forked from hfxunlp/transformer
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathtranslator.py
187 lines (146 loc) · 7.53 KB
/
translator.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
#encoding: utf-8
import torch
from transformer.NMT import NMT
from transformer.EnsembleNMT import NMT as Ensemble
from parallel.parallelMT import DataParallelMT
from utils.base import *
from utils.fmt.base import ldvocab, clean_str, reverse_dict, eos_id, clean_liststr_lentok, dict_insert_set, iter_dict_sort
from utils.fmt.base4torch import parse_cuda_decode
from utils.fmt.single import batch_padder
from cnfg.ihyp import *
def data_loader(sentences_iter, vcbi, minbsize=1, bsize=768, maxpad=16, maxpart=4, maxtoken=3920):
for i_d in batch_padder(sentences_iter, vcbi, bsize, maxpad, maxpart, maxtoken, minbsize):
yield torch.tensor(i_d, dtype=torch.long)
def load_fixing(module):
if "fix_load" in dir(module):
module.fix_load()
def sorti(lin):
data = {}
for ls in lin:
ls = ls.strip()
if ls:
data = dict_insert_set(data, ls, len(ls.split()))
return list(iter_dict_sort(data))
def restore(src, tsrc, trs):
data = {}
for sl, tl in zip(tsrc, trs):
_sl, _tl = sl.strip(), tl.strip()
if _sl and _tl:
data[_sl] = clean_str(_tl)
return [data.get(clean_str(line.strip()), line) for line in src]
class TranslatorCore:
def __init__(self, modelfs, fvocab_i, fvocab_t, cnfg, minbsize=1, expand_for_mulgpu=True, bsize=64, maxpad=16, maxpart=4, maxtoken=1536, minfreq = False, vsize = False):
vcbi, nwordi = ldvocab(fvocab_i, minfreq, vsize)
vcbt, nwordt = ldvocab(fvocab_t, minfreq, vsize)
self.vcbi, self.vcbt = vcbi, reverse_dict(vcbt)
if expand_for_mulgpu:
self.bsize = bsize * minbsize
self.maxtoken = maxtoken * minbsize
else:
self.bsize = bsize
self.maxtoken = maxtoken
self.maxpad = maxpad
self.maxpart = maxpart
self.minbsize = minbsize
if isinstance(modelfs, (list, tuple)):
models = []
for modelf in modelfs:
tmp = NMT(cnfg.isize, nwordi, nwordt, cnfg.nlayer, cnfg.ff_hsize, cnfg.drop, cnfg.attn_drop, cnfg.share_emb, cnfg.nhead, cache_len_default, cnfg.attn_hsize, cnfg.norm_output, cnfg.bindDecoderEmb, cnfg.forbidden_indexes)
tmp = load_model_cpu(modelf, tmp)
tmp.apply(load_fixing)
models.append(tmp)
model = Ensemble(models)
else:
model = NMT(cnfg.isize, nwordi, nwordt, cnfg.nlayer, cnfg.ff_hsize, cnfg.drop, cnfg.attn_drop, cnfg.share_emb, cnfg.nhead, cache_len_default, cnfg.attn_hsize, cnfg.norm_output, cnfg.bindDecoderEmb, cnfg.forbidden_indexes)
model = load_model_cpu(modelfs, model)
model.apply(load_fixing)
model.eval()
self.use_cuda, self.cuda_device, cuda_devices, self.multi_gpu = parse_cuda_decode(cnfg.use_cuda, cnfg.gpuid, cnfg.multi_gpu_decoding)
if self.use_cuda:
model.to(self.cuda_device)
if self.multi_gpu:
model = DataParallelMT(model, device_ids=cuda_devices, output_device=self.cuda_device.index, host_replicate=True, gather_output=False)
self.beam_size = cnfg.beam_size
self.length_penalty = cnfg.length_penalty
self.net = model
def __call__(self, sentences_iter):
rs = []
with torch.no_grad():
for seq_batch in data_loader(sentences_iter, self.vcbi, self.minbsize, self.bsize, self.maxpad, self.maxpart, self.maxtoken):
if self.use_cuda:
seq_batch = seq_batch.to(self.cuda_device)
output = self.net.decode(seq_batch, self.beam_size, None, self.length_penalty)
if self.multi_gpu:
tmp = []
for ou in output:
tmp.extend(ou.tolist())
output = tmp
else:
output = output.tolist()
for tran in output:
tmp = []
for tmpu in tran:
if tmpu == eos_id:
break
else:
tmp.append(self.vcbt[tmpu])
rs.append(" ".join(tmp))
seq_batch = None
return rs
class Translator:
def __init__(self, trans=None, sent_split=None, tok=None, detok=None, bpe=None, debpe=None, punc_norm=None, truecaser=None, detruecaser=None):
self.sent_split = sent_split
