《动手学深度学习》系列笔记 —— 语言模型（n元语法、随机采样、连续采样）

目录

• 1. 语言模型
• 2. n元语法
• 3. 语言模型数据集
  • 3.1 读取数据集
  • 3.2 建立字符索引
• 4. 时序数据的采样
  • 4.1 随机采样
  • 4.2 相邻采样

一段自然语言文本可以看作是一个离散时间序列，给定一个长度为(T)的词的序列(w_1, w_2, ldots, w_T)，语言模型的目标就是评估该序列是否合理，即计算该序列的概率：

[P(w_1, w_2, ldots, w_T). ]

1. 语言模型

假设序列(w_1, w_2, ldots, w_T)中的每个词是依次生成的，我们有

例如，一段含有4个词的文本序列的概率

[P(w_1, w_2, w_3, w_4) = P(w_1) P(w_2 mid w_1) P(w_3 mid w_1, w_2) P(w_4 mid w_1, w_2, w_3). ]

语言模型的参数就是词的概率以及给定前几个词情况下的条件概率。设训练数据集为一个大型文本语料库，如维基百科的所有条目，词的概率可以通过该词在训练数据集中的相对词频来计算，例如，(w_1)的概率可以计算为：

其中(n(w_1))为语料库中以(w_1)作为第一个词的文本的数量，(n)为语料库中文本的总数量。

类似的，给定(w_1)情况下，(w_2)的条件概率可以计算为：

其中(n(w_1, w_2))为语料库中以(w_1)作为第一个词，(w_2)作为第二个词的文本的数量。

2. n元语法

序列长度增加，计算和存储多个词共同出现的概率的复杂度会呈指数级增加。(n)元语法通过马尔可夫假设（一个词的出现只与前面(n)个词相关，即(n)阶马尔可夫链（Markov chain of order (n)））来简化模型。如果(n=1)，那么有(P(w_3 mid w_1, w_2) = P(w_3 mid w_2))。基于(n-1)阶马尔可夫链，我们可以将语言模型改写为

[P(w_1, w_2, ldots, w_T) = prod_{t=1}^T P(w_t mid w_{t-(n-1)}, ldots, w_{t-1}) . ]

以上也叫(n)元语法（(n)-grams），它是基于(n - 1)阶马尔可夫链的概率语言模型。例如，当(n=2)时，含有4个词的文本序列的概率就可以改写为：

当(n)分别为1、2和3时，我们将其分别称作一元语法（unigram）、二元语法（bigram）和三元语法（trigram）。
例如，长度为4的序列(w_1, w_2, w_3, w_4)在一元语法、二元语法和三元语法中的概率分别为

当(n)较小时，(n)元语法往往并不准确。例如，在一元语法中，由三个词组成的句子“你走先”和“你先走”的概率是一样的。然而，当(n)较大时，(n)元语法需要计算并存储大量的词频和多词相邻频率。

• n元语法的缺陷有哪些？
  1. 参数空间过大
  2. 数据稀疏

3. 语言模型数据集

3.1 读取数据集

with open('/home/kesci/input/jaychou_lyrics4703/jaychou_lyrics.txt') as f:
    corpus_chars = f.read()
print(len(corpus_chars))
print(corpus_chars[: 40])
corpus_chars = corpus_chars.replace('
', ' ').replace('
', ' ')
corpus_chars = corpus_chars[: 10000]

3.2 建立字符索引

idx_to_char = list(set(corpus_chars)) # 去重，得到索引到字符的映射
char_to_idx = {char: i for i, char in enumerate(idx_to_char)} # 字符到索引的映射
vocab_size = len(char_to_idx)
print(vocab_size)

corpus_indices = [char_to_idx[char] for char in corpus_chars]  # 将每个字符转化为索引，得到一个索引的序列
sample = corpus_indices[: 20]
print('chars:', ''.join([idx_to_char[idx] for idx in sample]))
print('indices:', sample)

定义函数load_data_jay_lyrics，在后续章节中直接调用。

def load_data_jay_lyrics():
    with open('/home/kesci/input/jaychou_lyrics4703/jaychou_lyrics.txt') as f:
        corpus_chars = f.read()
    corpus_chars = corpus_chars.replace('
', ' ').replace('
', ' ')
    corpus_chars = corpus_chars[0:10000]
    idx_to_char = list(set(corpus_chars))
    char_to_idx = dict([(char, i) for i, char in enumerate(idx_to_char)])
    vocab_size = len(char_to_idx)
    corpus_indices = [char_to_idx[char] for char in corpus_chars]
    return corpus_indices, char_to_idx, idx_to_char, vocab_size

