loading model(s) from wmt14.en-fr.fconv-py/model.pt | [en] dictionary: 44206 types | [fr] dictionary: 44463 types | Type the input sentence and press return: > Why is it rare to discover new marine mam@@ mal species ? O Why is it rare to discover new marine mam@@ mal species ? H -0.06429661810398102 Pourquoi est-il rare de découvrir de nouvelles espèces de mammifères marins ? A 0 1 3 3 5 6 6 8 8 8 7 11 12

4. 训练新模型

数据预处理

fairseq-py工具包中包含用于IWSLT 2014德转英语料库的一个预处理脚本样例。先将数据进行预处理和二进制编码：

$ cd examples/translation/ $ 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 \ --destdir data-bin/iwslt14.tokenized.de-en

这将会得到能够用于训练模型的二进制数据。

训练

用python train.py来训练新的模型，下面是能很好的适于 IWSLT 2014数据集中的一些样例设置。

$ 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会占用电脑中所有可用的GPU，可以用CUDA_VISIBLE_DEVICES环境来选择特定的GPU，或者改变使用的GPU数目。

有一点需要注意，batch大小是基于每个batch的最大token数来设置的，你需要基于系统中可用的GPU内存，选取一个稍小的值。

生成翻译

模型训练好之后就能利用python generate.py（用于二进制数据）或python generate.py -i（用于未处理文本）生成翻译了。

$ 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 . ...

如果只想用一个CPU，加入--cpu标记。可以通过--remove-bpe移除掉BPE标记。

5. 预训练好的模型

目前开源的全卷积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英译法的模型，包含词汇
wmt14.en-de.fconv-py.tar.bz2（https://s3.amazonaws.com/fairseq-py/models/wmt14.en-de.fconv-py.tar.bz2）: 用于WMT14英译德的模型，包含词汇

针对以上模型，已经预处理和编码过的测试集如下：

wmt14.en-fr.newstest2014.tar.bz2（https://s3.amazonaws.com/fairseq-py/data/wmt14.en-fr.newstest2014.tar.bz2）: 用于WMT14英译法的newstest2014测试集
wmt14.en-fr.ntst1213.tar.bz2（https://s3.amazonaws.com/fairseq-py/data/wmt14.en-fr.ntst1213.tar.bz2）: 用于WMT14英译法的newstest2012和newstest2013测试集
wmt14.en-de.newstest2014.tar.bz2（https://s3.amazonaws.com/fairseq-py/data/wmt14.en-de.newstest2014.tar.bz2）: 用于WMT14英译德的newstest2014测试集

下面是在一块GTX-1080ti上利用测试集产生结果的样例（英译德），运行在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)

6. 引用

如果你的论文中用了FAIR的相关代码，可以这样引用：

@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,
}

via：GitHub（https://github.com/facebookresearch/fairseq-py）

-END-

专 · 知

人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！