文章目录

• torchtext 库是干什么用的 ？
• TranslationDataset 类
• 定义 Seq2Seq模型
• • • Encoder
    • Decoder
    • Seq2Seq 类
• load_terminology_dictionary 函数
• • • • 示例用法
• train 函数
• 主程序代码
• 模型评价
• • load_sentences 函数
  • translate_sentence 函数
  • evaluate_bleu 函数
  • 主程序
• 测试集上进行推理
• • inference 函数
  • 主程序

torchtext 库是干什么用的 ？

torchtext 是一个用于处理文本数据的库，它是 PyTorch 生态系统的一部分。这个库主要用于简化文本数据的预处理和加载过程，使得在深度学习模型中使用文本数据变得更加容易。以下是 torchtext 库的一些主要功能：

1. 数据加载：torchtext 提供了方便的 API 来加载和处理各种文本数据集，包括常见的数据集格式如 CSV、TSV 等。

2. 文本预处理：它包含了一系列的文本预处理工具，如分词、词干提取、词性标注等，这些工具可以帮助你将原始文本转换为模型可以理解的格式。

3. 词汇表管理：torchtext 可以自动构建词汇表，并将文本转换为数值表示（如词嵌入），这对于深度学习模型来说是必不可少的。

4. 数据迭代器：它提供了数据迭代器，可以方便地将数据分批加载到模型中进行训练，支持多线程和多进程加载，提高了数据加载的效率。

5. 与 PyTorch 集成：torchtext 与 PyTorch 深度集成，可以直接将处理好的数据输入到 PyTorch 模型中，简化了整个深度学习流程。

TranslationDataset 类

import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import Dataset, DataLoader from torchtext.data.utils import get_tokenizer from collections import Counter import random from torch.utils.data import Subset, DataLoader import time  # 定义数据集类 # 修改TranslationDataset类以处理术语 class TranslationDataset(Dataset):     def __init__(self, filename, terminology):         self.data = []         with open(filename, 'r', encoding='utf-8') as f:             for line in f:                 en, zh = line.strip().split('\t')                 self.data.append((en, zh)) 

• class TranslationDataset(Dataset):：定义一个继承自Dataset类的子类TranslationDataset。
• def __init__(self, filename, terminology):：初始化方法，接受两个参数：filename（数据文件名）和terminology（术语词典）。
• self.data = []：初始化一个空列表self.data，用于存储数据。
• with open(filename, 'r', encoding='utf-8') as f:：打开文件，使用UTF-8编码读取。
• for line in f:：逐行读取文件内容。
• en, zh = line.strip().split('\t')：去掉行末的换行符，并按制表符分割成英文和中文。
• self.data.append((en, zh))：将英文和中文对添加到self.data列表中。

        self.terminology = terminology                  # 创建词汇表，注意这里需要确保术语词典中的词也被包含在词汇表中         self.en_tokenizer = get_tokenizer('basic_english')         self.zh_tokenizer = list  # 使用字符级分词 

• self.terminology = terminology：将传入的术语词典赋值给self.terminology。
• self.en_tokenizer = get_tokenizer('basic_english')：使用basic_english分词器对英文进行分词。
• self.zh_tokenizer = list：使用字符级分词，即将中文句子拆分成单个字符。

        en_vocab = Counter(self.terminology.keys())  # 确保术语在词汇表中         zh_vocab = Counter()                  print("en_vocab的值为：", en_vocab)         print("zn_vocab的值为：", zn_vocab) 

• en_vocab = Counter(self.terminology.keys())：初始化英文词汇表，确保术语词典中的词在词汇表中。
• zh_vocab = Counter()：初始化中文词汇表。
• print("en_vocab的值为：", en_vocab)：打印英文词汇表的值。
• print("zn_vocab的值为：", zn_vocab)：打印中文词汇表的值。

        for en, zh in self.data:             en_vocab.update(self.en_tokenizer(en))             zh_vocab.update(self.zh_tokenizer(zh)) 

