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

新智元編譯

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、基於卷積神經網路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路(RNN)系統的9倍（谷歌的機器翻譯系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庫里的PyTorch。有多種安裝方式，我們建議使用Miniconda3並按照說明安裝：

• 從 https://conda.io/miniconda.html 安裝 Miniconda3; 創建並激活Python 3環境。

• 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

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：構建辭彙和二進位訓練數據

• 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辭彙：

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

該模型使用位元組對編碼（BPE）辭彙表，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復。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。在這裡，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辭彙表後提供的源語句（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。

下面是預訓練模型列表。

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。這裡有幾個適用於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 環境變數選擇特定的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，具體取決於系統上可用的GPU內存。

生成

一旦模型訓練好，就可以使用python generate.py（二進位數據）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，包括辭彙

• wmt14.en-de.fconv-py.tar.bz2：用於WMT14英語 - 德語的預訓練模型，包括辭彙

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面這樣以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)

GitHub地址：https://github.com/facebookresearch/fairseq-py

點擊閱讀原文可查看職位詳情，期待你的加入~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！