作者：LogM
本文原载于 https://segmentfault.com/u/logm/articles，不允许转载~
1. 源码来源
FastText 源码：https://github.com/facebookresearch/fastText
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
之前的博客介绍了 ” 分类器的预测 ” 的源码，里面有一个重点没有详细展开，就是 ” 基于字母的 Ngram 是怎么实现的 ”。这块论文里面关于 ” 字母 Ngram 的生成 ” 讲的比较清楚，但是对于 ” 字母 Ngram” 如何加入到模型中，讲的不太清楚，所以就求助于源码，源码里面把这块叫做 Subwords。
看懂了源码其实会发现 Subwords 加入到模型很简单，就是把它和 ” 词语 ” 一样对待，一起求和取平均。
另外，我自己再看源码的过程中还有个收获，就是关于 ” 中文词怎么算 subwords”，之前我一直觉得 Subwords 对中文无效，看了源码才知道是有影响的。
最后是词向量中怎么把 Subwords 加到模型。这部分我估计大家也不怎么关心，所以我就相当于写给我自己看的，解答自己看论文的疑惑。以 skipgram 为例，输入的 vector 和所要预测的 vector 都是 单个词语 与subwords相加求和的结果。
3. 怎么计算 Subwords
之前的博客有提到，Dictionary::getLine 这个函数的作用是从输入文件中读取一行，并将所有的 Id（包括词语的 Id，SubWords 的 Id，WordNgram 的 Id）存入到数组 words 中。
首先我们要来看看 Subwords 的 Id 是怎么生成的，对应的函数是 Dictionary::addSubwords。
// 文件：src/dictionary.cc
// 行数：378
int32_t Dictionary::getLine(
std::istream& in, // `in` 是输入的文件
std::vector<int32_t>& words, // `words` 是所有的 Id 组成的数组（包括词语的 id，SubWords 的 Id，WordNgram 的 Id）std::vector<int32_t>& labels) const { // 因为 FastText 支持多标签，所以这里的 `labels` 也是数组
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); // 这个函数是我们要讲的重点
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);
return ntokens;
}来到 Dictionary::addSubwords，可以看到重点是 Dictionary::getSubwords。
// 文件：src/dictionary.cc
// 行数：325
void Dictionary::addSubwords(
std::vector<int32_t>& line, // 我们要把 `Subwords` 的 Id 插入到数组 `line` 中
const std::string& token, // `token` 是当前单词的字符串
int32_t wid) const { // `wid` 是当前单词的 Id
if (wid < 0) { // out of vocab
if (token != EOS) {computeSubwords(BOW + token + EOW, line);
}
} else {if (args_->maxn <= 0) { // in vocab w/o subwords
line.push_back(wid); // 如果用户关闭了 `Subwords` 功能，则不计算
} else { // in vocab w/ subwords
const std::vector<int32_t>& ngrams = getSubwords(wid); // 这句是重点，获取了 `Subwords` 对应的 Id
line.insert(line.end(), ngrams.cbegin(), ngrams.cend());
}
}
}来到 Dictionary::getSubwords，看来每个单词的 subwords 是事先计算好的。
// 文件：src/dictionary.cc
// 行数：85
const std::vector<int32_t>& Dictionary::getSubwords(int32_t i) const {assert(i >= 0);
assert(i < nwords_);
return words_[i].subwords;
}我们找找是哪里初始化了 Subwords。在 Dictionary::initNgrams 中。
// 文件：src/dictionary.cc
// 行数：197
void Dictionary::initNgrams() {for (size_t i = 0; i < size_; i++) {std::string word = BOW + words_[i].word + EOW; // 为单词增加开头和结尾符号，比如 `where` 变为 `<where>`
words_[i].subwords.clear();
words_[i].subwords.push_back(i); // 论文里说了，这个单词本身也算是 `subwords` 的一种
if (words_[i].word != EOS) {computeSubwords(word, words_[i].subwords); // 这个是重点
}
}
}来到 Dictionary::computeSubwords。这边涉及到UTF-8 的编码。
看懂了 UTF-8 的编码，应该是比较容易能理解这段代码的。这段代码的计算方式，和论文里给出的计算方式是一致的。
同时，这段代码也解答了 ” 中文词怎么算 subwords” 的问题。
// 文件：src/dictionary.cc
// 行数：172
void Dictionary::computeSubwords(
const std::string& word,
std::vector<int32_t>& ngrams,
std::vector<std::string>* substrings=nullptr) const {for (size_t i = 0; i < word.size(); i++) {
std::string ngram;
if ((word[i] & 0xC0) == 0x80) { // 和 UTF- 8 的编码形式有关，判断是不是多字节编码的中间字节
continue;
}
for (size_t j = i, n = 1; j < word.size() && n <= args_->maxn; n++) {ngram.push_back(word[j++]);
while (j < word.size() && (word[j] & 0xC0) == 0x80) {ngram.push_back(word[j++]);
}
if (n >= args_->minn && !(n == 1 && (i == 0 || j == word.size()))) {int32_t h = hash(ngram) % args_->bucket;
pushHash(ngrams, h);
if (substrings) {substrings->push_back(ngram);
}
}
}
}
}4. Subwords是怎么加入到模型的
之前的博客有提到，Model::computeHidden中的参数 input 就是 Id 组成的数组（包括词语的 Id，SubWords 的 Id，WordNgram 的 Id）。现在主要看 Vector::addRow 是怎么实现的。
// 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，`wi_` 是输入矩阵，要把 `input` 的每一项加到 `wi_` 上
