iT邦幫忙

2021 iThome 鐵人賽

DAY 30
0
AI & Data

當自然語言處理遇上深度學習系列 第 30

[神經機器翻譯理論與實作] 從頭建立英中文翻譯器 (IV)

  • 分享至 

  • xImage
  •  

前言

今天會將昨天訓練好的翻譯模型在測試資料集進行預測,若進度符合期待,將會使用 BLEU 分數來評估模型的翻譯能力,關於此評測機制的詳細原理與範例程式碼可見下方參考文章[1][2]。

翻譯器建立實作

我們可將昨天訓練好的 Keras 模型與其權重從硬碟載入程式中,不需要再經過漫長的學習歷程(與教育部公告的108課綱無關):

from tensorflow.keras.models import load_model

# load pre-trained model
eng_cn_translator = load_model("models/eng-cn_translator_v1.h5")

翻譯單一文句

我們讓模型預測每一筆測試資料,並打印出第一個英文句子的輸出結果:

# predict model
trans_seqs = eng_cn_translator.predict(
                X_test,
                batch_size = 60,
                verbose = 1,
                use_multiprocessing = True
            )
print(trans_seqs[0])

https://ithelp.ithome.com.tw/upload/images/20211008/20140744bShV5YR4f2.jpg
以上顯示為 X_test 當中第一個句子的神經網絡原始輸出,其為每個時間點屬於每個經過 one-hot 編碼單詞的機率。我們可以透過以下函式來預測一個句子:

def pred_seq(model, single_seq_pair, reverse_tgt_vocab_dict):
    """
    Predicts a single sentence
    ---------------------------
    single_seq_pair:
        sequence pair that is made up of only one source sequence and one target sequence [(src_max_seq_length, ), (tgt_max_seq_length, )]
        type: list of NumPy arrays
    """
    # print("raw prediction: ", model.predict(single_seq_pair))
    # model gives a one-hot encoded array
    pred = model.predict(single_seq_pair)[0]
    # turns into label encoded array (word_id's)
    pred_le = [np.argmax(oneHot_vec) for oneHot_vec in pred]
    # print("pred_le: ", pred_le)
    pred_tokens = []
    for id in pred_le:
        try:
            word = reverse_tgt_vocab_dict[id]
            pred_tokens.append(word)
        except KeyError:
            break
    return ' '.join(pred_tokens)

# predict the 5th sentence in X_test
i = 5

# ground truth sentences
print("actual source sentence: {}".format([reverse_src_vocab_dict[id] for id in X_test[0][i] if id != 0]))
print("actual target sentence: {}".format([reverse_tgt_vocab_dict[id] for id in X_test[1][i] if id != 0]))

首先我們來看真實的英文輸入句以及中文對應句:
https://ithelp.ithome.com.tw/upload/images/20211009/201407449GdltSaV4A.jpg

以及翻譯模型預測的結果:
https://ithelp.ithome.com.tw/upload/images/20211009/20140744xgvxRha6BI.jpg

可以看得出「忠」被翻譯成了「丈」,其餘單詞皆精準預測,至於這樣的翻譯效果好與不好呢?請見下回介紹如何以 BLEU 分數來評估翻譯器的好壞。

結語

我們目前利用了模型翻譯單一個句子,然而尚未走完模型訓練的階段。以下為翻譯實作任務的幾項殘留課題:

  1. (訓練階段)評估模型的翻譯品質:計算模型在語料庫上的整體 BLEU 分數
  2. (訓練階段)以 alignment matrix 檢視輸入與輸出單詞之間的關聯性
  3. 模型推論

今天發出了第三十篇文章,也完成了鐵人賽。然而此系列文將會介紹完整個翻譯器的實作任務,因此明天還會再相見,各位晚安~~
/images/emoticon/emoticon39.gif

閱讀更多

  1. A Gentle Introduction to Calculating the BLEU Score for Text in Python
  2. BLEU: a method for automatic evaluation of machine translation

上一篇
[神經機器翻譯理論與實作] 從頭建立英中文翻譯器 (III)
下一篇
[神經機器翻譯理論與實作] 從頭建立英中文翻譯器 (V)
系列文
當自然語言處理遇上深度學習33
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言