• for en, zh in self.data:：遍历数据集中的每一对英文和中文。
• en_vocab.update(self.en_tokenizer(en))：更新英文词汇表，统计每个词的出现频率。
• zh_vocab.update(self.zh_tokenizer(zh))：更新中文词汇表，统计每个字符的出现频率。

        # 添加术语到词汇表         self.en_vocab = ['', '', ''] + list(self.terminology.keys()) + [word for word, _ in en_vocab.most_common(10000)]         self.zh_vocab = ['', '', ''] + [word for word, _ in zh_vocab.most_common(10000)] 

• self.en_vocab = ['', '', ''] + list(self.terminology.keys()) + [word for word, _ in en_vocab.most_common(10000)]：构建英文词汇表，包含特殊标记（, , ）、术语词典中的词以及出现频率最高的10000个词。
• self.zh_vocab = ['', '', ''] + [word for word, _ in zh_vocab.most_common(10000)]：构建中文词汇表，包含特殊标记（, , ）以及出现频率最高的10000个字符。

        self.en_word2idx = {word: idx for idx, word in enumerate(self.en_vocab)}         self.zh_word2idx = {word: idx for idx, word in enumerate(self.zh_vocab)} 

• self.en_word2idx = {word: idx for idx, word in enumerate(self.en_vocab)}：构建英文词到索引的映射字典。
• self.zh_word2idx = {word: idx for idx, word in enumerate(self.zh_vocab)}：构建中文词到索引的映射字典。

    def __len__(self):         return len(self.data) 

• def __len__(self):：定义数据集的长度方法。
• return len(self.data)：返回数据集的长度。

    def __getitem__(self, idx):         en, zh = self.data[idx]         en_tensor = torch.tensor([self.en_word2idx.get(word, self.en_word2idx['']) for word in self.en_tokenizer(en)] + [self.en_word2idx['']])         zh_tensor = torch.tensor([self.zh_word2idx.get(word, self.zh_word2idx['']) for word in self.zh_tokenizer(zh)] + [self.zh_word2idx['']])         return en_tensor, zh_tensor 

• def __getitem__(self, idx):：定义获取数据项的方法。
• en, zh = self.data[idx]：获取指定索引的数据项。
• en_tensor = torch.tensor([self.en_word2idx.get(word, self.en_word2idx['']) for word in self.en_tokenizer(en)] + [self.en_word2idx['']])：将英文句子转换为索引张量，并在末尾添加标记。
• zh_tensor = torch.tensor([self.zh_word2idx.get(word, self.zh_word2idx['']) for word in self.zh_tokenizer(zh)] + [self.zh_word2idx['']])：将中文句子转换为索引张量，并在末尾添加标记。
• return en_tensor, zh_tensor：返回转换后的英文和中文张量。

def collate_fn(batch):     en_batch, zh_batch = [], []     for en_item, zh_item in batch:         en_batch.append(en_item)         zh_batch.append(zh_item)          # 对英文和中文序列分别进行填充     en_batch = nn.utils.rnn.pad_sequence(en_batch, padding_value=0, batch_first=True)     zh_batch = nn.utils.rnn.pad_sequence(zh_batch, padding_value=0, batch_first=True)          return en_batch, zh_batch 

• def collate_fn(batch):：定义一个用于处理批量数据的函数。
• en_batch, zh_batch = [], []：初始化两个空列表，用于存储批量数据。
• for en_item, zh_item in batch:：遍历批量数据中的每一对英文和中文张量。
• en_batch.append(en_item)：将英文张量添加到en_batch列表中。
• zh_batch.append(zh_item)：将中文张量添加到zh_batch列表中。
• en_batch = nn.utils.rnn.pad_sequence(en_batch, padding_value=0, batch_first=True)：对英文序列进行填充，使其长度一致。
• zh_batch = nn.utils.rnn.pad_sequence(zh_batch, padding_value=0, batch_first=True)：对中文序列进行填充，使其长度一致。
• return en_batch, zh_batch：返回填充后的英文和中文批量数据。

