TensorFlow NMT的词嵌入(Word Embeddings)

本文转载自：http://blog.stupidme.me/2018/08/05/tensorflow-nmt-word-embeddings/，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有。

声明：本文由罗周杨 stupidme.me.lzy@gmail.com 原创，未经授权不得转载

自然语言处理的第一步，就是要将文本表示成计算机能理解的方式。我们将长文本分词之后，得到一个词典，对于词典中的每一个词，我们用一个或者一组数字来表示它们。这样就实现了我们的目标。

Embedding(词嵌入)到底是什么

首先， Embedding 即词嵌入，它的作用是什么呢？很简单，将文本信息转化成数字。因为计算机无法直接处理文字，所以我需要将文字转化成数字这一个技术。

文字转化成数字不是很简单吗？最简单的，对于每一个词，我们都给一个整数进行表示，这样不就可以了吗？更进一步，对于每一个词，我们都给定一个定长的向量，让某一个位置(可以是前面的整数表示)，使这个位置的值为1，其余位置为0。也就是说，假设我们有1000个词，那么我们对于每一个词，都写成一个1000个元素的列向量，每个向量里，只有一个位置的值是1，其余位置都是0，比如：

hello –> [1,0,0,0,…,0]
world –> [0,1,0,0,…,0]

实际上，上面这种编码就是 one-hot 编码，翻译过来就是独热编码。

但是我们的Embedding并不是这样做的，为什么呢？

主要原因就是上述 one-hot 编码有以下几个严重的缺点：

维度爆炸，如果我有30万个词，那么每一个词就需要[1,300000]的向量表示。词越多，维度越高
无法表示词语之间的关系。

也就是说，我们的 Embedding 需要解决以上问题，那么怎么办呢？也很简单：

对于每一个词，我们使用一个固定长度的向量来表示，比如长度为256
对于每一个的表示，不是使用非0即1这种表示，我们使用浮点数，向量的每一个值都可以是一个浮点数

这样以来，上述两个问题也就解决了。

实际上，你肯定发现了一个问题，我们这写词语的数字表示组成的矩阵，所有的值都是可以变化的，那么这个变化到底该怎么变呢？这是一个很关键的问题！

答案是：我们这个矩阵，实际上就是一个浅层的神经网络，模型训练过程中，会自动更新这些值！

等模型训练好了，我们的词语数字矩阵的值也就确定下来了。那么，如果我们把这个矩阵的值，保存下来，下次不让模型训练了，直接加载，这样可以吗？

答案是：当然可以! 。

这样做还可以减少训练参数的个数，从而减少训练时间呢！

实际上，tensorflow/nmt项目有一个参数 --embed_file 指的就是这个所谓的矩阵的值保存的文件！

这就是 Embedding 所有的秘密，一点都不玄乎对不对？

NMT项目中Embedding的构建过程

TensorFlow NMT的词嵌入代码入口位于 nmt/model.py 文件， BaseModel 有一个 init_embeddings() 方法，NMT模型就是在此处完成词嵌入的初始化的。

根据上面的介绍，我们知道，有两种方式构建Embedding:

从已经训练好的文件(embed_file)直接加载
构建一个矩阵，让模型自己训练

接下来，分别介绍一下这两种方式在 tensorflow/nmt 项目中的构建过程。

从超参数获取需要的参数

需要做词嵌入，则首先要获取需要的信息。比如词典文件，或者说词嵌入文件（如果已经有训练好的词嵌入文件的话）。这些信息，都是通过超参数hparams这个参数传递过来的。主要的参数获取如下：

    def _init_embeddings(self, hparams, scope):