self.flow = []
if punc_norm is not None:
self.flow.append(punc_norm)
if tok is not None:
self.flow.append(tok)
if truecaser is not None:
self.flow.append(truecaser)
if bpe is not None:
self.flow.append(bpe)
if trans is not None:
self.flow.append(trans)
if debpe is not None:
self.flow.append(debpe)
if detruecaser is not None:
self.flow.append(detruecaser)
if detok is not None:
self.flow.append(detok)
def __call__(self, paragraphs):
_paras = [clean_str(tmpu.strip()) for tmpu in paragraphs.strip().split("\n") if tmpu]
_tmp = []
if self.sent_split is None:
for _tmpu in paras:
_tmp.append(_tmpu)
_tmp.append("\n")
else:
for _tmpu in _paras:
_tmp.extend(clean_list([clean_str(_tmps) for _tmps in self.sent_split(_tmpu)]))
_tmp.append("\n")
_tmp_o = _tmpi = sorti(_tmp)
for pu in self.flow:
_tmp_o = pu(_tmp_o)
_tmp = restore(_tmp, _tmpi, _tmp_o)
return " ".join(_tmp).replace(" \n", "\n").replace("\n ", "\n")
#import cnfg
#from datautils.moses import SentenceSplitter
#from datautils.pymoses import Tokenizer, Detokenizer, Normalizepunctuation, Truecaser, Detruecaser
#from datautils.bpe import BPEApplier, BPERemover
#if __name__ == "__main__":
#tl = ["28 @-@ jähriger Koch in San Francisco M@@ all tot a@@ u@@ f@@ gefunden", "ein 28 @-@ jähriger Koch , der vor kurzem nach San Francisco gezogen ist , wurde im T@@ r@@ e@@ p@@ p@@ e@@ n@@ haus eines örtlichen E@@ i@@ n@@ k@@ a@@ u@@ f@@ z@@ e@@ n@@ t@@ r@@ u@@ ms tot a@@ u@@ f@@ gefunden .", "der Bruder des O@@ p@@ f@@ e@@ r@@ s sagte aus , dass er sich niemanden vorstellen kann , der ihm schaden wollen würde , " E@@ n@@ d@@ lich ging es bei ihm wieder b@@ e@@ r@@ g@@ auf " .", "der am Mittwoch morgen in der W@@ e@@ s@@ t@@ field M@@ all g@@ e@@ f@@ u@@ n@@ d@@ e@@ n@@ e L@@ e@@ i@@ c@@ h@@ n@@ a@@ m wurde als der 28 Jahre alte Frank G@@ a@@ l@@ i@@ c@@ i@@ a aus San Francisco identifiziert , teilte die g@@ e@@ r@@ i@@ c@@ h@@ t@@ s@@ medizinische Abteilung in San Francisco mit .", "das San Francisco P@@ o@@ l@@ i@@ ce D@@ e@@ p@@ a@@ r@@ t@@ ment sagte , dass der Tod als Mord eingestuft wurde und die Ermittlungen am L@@ a@@ u@@ f@@ en sind .", "der Bruder des O@@ p@@ f@@ e@@ r@@ s , Louis G@@ a@@ l@@ i@@ c@@ i@@ a , teilte dem A@@ B@@ S Sender K@@ GO in San Francisco mit , dass Frank , der früher als Koch in B@@ o@@ s@@ t@@ on gearbeitet hat , vor sechs Monaten seinen T@@ r@@ a@@ u@@ m@@ j@@ ob als Koch im S@@ o@@ n@@ s & D@@ a@@ u@@ g@@ h@@ t@@ e@@ r@@ s Restaurant in San Francisco e@@ r@@ g@@ a@@ t@@ t@@ e@@ r@@ t hatte .", "ein Sprecher des S@@ o@@ n@@ s & D@@ a@@ u@@ g@@ h@@ t@@ e@@ r@@ s sagte , dass sie über seinen Tod " s@@ c@@ h@@ o@@ c@@ k@@ i@@ e@@ r@@ t und am Boden zerstört seien " .", "" wir sind ein kleines Team , das wie eine enge Familie arbeitet und wir werden ihn s@@ c@@ h@@ m@@ e@@ r@@ z@@ lich vermissen " , sagte der Sprecher weiter .", "unsere Gedanken und unser B@@ e@@ i@@ leid sind in dieser schweren Zeit bei F@@ r@@ a@@ n@@ k@@ s Familie und Freunden .", "Louis G@@ a@@ l@@ i@@ c@@ i@@ a gab an , dass Frank zunächst in Hostels lebte , aber dass , " die Dinge für ihn endlich b@@ e@@ r@@ g@@ auf gingen " ."]
#spl = SentenceSplitter("de")
#tok = Tokenizer("de")
#detok = Detokenizer("en")
#punc_norm = Normalizepunctuation("de")
#truecaser = Truecaser("c1207\\truecase-model.de")
#detruecaser = Detruecaser()
#tran_core = TranslatorCore("c1207\\eva_20_1.384_1.088_26.74.h5", "c1207\\src.vcb", "c1207\\tgt.vcb", cnfg)
#bpe = BPEApplier("c1207\\src.cds", "c1207\\src.vcb.bpe", 50)
#debpe = BPERemover()
#trans = Translator(tran_core, spl, tok, detok, bpe, debpe, punc_norm, truecaser, detruecaser)
#rs = tran_core(tl)
#for rsu in rs:
#print(rsu.replace("@@ ", ""))
#rs = trans(". ".join(detok(detruecaser(debpe(tl)))))
#print(rs)