定义 Seq2Seq模型

Encoder

class Encoder(nn.Module):     def __init__(self, input_dim, emb_dim, hid_dim, n_layers, dropout):         super().__init__()         self.embedding = nn.Embedding(input_dim, emb_dim)         self.rnn = nn.GRU(emb_dim, hid_dim, n_layers, dropout=dropout, batch_first=True)         self.dropout = nn.Dropout(dropout)      def forward(self, src):         # src shape: [batch_size, src_len]         embedded = self.dropout(self.embedding(src))         # embedded shape: [batch_size, src_len, emb_dim]         outputs, hidden = self.rnn(embedded)         # outputs shape: [batch_size, src_len, hid_dim]         # hidden shape: [n_layers, batch_size, hid_dim]         return outputs, hidden 

• 初始化：
  • input_dim：输入词汇表的大小。
  • emb_dim：嵌入层的维度。
  • hid_dim：隐藏层的维度。
  • n_layers：RNN的层数。
  • dropout：Dropout的概率。
• 前向传播：
  • 输入src的形状为[batch_size, src_len]。
  • 通过嵌入层和Dropout层，得到embedded，形状为[batch_size, src_len, emb_dim]。
  • 通过GRU层，得到outputs和hidden，形状分别为[batch_size, src_len, hid_dim]和[n_layers, batch_size, hid_dim]。

Decoder

class Decoder(nn.Module):     def __init__(self, output_dim, emb_dim, hid_dim, n_layers, dropout):         super().__init__()         self.output_dim = output_dim         self.embedding = nn.Embedding(output_dim, emb_dim)         self.rnn = nn.GRU(emb_dim, hid_dim, n_layers, dropout=dropout, batch_first=True)         self.fc_out = nn.Linear(hid_dim, output_dim)         self.dropout = nn.Dropout(dropout)      def forward(self, input, hidden):         # input shape: [batch_size, 1]         # hidden shape: [n_layers, batch_size, hid_dim]                  embedded = self.dropout(self.embedding(input))         # embedded shape: [batch_size, 1, emb_dim]                  output, hidden = self.rnn(embedded, hidden)         # output shape: [batch_size, 1, hid_dim]         # hidden shape: [n_layers, batch_size, hid_dim]                  prediction = self.fc_out(output.squeeze(1))         # prediction shape: [batch_size, output_dim]                  return prediction, hidden 

• 初始化：
  • output_dim：输出词汇表的大小。
  • emb_dim：嵌入层的维度。
  • hid_dim：隐藏层的维度。
  • n_layers：RNN的层数。
  • dropout：Dropout的概率。
• 前向传播：
  • 输入input的形状为[batch_size, 1]，hidden的形状为[n_layers, batch_size, hid_dim]。
  • 通过嵌入层和Dropout层，得到embedded，形状为[batch_size, 1, emb_dim]。
  • 通过GRU层，得到output和hidden，形状分别为[batch_size, 1, hid_dim]和[n_layers, batch_size, hid_dim]。
  • 通过全连接层，得到prediction，形状为[batch_size, output_dim]。

Seq2Seq 类

class Seq2Seq(nn.Module):     def __init__(self, encoder, decoder, device):         super().__init__()         self.encoder = encoder         self.decoder = decoder         self.device = device      def forward(self, src, trg, teacher_forcing_ratio=0.5):         # src shape: [batch_size, src_len]         # trg shape: [batch_size, trg_len]                  batch_size = src.shape[0]         trg_len = trg.shape[1]         trg_vocab_size = self.decoder.output_dim          outputs = torch.zeros(batch_size, trg_len, trg_vocab_size).to(self.device)                  _, hidden = self.encoder(src)                  input = trg[:, 0].unsqueeze(1)  # Start token                  for t in range(1, trg_len):             output, hidden = self.decoder(input, hidden)             outputs[:, t, :] = output             teacher_force = random.random() < teacher_forcing_ratio             top1 = output.argmax(1)             input = trg[:, t].unsqueeze(1) if teacher_force else top1.unsqueeze(1)          return outputs 