}
hidden.mul(1.0 / input.size()); // 然后取平均
}来到Vector::addRow，我们找到了重点是 addRowToVector 函数。但是这边用到了多态，需要分析下继承关系才知道 addRowToVector 函数位于哪个文件，我这边略过继承关系的分析过程，直接来到 QuantMatrix::addRowToVector。
// 文件：src/vector.cc
// 行数：62
void Vector::addRow(const Matrix& A, int64_t i) {assert(i >= 0);
assert(i < A.size(0));
assert(size() == A.size(1));
A.addRowToVector(*this, i); // 这个是重点
}来到 QuantMatrix::addRowToVector，代码有点涉及矩阵底层运算了，说实话，我没看懂。但我为什么知道是求和呢？因为论文说了，对于 单个词语 ，hidden 层的操作是把单词的向量加和求平均，从这些代码看，subwords 和单个词语 是一致的，所以我才知道 subwords 也是加和求平均。
// 文件：src/quantmatrix.cc
// 行数：75
void QuantMatrix::addRowToVector(Vector& x, int32_t i) const {
real norm = 1;
if (qnorm_) {norm = npq_->get_centroids(0, norm_codes_[i])[0];
}
pq_->addcode(x, codes_.data(), i, norm);
}// 文件：src/productquantizer.cc
// 行数：197
void ProductQuantizer::addcode(
Vector& x,
const uint8_t* codes,
int32_t t,
real alpha) const {
auto d = dsub_;
const uint8_t* code = codes + nsubq_ * t;
for (auto m = 0; m < nsubq_; m++) {const real* c = get_centroids(m, code[m]);
if (m == nsubq_ - 1) {d = lastdsub_;}
for (auto n = 0; n < d; n++) {x[m * dsub_ + n] += alpha * c[n];
}
}
}5. 词向量中的 Subwords
然后是词向量中怎么把 Subwords 加到模型。
这部分我估计大家也不怎么关心，所以我就相当于写给我自己看的，解答自己看论文的疑惑。以 skipgram 为例，输入的 vector 和所要预测的 vector 都是 单个词语 与subwords相加求和的结果。
// 文件：src/productquantizer.cc
// 行数：393
void FastText::skipgram(
Model::State& state,
real lr,
const std::vector<int32_t>& line) {std::uniform_int_distribution<> uniform(1, args_->ws);
for (int32_t w = 0; w < line.size(); w++) {int32_t boundary = uniform(state.rng);
const std::vector<int32_t>& ngrams = dict_->getSubwords(line[w]); // 重点 1
for (int32_t c = -boundary; c <= boundary; c++) {if (c != 0 && w + c >= 0 && w + c < line.size()) {model_->update(ngrams, line, w + c, lr, state); // 重点 2
}
}
}
}// 文件：src/model.cc
// 行数：70
void Model::update(
const std::vector<int32_t>& input,
const std::vector<int32_t>& targets,
int32_t targetIndex,
real lr,
State& state) {if (input.size() == 0) {return;}
computeHidden(input, state);
Vector& grad = state.grad;
grad.zero();
real lossValue = loss_->forward(targets, targetIndex, state, lr, true); // 重点
state.incrementNExamples(lossValue);
if (normalizeGradient_) {grad.mul(1.0 / input.size());
}
for (auto it = input.cbegin(); it != input.cend(); ++it) {wi_->addVectorToRow(grad, *it, 1.0);
}
}softmax 的计算多看几遍应该还是能看明白的。梯度的计算，建议结合论文的公式看，加入 subwords 后，梯度的求取不再是 softmax 多分类的那种求梯度方式了。
// 文件：src/loss.cc
// 行数：322
real SoftmaxLoss::forward(
const std::vector<int32_t>& targets,
int32_t targetIndex,
Model::State& state,
real lr,
bool backprop) {computeOutput(state); // 这个是重点
assert(targetIndex >= 0);
assert(targetIndex < targets.size());
int32_t target = targets[targetIndex];
if (backprop) { // 计算梯度的过程，结合论文公式看
int32_t osz = wo_->size(0);
for (int32_t i = 0; i < osz; i++) {real label = (i == target) ? 1.0 : 0.0;
real alpha = lr * (label - state.output[i]);
state.grad.addRow(*wo_, i, alpha);
wo_->addVectorToRow(state.hidden, i, alpha);
}
}
return -log(state.output[target]);
};// 文件：src/loss.cc
// 行数：305
void SoftmaxLoss::computeOutput(Model::State& state) const {
Vector& output = state.output;
output.mul(*wo_, state.hidden); // 结合论文公式看，和一般的 softmax 不一样
real max = output[0], z = 0.0;
int32_t osz = output.size();
for (int32_t i = 0; i < osz; i++) {max = std::max(output[i], max);
}
for (int32_t i = 0; i < osz; i++) {output[i] = exp(output[i] - max); // 应该是为了防止数值计算溢出，计算结果和原始的 softmax 公式一致
z += output[i];
}
for (int32_t i = 0; i < osz; i++) {output[i] /= z;
}
}