        # 源数据和目标数据是否使用相同的词典

        share_vocab = hparams.share_vocab

        src_vocab_size = self.src_vocab_size

        tgt_vocab_size = self.tgt_vocab_size

        # 源数据词嵌入的维度，数值上等于指定的神经单元数量

        src_embed_size = hparams.num_units

        # 目标数据词嵌入的维度，数值上等于指定的神经单元数量

        tgt_embed_size = hparams.num_units

        # 词嵌入分块数量，分布式训练的时候，需要该值大于1

        num_partitions = hparams.num_embeddings_partitions

        # 源数据的词典文件

        src_vocab_file = hparams.src_vocab_file

        # 目标数据的词典文件

        tgt_vocab_file = hparams.tgt_vocab_file

        # 源数据已经训练好的词嵌入文件

        src_embed_file = hparams.src_embed_file

        # 目标数据已经训练好的词嵌入文件

        tgt_embed_file = hparams.tgt_embed_file

 

        # 分块器，用于分布式训练

        if num_partitions <= 1:

            # 小于等于1，则不需要分块，不使用分布式训练

            partitioner = None

        else:

            # 分块器也是一个张量，其值大小和分块数量一样

            partitioner = tf.fixed_size_partitioner(num_partitions)

 

        # 如果使用分布式训练，则不能使用已经训练好的词嵌入文件

        if (src_embed_file or tgt_embed_file) and partitioner:

            raise ValueError(

                "Can't set num_partitions > 1 when using pretrained embedding")

参数的意义我已经写在注释里面了。

获取到这些参数之后，我们就可以创建或者加载词嵌入的矩阵表示了。

创建或者加载词嵌入矩阵

根据超参数，如果提供了预训练的词嵌入文件，则我们只需要根据词典，将词典中的词的嵌入表示，从词嵌入文件取出来即可。如果没有提供预训练的词嵌入文件，则我们自己创建一个即可。

        # 创建词嵌入的变量域

        with tf.variable_scope(scope or "embeddings", dtype=tf.float32, partitioner=partitioner) as scope:

            # 如果共享词典

            if share_vocab:

                # 检查词典大小是否匹配

                if src_vocab_size != tgt_vocab_size:

                    raise ValueError("Share embedding but different src/tgt vocab sizes"

                                     " %d vs. %d" % (src_vocab_size, tgt_vocab_size))

                assert src_embed_size == tgt_embed_size

                vocab_file = src_vocab_file or tgt_vocab_file

                embed_file = src_embed_file or tgt_embed_file

                # 如果有训练好的词嵌入模型，则直接加载，否则创建新的

                embedding_encoder = self._create_or_load_embed(

                    "embedding_share", vocab_file, embed_file,

                    src_vocab_size, src_embed_size, dtype=tf.float32)

                embedding_decoder = embedding_encoder

            # 不共享词典的话，需要根据不同的词典创建对应的编码器和解码器

            else:

                # 加载或者创建编码器

                with tf.variable_scope("encoder", partitioner=partitioner):

                    embedding_encoder = self._create_or_load_embed(

                        "embedding_encoder", src_vocab_file, src_embed_file,

                        src_vocab_size, src_embed_size, tf.float32)

                # 加载或创建解码器

                with tf.variable_scope("decoder", partitioner=partitioner):

                    embedding_decoder = self._create_or_load_embed(

                        "embedding_decoder", tgt_vocab_file, tgt_embed_file,

                        tgt_vocab_size, tgt_embed_size, tf.float32)

            self.embedding_encoder = embedding_encoder

            self.embedding_decoder = embedding_decoder

如你所见，在获取词嵌入表示之前，有一个share_vocab的判断。这个判断也很简单，就是判断源数据和目标数据是否使用相同的词典，不管是不是share_vocab，最后都需要创建或者加载词嵌入表示。这个关键的过程在 _create_or_load_embed() 函数中完成。

该函数的主要工作如下：

    def _create_or_load_embed(self, embed_name, vocab_file, embed_file, vocab_size, embed_size, dtype=tf.float32):

        # 如果提供了训练好的词嵌入文件，则直接加载

        if vocab_file and embed_file:

            embedding = self._create_pretrained_emb_from_txt(vocab_file, embed_file)

        else:

            # 否则创建新的词嵌入

            with tf.device(self._get_embed_device(vocab_size)):

                embedding = tf.get_variable(

                    embed_name, [vocab_size, embed_size], dtype)

        return embedding

加载预训练的词嵌入表示

如果超参数提供了embed_file这个预训练好的词嵌入文件，那么我么只需要读取该文件，创建出词嵌入矩阵，返回即可。

主要代码如下：

    def _create_pretrained_emb_from_txt(self, vocab_file, embed_file,

                                        num_trainable_tokens=3, dtype=tf.float32, scope=None):

        """

        从文件加载词嵌入矩阵

        :param vocab_file: 词典文件

        :param embed_file: 训练好的词嵌入文件

        :param num_trainable_tokens:词典文件前3个词标记为变量，默认为"<unk>","<s>","</s>"

        :param scope: 域

        :return: 词嵌入矩阵

        """

        # 加载词典

        vocab, _ = vocab_utils.load_vocab(vocab_file)

        # 词典的前三行会加上三个特殊标记，取出三个特殊标记

        trainable_tokens = vocab[:num_trainable_tokens]

 

        utils.print_out("# Using pretrained embedding: %s." % embed_file)

        utils.print_out("  with trainable tokens: ")

 

        # 加载训练好的词嵌入

        emb_dict, emb_size = vocab_utils.load_embed_txt(embed_file)

        for token in trainable_tokens:

            utils.print_out("    %s" % token)

            # 如果三个标记不在训练好的词嵌入中

            if token not in emb_dict:

                # 初始化三个标记为0.0，维度为词嵌入的维度

                emb_dict[token] = [0.0] * emb_size

 

        # 从训练好的词嵌入矩阵中，取出词典中的词语的词嵌入表示，数据类型为tf.float32

        emb_mat = np.array(

            [emb_dict[token] for token in vocab], dtype=dtype.as_numpy_dtype())

        # 常量化词嵌入矩阵

        emb_mat = tf.constant(emb_mat)

        # 从词嵌入矩阵的第4行之后的所有行和列（因为num_trainable_tokens=3)

        # 也就是说取出除了3个标记之外所有的词嵌入表示

        # 这是常量，因为已经训练好了，不需要训练了

        emb_mat_const = tf.slice(emb_mat, [num_trainable_tokens, 0], [-1, -1])

        with tf.variable_scope(scope or "pretrain_embeddings", dtype=dtype) as scope:

            with tf.device(self._get_embed_device(num_trainable_tokens)):

                # 获取3个标记的词嵌入表示，这3个标记的词嵌入是可以变的，通过训练可以学习

                emb_mat_var = tf.get_variable(

                    "emb_mat_var", [num_trainable_tokens, emb_size])

        # 将3个标记的词嵌入和其余单词的词嵌入合并起来，得到完整的单词词嵌入表示

        return tf.concat([emb_mat_var, emb_mat_const], 0)

处理过程，我已经在注释里面写得很清楚了。接下来看看新创建词嵌入表示的过程。

重新创建词嵌入表示

这个过程其实很简单，就是创建一个可训练的张量而已：

with tf.device(self._get_embed_device(vocab_size)):

    embedding = tf.get_variable(embed_name, [vocab_size, embed_size], dtype)

该张量的名字就是 embed_name ，shape即[vocab_size, embed_size]，其中 vocab_size 就是词典的大小，也就是二维矩阵的行数， embed_size 就是词嵌入的维度，每个词用多少个数字来表示，也就是二维矩阵的列数。该张量的数据类型是单精度浮点数。当然， tf.get_variable() 方法还有很多提供默认值的参数，其中一个就是 trainable=True ，这代表这个变量是可变的，也就是我们的词嵌入表示在训练过程中，数字是会改变的。

这样就完成了词嵌入的准备过程。