• 初始化：
  • encoder：编码器实例。
  • decoder：解码器实例。
  • device：设备（CPU或GPU）。
• 前向传播：
  • 输入src的形状为[batch_size, src_len]，trg的形状为[batch_size, trg_len]。
  • 初始化outputs，形状为[batch_size, trg_len, trg_vocab_size]。
  • 通过编码器得到hidden。
  • 初始化解码器的输入为trg[:, 0].unsqueeze(1)，即目标序列的起始标记。
  • 循环解码目标序列的每个时间步：
    • 通过解码器得到output和hidden。
    • 将output存储到outputs中。
    • 根据teacher_forcing_ratio决定是否使用教师强制（即使用目标序列的下一个词作为输入，还是使用解码器的预测结果）。

load_terminology_dictionary 函数

1. 函数定义:

   def load_terminology_dictionary(dict_file): 

   • dict_file: 这是一个字符串参数，表示包含术语词典的文件路径。

2. 初始化术语词典:

   terminology = {} 

   • 创建一个空的字典 terminology，用于存储从文件中读取的术语。

3. 打开文件并读取内容:

   with open(dict_file, 'r', encoding='utf-8') as f:     for line in f:         en_term, ch_term = line.strip().split('\t')         terminology[en_term] = ch_term 

   • 使用 with open 语句打开文件，确保文件在使用后正确关闭。
   • 文件以只读模式 ('r') 打开，并指定编码为 utf-8。
   • 逐行读取文件内容，每行包含一个英文术语和对应的中文术语，用制表符 (\t) 分隔。
   • line.strip() 用于去除行末的换行符和其他空白字符。
   • split('\t') 将行按制表符分隔成两个部分，分别赋值给 en_term 和 ch_term。
   • 将英文术语作为键，中文术语作为值，添加到 terminology 字典中。

4. 返回术语词典:

   return terminology 

   • 函数返回加载后的术语词典。

示例用法

假设有一个文件 terminology.txt，内容如下：

apple  苹果 banana  香蕉 orange  橙子 

调用 load_terminology_dictionary 函数：

terminology = load_terminology_dictionary('terminology.txt') print(terminology) 

输出结果将是：

{'apple': '苹果', 'banana': '香蕉', 'orange': '橙子'} 

train 函数

def train(model, iterator, optimizer, criterion, clip): 

• 定义一个名为 train 的函数，该函数接受五个参数：model（模型）、iterator（数据迭代器）、optimizer（优化器）、criterion（损失函数）和 clip（梯度裁剪的阈值）。

    model.train() 

• 将模型设置为训练模式。这会启用诸如 dropout 和 batch normalization 等训练特有的操作。

    epoch_loss = 0 

• 初始化 epoch_loss 变量为 0，用于累积整个 epoch 的损失。

    for i, (src, trg) in enumerate(iterator): 

• 使用 enumerate 遍历数据迭代器 iterator，每次迭代获取一个批次的数据 (src, trg)，其中 src 是源序列，trg 是目标序列。

        src, trg = src.to(device), trg.to(device) 

• 将源序列和目标序列移动到指定的设备（如 GPU）上。

        optimizer.zero_grad() 

• 将优化器的梯度清零，以防止梯度累积。

        output = model(src, trg) 

• 将源序列和目标序列输入模型，得到模型的输出。

        output_dim = output.shape[-1] 

• 获取输出张量的最后一个维度的大小，即输出序列的词汇表大小。

        output = output[:, 1:].contiguous().view(-1, output_dim) 

