月份：2016年8月

懒人秘籍

Sword York 评论

文本处理

统计句长并排序：

替换上条指令中某些字符，参考这、这、那：

比较不可见字符，有些时候diff输出是一样的（因为空格的关系）

重排两个对应文件

查询ascii

安全相关

生成随机密码：

umask设置在sudo时不继承，否则当普通用户设置为umask 0077的时候，使用sudo创建的文件，普通用户不能读。（pip的一个大坑）

整人，fork bomb感觉这个威力更大

 

系统管理

定期运行某个脚本，且在开机后马上运行。比如运行翻墙的shadowsocks就很必要。最方便是用crontab:

包管理

生活美好

除scp,rsyn,sshfs这类，更帅的在主机间传输文件（具体）：

ssh仅运行一条命令（具体）

在shell的一行里运行多条命令（详细）

疑惑解答

各种括号的含义（参考stackoverflow）

 

装机

 

待续。

字符级机器翻译

Sword York 3 条评论

最近利用神经网络的机器翻译很火，我认为NMT(Neural machine translation)能有所发展的原因有以下几点：

  1. 数据丰富，WMT15算是与ImageNet同样量级的数据，是训练大型神经网络所必须的。
  2. Bahdanau提出的Attention关系将机器翻译的性能推进一大步。
  3. 很明显能产生经济效益，市场巨大。
  4. 存在很多问题，即研究前景。毕竟相对CNN给图像识别带来的巨大提升，NMT的提升并不是很明显。

我针对的是其中的一个问题：规避大词典。原来都是先把一个数据集中所有单词找出来，把最常用的一些（如90%）做成一个大词典，显然这是冗余的，words和word完全没必要区分。动不动就是50K的单词表，非常耗内存，在像Czech这类语言上更加不行。关键是冗余不优雅。很多研究者都注意到这个问题：

  • subword，就是统计一下符号的频率，如“est”可能是一个符号，能组成“w est,b est”等词，因此称为subword。我觉得还是不够自然，而且效果并不是很好。
  • Hybrid Word-Character Models，相当于把未知的词训练成RNN小单元，据说华为很早就申请专利了。我表示，不能有word。
  • Junyoung Chung提出的不需要显式分隔的模型。提出bi-scale的RNN，我觉得很有意思，但我有个疑问，这跟base的RNN有什么区别？论文中也显示，确实差不多。我不知道为什么性能那么好。由于没有训练时间、训练所用内存等更多信息我无法作出判断。
  • 还有Wang Ling提出的，但是完全不是NMT，需要借助IBM model来对齐和分层训练，而且效果不好。

综上，利用RNN编码一个单词是比较合理自然的想法。可以说人人都能想到，关键是给出高效可行的实现。我实现了个高效纯字符级的机器翻译——Deep Character-Level Neural Machine Translation（DCNMT）。但是有个缺点，需要知道分隔符，也就是空格。不要太苛刻了，对于人来说，阅读“itisalsomoredifficultforhumantoreadwithoutthedelimiter”这种也是不方便的。而且对于中文日文这种没有分隔符的语言，没有必要使用大词典，直接上字符级，因为句子短啊，不存在训练难的问题。所以先将就着用吧。总得来说，DCNMT有几个优点：

  1. 所需训练循环周期比词级的少，在EN-FR上，只要遍历4次数据就差不多了，而词级大概要5次，这很容易get。但是因为更新速度慢一点，导致所花时间差不多。
  2. 内存用的不多。但还是很多，因为theano为了计算快，RNN的中间结果是缓存的，导致有5个RNN的DCNMT用了很多内存（跟词级的差不多）。但这容易解决，见chen的paper还有deepmind的一篇。
  3. 能翻译错拼的单词，在论文中我只给出了几个例子，后续给出定量分析。我觉得这是一个diǎo点。

详见论文（An Efficient Character-Level Neural Machine Translation），我也不玩虚的，代码和训好的模型都在github上，反正我也没有毕业问题，管他能不能发呢。

总的架构看图：

我也很佩服自己，怎么能写出这么复杂结构的代码，写完之后改了3个bug（我太tm diǎo了）。多亏了巨人Bahdanau等写的好框架Blocks和examples。我的偶像啊！很高兴，他也star了我的实现。仔细看，有5个RNN子模型，其实跟bi-scale思想类似，先把组成词的字符用RNN编码后，只向上传最后的编码（相当与词级模型的embedding），而不是原来的全部（字符的embedding），因此能节约Encoder和Decoder的内存，也容易训练。 整个流程应该很清楚吧，不清楚可以看论文。。。

训练模型

被爱可可老师发到微博之后，关注的人一下子多了点，有点诚惶诚恐。我觉得很多哥们会在训练的时候遇到问题。如有哥们遇到数据集问题，有哥们遇到版本问题(TypeError: __init__() got an unexpected keyword argument ‘children’)。这是我写这篇博客的原因，我希望能实现更好的实用的模型。几个注意点：

  1. 必须先手动下载对应的数据啊，就在wmt15上，还可能要对validation set和test set做一些处理。可以先选数据量小如en-fi的测试测试，一测就是1周。然后就方便了运行Github仓库中的train.sh就行了。
  2. 务必保持库的更新啊，Blocks更新还算快的，API随时改。我会尽量与最新保持兼容，而不兼顾老版本。
  3. 如果还有问题，请在评论中提问。

测试模型

我训练了几个模型，由于机器和时间受限，没来得及训练其他模型，详见论文和github。我希望有人能帮忙训练更深的模型。我不知道这个模型的上限是多少。

如果对机器翻译不敢兴趣，也可以从中学点什么。这个代码中，用了GRU，stacked GRU，stacked Bidirectional GRU以及GRU的变种，关于RNN的几乎的用到了（苦笑）。还有关键的Attention，虽然有点复杂。

欢迎提问，以及改善这个模型。机器翻译很有意义，所以想能做点什么。