【手撕 - 自然语言处理】手撕 FastText 源码（01）分类器的预测过程
作者：LogM
1. 源码来源
FastText 源码：https://github.com/facebookre...
本文对应的源码版本：Commits on Jun 27 2019, 979d8a9ac99c731d653843890c2364ade0f7d9d3
FastText 论文：
[1] P. Bojanowski, E. Grave, A. Joulin, T. Mikolov, Enriching Word Vectors with Subword Information
[2] A. Joulin, E. Grave, P. Bojanowski, T. Mikolov, Bag of Tricks for Efficient Text Classification
2. 概述
FastText 的论文写的比较简单，有些细节不明白，网上也查不到，所幸直接撕源码。
FastText 的"分类器"功能是用的最多的，所以先从"分类器的predict"开始挖。
3. 开撕
先看程序入口的 main 函数，ok，是调用了 predict 函数。
// 文件：src/main.cc
// 行数：403
int main(int argc, char** argv) {
std::vector<std::string> args(argv, argv + argc);
if (args.size() < 2) {
printUsage();
exit(EXIT_FAILURE);
}
std::string command(args[1]);
if (command == "skipgram" || command == "cbow" || command == "supervised") {
train(args);
} else if (command == "test" || command == "test-label") {
test(args);
} else if (command == "quantize") {
quantize(args);
} else if (command == "print-word-vectors") {
printWordVectors(args);
} else if (command == "print-sentence-vectors") {
printSentenceVectors(args);
} else if (command == "print-ngrams") {
printNgrams(args);
} else if (command == "nn") {
nn(args);
} else if (command == "analogies") {
analogies(args);
} else if (command == "predict" || command == "predict-prob") {
predict(args); // 这句是我们想要的
} else if (command == "dump") {
dump(args);
} else {
printUsage();
exit(EXIT_FAILURE);
}
return 0;
}再看 predict 函数，预处理的代码不用管，直接看 predict 的那行，调用了 FastText::predictLine。这里注意下，这是个 while 循环，所以FastText::predictLine 这个函数每次只处理一行。
// 文件：src/main.cc
// 行数：205
void predict(const std::vector<std::string>& args) {
if (args.size() < 4 || args.size() > 6) {
printPredictUsage();
exit(EXIT_FAILURE);
}
int32_t k = 1;
real threshold = 0.0;
if (args.size() > 4) {
k = std::stoi(args[4]);
if (args.size() == 6) {
threshold = std::stof(args[5]);
}
}
bool printProb = args[1] == "predict-prob";
FastText fasttext;
fasttext.loadModel(std::string(args[2]));
std::ifstream ifs;
std::string infile(args[3]);
bool inputIsStdIn = infile == "-";
if (!inputIsStdIn) {
ifs.open(infile);
if (!inputIsStdIn && !ifs.is_open()) {
std::cerr << "Input file cannot be opened!" << std::endl;
exit(EXIT_FAILURE);
}
}
std::istream& in = inputIsStdIn ? std::cin : ifs;
std::vector<std::pair<real, std::string>> predictions;
while (fasttext.predictLine(in, predictions, k, threshold)) { // 这句是重点
printPredictions(predictions, printProb, false);
}
if (ifs.is_open()) {
ifs.close();
}
exit(0);
}再看 FastText::predictLine，注意这边有两个重点。
// 文件：src/fasttext.cc
// 行数：451
bool FastText::predictLine(
std::istream& in,
std::vector<std::pair<real, std::string>>& predictions,
int32_t k,
real threshold) const {
predictions.clear();
if (in.peek() == EOF) {
return false;
}
std::vector<int32_t> words, labels;
dict_->getLine(in, words, labels); // 这句是第一个重点
Predictions linePredictions;
predict(k, words, linePredictions, threshold); // 这句是第二个重点
for (const auto& p : linePredictions) {