• 去掉输出序列的第一个时间步（通常是起始标记），并将剩余部分展平成二维张量，形状为 (batch_size * (sequence_length - 1), output_dim)。

        trg = trg[:, 1:].contiguous().view(-1) 

• 去掉目标序列的第一个时间步，并将剩余部分展平成一维张量，形状为 (batch_size * (sequence_length - 1))。

        loss = criterion(output, trg) 

• 计算损失，使用定义的损失函数 criterion。

        loss.backward() 

• 反向传播，计算梯度。

        torch.nn.utils.clip_grad_norm_(model.parameters(), clip) 

• 对模型的梯度进行裁剪，防止梯度爆炸。裁剪的阈值由参数 clip 指定。

        optimizer.step() 

• 更新模型的参数。

        epoch_loss += loss.item() 

• 将当前批次的损失值累加到 epoch_loss 中。

    return epoch_loss / len(iterator) 

• 返回整个 epoch 的平均损失。

主程序代码

if __name__ == '__main__': 

• 这是一个常见的Python惯用法，用于判断当前模块是否是主程序入口。如果是，则执行后续代码。后同。

    start_time = time.time()  # 开始计时 

• 记录程序开始执行的时间，用于后续计算总运行时间。

    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 

• 检查是否有可用的CUDA设备（即GPU），如果有则使用GPU，否则使用CPU。

    terminology = load_terminology_dictionary('../dataset/en-zh.dic') 

• 加载术语字典，该字典可能包含特定领域的术语翻译。

    dataset = TranslationDataset('../dataset/train.txt', terminology=terminology) 

• 创建一个 TranslationDataset 对象，该对象用于加载和处理训练数据。

    N = 1000  # int(len(dataset) * 1)  # 或者你可以设置为数据集大小的一定比例，如 int(len(dataset) * 0.1)     subset_indices = list(range(N))     subset_dataset = Subset(dataset, subset_indices) 

• 选择数据集的前1000个样本进行训练。subset_indices 是一个包含前1000个索引的列表，subset_dataset 是原始数据集的一个子集。

    train_loader = DataLoader(subset_dataset, batch_size=32, shuffle=True, collate_fn=collate_fn) 

• 创建一个 DataLoader 对象，用于批量加载数据。batch_size 设置为32，shuffle 设置为 True 以打乱数据顺序，collate_fn 是一个自定义函数，用于处理批次数据的拼接。

    INPUT_DIM = len(dataset.en_vocab)     OUTPUT_DIM = len(dataset.zh_vocab)     ENC_EMB_DIM = 256     DEC_EMB_DIM = 256     HID_DIM = 512     N_LAYERS = 2     ENC_DROPOUT = 0.5     DEC_DROPOUT = 0.5 

• 定义模型参数，包括输入和输出维度、嵌入维度、隐藏层维度、层数和 dropout 率。

    enc = Encoder(INPUT_DIM, ENC_EMB_DIM, HID_DIM, N_LAYERS, ENC_DROPOUT)     dec = Decoder(OUTPUT_DIM, DEC_EMB_DIM, HID_DIM, N_LAYERS, DEC_DROPOUT)     model = Seq2Seq(enc, dec, device).to(device) 

• 初始化编码器和解码器，并将其组合成一个 Seq2Seq 模型。然后将模型移动到指定的设备（GPU或CPU）。

    optimizer = optim.Adam(model.parameters())     criterion = nn.CrossEntropyLoss(ignore_index=dataset.zh_word2idx['']) 

• 定义优化器和损失函数。优化器使用 Adam，损失函数使用交叉熵损失，并忽略目标序列中的填充标记 。

    N_EPOCHS = 10     CLIP = 1 

• 设置训练的 epoch 数和梯度裁剪的阈值。

    for epoch in range(N_EPOCHS):         train_loss = train(model, train_loader, optimizer, criterion, CLIP)         print(f'Epoch: {epoch+1:02} | Train Loss: {train_loss:.3f}') 