4. 时序数据的采样

在训练中我们需要每次随机读取小批量样本和标签。与之前章节的实验数据不同的是，时序数据的一个样本通常包含连续的字符。假设时间步数为5，样本序列为5个字符，即“想”“要”“有”“直”“升”。该样本的标签序列为这些字符分别在训练集中的下一个字符，即“要”“有”“直”“升”“机”，即(X)=“想要有直升”，(Y)=“要有直升机”。

现在我们考虑序列“想要有直升机，想要和你飞到宇宙去”，如果时间步数为5，有以下可能的样本和标签：

• (X)：“想要有直升”，(Y)：“要有直升机”
• (X)：“要有直升机”，(Y)：“有直升机，”
• (X)：“有直升机，”，(Y)：“直升机，想”
• ...
• (X)：“要和你飞到”，(Y)：“和你飞到宇”
• (X)：“和你飞到宇”，(Y)：“你飞到宇宙”
• (X)：“你飞到宇宙”，(Y)：“飞到宇宙去”

可以看到，如果序列的长度为(T)，时间步数为(n)，那么一共有(T-n)个合法的样本，但是这些样本有大量的重合，我们通常采用更加高效的采样方式。我们有两种方式对时序数据进行采样，分别是随机采样和相邻采样。

4.1 随机采样

下面的代码每次从数据里随机采样一个小批量。其中批量大小batch_size是每个小批量的样本数，num_steps是每个样本所包含的时间步数。
在随机采样中，每个样本是原始序列上任意截取的一段序列，相邻的两个随机小批量在原始序列上的位置不一定相毗邻。

import torch
import random
def data_iter_random(corpus_indices, batch_size, num_steps, device=None):
    # 减1是因为对于长度为n的序列，X最多只有包含其中的前n - 1个字符
    num_examples = (len(corpus_indices) - 1) // num_steps  # 下取整，得到不重叠情况下的样本个数
    example_indices = [i * num_steps for i in range(num_examples)]  # 每个样本的第一个字符在corpus_indices中的下标
    random.shuffle(example_indices)

    def _data(i):
        # 返回从i开始的长为num_steps的序列
        return corpus_indices[i: i + num_steps]
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    
    for i in range(0, num_examples, batch_size):
        # 每次选出batch_size个随机样本
        batch_indices = example_indices[i: i + batch_size]  # 当前batch的各个样本的首字符的下标
        X = [_data(j) for j in batch_indices]
        Y = [_data(j + 1) for j in batch_indices]
        yield torch.tensor(X, device=device), torch.tensor(Y, device=device)

测试一下这个函数，我们输入从0到29的连续整数作为一个人工序列，设批量大小和时间步数分别为2和6，打印随机采样每次读取的小批量样本的输入X和标签Y。

my_seq = list(range(30))
for X, Y in data_iter_random(my_seq, batch_size=2, num_steps=6):
    print('X: ', X, '
Y:', Y, '
')

4.2 相邻采样

在相邻采样中，相邻的两个随机小批量在原始序列上的位置相毗邻。

def data_iter_consecutive(corpus_indices, batch_size, num_steps, device=None):
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    corpus_len = len(corpus_indices) // batch_size * batch_size  # 保留下来的序列的长度
    corpus_indices = corpus_indices[: corpus_len]  # 仅保留前corpus_len个字符
    indices = torch.tensor(corpus_indices, device=device)
    indices = indices.view(batch_size, -1)  # resize成(batch_size, )
    batch_num = (indices.shape[1] - 1) // num_steps
    for i in range(batch_num):
        i = i * num_steps
        X = indices[:, i: i + num_steps]
        Y = indices[:, i + 1: i + num_steps + 1]
        yield X, Y

同样的设置下，打印相邻采样每次读取的小批量样本的输入X和标签Y。相邻的两个随机小批量在原始序列上的位置相毗邻。

for X, Y in data_iter_consecutive(my_seq, batch_size=2, num_steps=6):
    print('X: ', X, '
Y:', Y, '
')

my_seq = list(range(11))
for X, Y in data_iter_consecutive(my_seq, batch_size=2, num_steps=2):
    print('X: ', X, '
Y:', Y, '
')