predictions.push_back(
std::make_pair(std::exp(p.first), dict_->getLabel(p.second)));
}
return true;
}先看第一个重点，getLine 函数其实是 Dictionary::getLine，定义在src/dictionary.cc。
这段代码的干货度还是很高的，里面有两个重点，Dictionary::addSubwords 和 Dictionary::addWordNgrams，以后会讲。这边只要知道整个函数把读到的这一行的每个Id（包括词语的id，SubWords的Id，WordNgram的Id），存到了数组 words 中。
// 文件：src/dictionary.cc
// 行数：378
int32_t Dictionary::getLine(
std::istream& in,
std::vector<int32_t>& words,
std::vector<int32_t>& labels) const {
std::vector<int32_t> word_hashes;
std::string token;
int32_t ntokens = 0;
reset(in);
words.clear();
labels.clear();
while (readWord(in, token)) { // `token` 是读到的一个词语，如果读到一行的行尾，则返回`EOF`
uint32_t h = hash(token); // 找到这个词语位于哪个hash桶
int32_t wid = getId(token, h); // 在hash桶中找到这个词语的Id，如果负数就是没找到对应的Id
entry_type type = wid < 0 ? getType(token) : getType(wid); // 如果没找到对应Id，则有可能是label，`getType`里会处理
ntokens++;
if (type == entry_type::word) {
addSubwords(words, token, wid); // 重点1，以后会讲
word_hashes.push_back(h);
} else if (type == entry_type::label && wid >= 0) {
labels.push_back(wid - nwords_);
}
if (token == EOS) {
break;
}
}
addWordNgrams(words, word_hashes, args_->wordNgrams); // 重点2，以后会讲
return ntokens;
}再来看第二个重点， FastText::predict 函数，重点是 Model::predict 函数。
// 文件：src/fasttext.cc
// 行数：437
void FastText::predict(
int32_t k,
const std::vector<int32_t>& words,
Predictions& predictions,
real threshold) const {
if (words.empty()) {
return;
}
Model::State state(args_->dim, dict_->nlabels(), 0);
if (args_->model != model_name::sup) {
throw std::invalid_argument("Model needs to be supervised for prediction!");
}
model_->predict(words, k, threshold, predictions, state); // 这句是重点
}来到 Model::predict，有两个重点.
其中 Loss::predict 是将 hidden 层的输出结果进行 softmax 后得到最终概率最大的k个类别，"分类器的predict" 用的是经典的softmax，所以代码也比较简单。而如果是"分类器的train" 则涉及到 Hierarchical SoftmaxLoss 和 NegativeSamplingLoss 等一些加速手段，比较复杂，以后有机会再讲。
// 文件：src/model.cc
// 行数：53
void Model::predict(
const std::vector<int32_t>& input,
int32_t k,
real threshold,
Predictions& heap,
State& state) const {
if (k == Model::kUnlimitedPredictions) {
k = wo_->size(0); // output size
} else if (k <= 0) {
throw std::invalid_argument("k needs to be 1 or higher!");
}
heap.reserve(k + 1);
computeHidden(input, state); // 重点1
loss_->predict(k, threshold, heap, state); // 重点2，以后再讲
}我们再来看另一个重点，Model::computeHidden 函数。
Model::computeHidden 函数理解起来比较简单，注意这里的 input 就是前面的 words，是一系列id组成的数组（包括词语的id，SubWords的Id，WordNgram的Id），把这些求和，然后取平均。
当然有些小伙伴可能有点疑问，Vector::addRow 为什么是求和，这个以后再讲吧。
// 文件：src/model.cc
// 行数：43
void Model::computeHidden(const std::vector<int32_t>& input, State& state)
const {
Vector& hidden = state.hidden;
hidden.zero();
for (auto it = input.cbegin(); it != input.cend(); ++it) {
hidden.addRow(*wi_, *it); // 求和
}
hidden.mul(1.0 / input.size()); // 然后取平均
}4. 总结
至此，FastText里面的"分类器的predict"的大致流程讲完了，其他的，如"分类器的train"和"词向量"的源码也是类似的方法来阅读。
这里面有几段代码没有详细叙述：Dictionary::addSubwords、Dictionary::addWordNgrams、Vector::addRow以及训练时softmax的加速，先把坑留着，以后有时间再填。