• 进行10个 epoch 的训练。每个 epoch 结束后，打印当前 epoch 的训练损失。

    torch.save(model.state_dict(), './translation_model_GRU.pth') 

• 在所有 epoch 结束后，保存模型的参数到文件 translation_model_GRU.pth。

    end_time = time.time()  # 结束计时     elapsed_time_minute = (end_time - start_time)/60     print(f"Total running time: {elapsed_time_minute:.2f} minutes") 

• 记录程序结束时间，计算并打印总运行时间（以分钟为单位）。

模型评价

import torch from sacrebleu.metrics import BLEU from typing import List # 假设已经定义了TranslationDataset, Encoder, Decoder, Seq2Seq类 

• 导入必要的库和模块。torch 用于深度学习，sacrebleu.metrics.BLEU 用于评估翻译质量，typing.List 用于类型注解。

load_sentences 函数

def load_sentences(file_path: str) -> List[str]:     with open(file_path, 'r', encoding='utf-8') as f:         return [line.strip() for line in f] 

• 定义函数 load_sentences，用于从文件中加载句子。file_path 是文件路径，函数返回一个包含所有句子的列表。

translate_sentence 函数

def translate_sentence(sentence: str, model: Seq2Seq, dataset: TranslationDataset, terminology, device: torch.device, max_length: int = 50): 

• 定义一个函数 translate_sentence，用于翻译单个句子。参数包括：
  • sentence: 要翻译的句子。
  • model: 预训练的 Seq2Seq 模型。
  • dataset: TranslationDataset 对象，包含词汇表等信息。
  • terminology: 术语词典。
  • device: 计算设备（CPU 或 GPU）。
  • max_length: 翻译句子的最大长度，默认为 50。

    model.eval() 

• 将模型设置为评估模式，关闭 dropout 和 batch normalization 等训练特有的操作。

    tokens = dataset.en_tokenizer(sentence) 

• 使用 dataset 中的 en_tokenizer 对输入句子进行分词，得到一个 token 列表。

    tensor = torch.LongTensor([dataset.en_word2idx.get(token, dataset.en_word2idx['']) for token in tokens]).unsqueeze(0).to(device)  # [1, seq_len] 

• 将 token 列表转换为索引列表，并转换为 PyTorch 张量。如果 token 不在词汇表中，则使用 的索引。然后将张量增加一个维度并移动到指定的设备。

    with torch.no_grad():         _, hidden = model.encoder(tensor) 

• 关闭梯度计算，以节省内存和提高速度。然后使用编码器对输入张量进行编码，得到隐藏状态 hidden。

    translated_tokens = [] 

• 初始化一个空列表 translated_tokens，用于存储翻译的 token。

    input_token = torch.LongTensor([[dataset.zh_word2idx['']]]).to(device)  # [1, 1] 

• 初始化解码器的输入 token，即 的索引，并将其转换为张量并移动到指定的设备。

    for _ in range(max_length): 

• 开始一个循环，最多迭代 max_length 次。

        output, hidden = model.decoder(input_token, hidden) 

• 使用解码器对当前输入 token 和隐藏状态进行解码，得到输出 output 和新的隐藏状态 hidden。

        top_token = output.argmax(1) 

• 从输出中选择概率最高的 token 索引。

        translated_token = dataset.zh_vocab[top_token.item()] 

• 将索引转换为对应的 token。

        if translated_token == '':             break 

• 如果翻译的 token 是 ，则结束循环。

        if translated_token in terminology.values():             for en_term, ch_term in terminology.items():                 if translated_token == ch_term:                     translated_token = en_term                     break 

• 如果翻译的 token 在术语词典中，则使用术语词典中的对应词替换。

        translated_tokens.append(translated_token) 

• 将翻译的 token 添加到 translated_tokens 列表中。

        input_token = top_token.unsqueeze(1)  # [1, 1] 

• 更新输入 token 为当前选择的 token 索引。

    return ''.join(translated_tokens) 

• 将翻译的 token 列表连接成一个字符串并返回。

evaluate_bleu 函数

def evaluate_bleu(model: Seq2Seq, dataset: TranslationDataset, src_file: str, ref_file: str, terminology, device: torch.device): 

• 定义一个函数 evaluate_bleu，用于评估模型的 BLEU 分数。参数包括：
  • model: 预训练的 Seq2Seq 模型。
  • dataset: TranslationDataset 对象，包含词汇表等信息。
  • src_file: 包含源语言句子的文件路径。
  • ref_file: 包含参考翻译句子的文件路径。
  • terminology: 术语词典。
  • device: 计算设备（CPU 或 GPU）。

    model.eval() 

• 将模型设置为评估模式，关闭 dropout 和 batch normalization 等训练特有的操作。

    src_sentences = load_sentences(src_file) 

• 调用 load_sentences 函数加载源语言句子，返回一个包含所有源句子的列表。

    ref_sentences = load_sentences(ref_file) 

• 调用 load_sentences 函数加载参考翻译句子，返回一个包含所有参考翻译句子的列表。

    translated_sentences = [] 

• 初始化一个空列表 translated_sentences，用于存储翻译的句子。

    for src in src_sentences: 

• 遍历源语言句子列表。

        translated = translate_sentence(src, model, dataset, terminology, device) 

• 调用 translate_sentence 函数翻译当前的源句子，返回翻译后的句子。

        translated_sentences.append(translated) 

• 将翻译后的句子添加到 translated_sentences 列表中。

    bleu = BLEU() 

• 创建一个 BLEU 对象，用于计算 BLEU 分数。

    score = bleu.corpus_score(translated_sentences, [ref_sentences]) 

• 调用 corpus_score 方法计算翻译句子的 BLEU 分数。translated_sentences 是模型生成的翻译句子列表，[ref_sentences] 是参考翻译句子列表。

    return score 

• 返回计算得到的 BLEU 分数。

主程序

if __name__ == '__main__': 

    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 

• 检查是否有可用的CUDA设备（即GPU），如果有则使用GPU，否则使用CPU。

    terminology = load_terminology_dictionary('../dataset/en-zh.dic') 

• 加载术语词典，该字典可能包含特定领域的术语翻译。

    dataset = TranslationDataset('../dataset/train.txt', terminology) 

• 创建一个 TranslationDataset 对象，该对象用于加载和处理训练数据，并传递术语词典。

    INPUT_DIM = len(dataset.en_vocab)     OUTPUT_DIM = len(dataset.zh_vocab)     ENC_EMB_DIM = 256     DEC_EMB_DIM = 256     HID_DIM = 512     N_LAYERS = 2     ENC_DROPOUT = 0.5     DEC_DROPOUT = 0.5 

• 定义模型参数，包括输入和输出维度、嵌入维度、隐藏层维度、层数和 dropout 率。

    enc = Encoder(INPUT_DIM, ENC_EMB_DIM, HID_DIM, N_LAYERS, ENC_DROPOUT)     dec = Decoder(OUTPUT_DIM, DEC_EMB_DIM, HID_DIM, N_LAYERS, DEC_DROPOUT)     model = Seq2Seq(enc, dec, device).to(device) 

• 初始化编码器和解码器，并将其组合成一个 Seq2Seq 模型。然后将模型移动到指定的设备（GPU或CPU）。

    model.load_state_dict(torch.load('./translation_model_GRU.pth')) 

• 加载预训练的模型参数。

    bleu_score = evaluate_bleu(model, dataset, '../dataset/dev_en.txt', '../dataset/dev_zh.txt', terminology=terminology, device=device) 

• 调用 evaluate_bleu 函数评估模型的 BLEU 分数。传递的参数包括模型、数据集、源语言文件路径、参考翻译文件路径、术语词典和设备。

    print(f'BLEU-4 score: {bleu_score.score:.2f}') 

• 打印评估得到的 BLEU-4 分数，保留两位小数。

测试集上进行推理

inference 函数

def inference(model: Seq2Seq, dataset: TranslationDataset, src_file: str, save_dir: str, terminology, device: torch.device): 

• 定义一个函数 inference，用于进行模型推理并将结果保存到文件中。参数包括：
  • model: 预训练的 Seq2Seq 模型。
  • dataset: TranslationDataset 对象，包含词汇表等信息。
  • src_file: 包含源语言句子的文件路径。
  • save_dir: 保存翻译结果的文件路径。
  • terminology: 术语词典。
  • device: 计算设备（CPU 或 GPU）。

    model.eval() 

• 将模型设置为评估模式，关闭 dropout 和 batch normalization 等训练特有的操作。

    src_sentences = load_sentences(src_file) 

• 调用 load_sentences 函数加载源语言句子，返回一个包含所有源句子的列表。

    translated_sentences = [] 

• 初始化一个空列表 translated_sentences，用于存储翻译的句子。

    for src in src_sentences: 

• 遍历源语言句子列表。

        translated = translate_sentence(src, model, dataset, terminology, device) 

• 调用 translate_sentence 函数翻译当前的源句子，返回翻译后的句子。

        translated_sentences.append(translated) 

• 将翻译后的句子添加到 translated_sentences 列表中。

    text = '\n'.join(translated_sentences) 

• 将 translated_sentences 列表中的所有句子连接成一个字符串，每个句子之间用换行符分隔。

    with open(save_dir, 'w', encoding='utf-8') as f: 

• 打开一个文件，如果不存在则创建，'w' 表示写模式，encoding='utf-8' 表示使用 UTF-8 编码。

        f.write(text) 

• 将连接后的字符串写入文件。

主程序

if __name__ == '__main__': 

    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 

• 检查是否有可用的CUDA设备（即GPU），如果有则使用GPU，否则使用CPU。

    terminology = load_terminology_dictionary('../dataset/en-zh.dic') 

• 加载术语词典，该字典可能包含特定领域的术语翻译。

    dataset = TranslationDataset('../dataset/train.txt', terminology=terminology) 

• 创建一个 TranslationDataset 对象，该对象用于加载和处理训练数据，并传递术语词典。

    INPUT_DIM = len(dataset.en_vocab)     OUTPUT_DIM = len(dataset.zh_vocab)     ENC_EMB_DIM = 256     DEC_EMB_DIM = 256     HID_DIM = 512     N_LAYERS = 2     ENC_DROPOUT = 0.5     DEC_DROPOUT = 0.5 

• 定义模型参数，包括输入和输出维度、嵌入维度、隐藏层维度、层数和 dropout 率。

    enc = Encoder(INPUT_DIM, ENC_EMB_DIM, HID_DIM, N_LAYERS, ENC_DROPOUT)     dec = Decoder(OUTPUT_DIM, DEC_EMB_DIM, HID_DIM, N_LAYERS, DEC_DROPOUT)     model = Seq2Seq(enc, dec, device).to(device) 

• 初始化编码器和解码器，并将其组合成一个 Seq2Seq 模型。然后将模型移动到指定的设备（GPU或CPU）。

    model.load_state_dict(torch.load('./translation_model_GRU.pth')) 

• 加载预训练的模型参数。

    save_dir = '../dataset/submit.txt' 

• 定义保存翻译结果的文件路径。

    inference(model, dataset, src_file="../dataset/test_en.txt", save_dir=save_dir, terminology=terminology, device=device) 

• 调用 inference 函数进行模型推理，并将翻译结果保存到指定文件中。传递的参数包括模型、数据集、源语言文件路径、保存路径、术语词典和设备。

    print(f"翻译完成！文件已保存到{save_dir}") 

• 打印翻译完成的消息，并显示保存文件的路径。