本实验基于 Python 3.9.21 环境，在配备 NVIDIA GPU的机器上完成训练与推理。以下是复现本报告所有结果所需的完整说明。
依赖库与环境配置
主要依赖库包括：
-
PyTorch ≥ 1.12（需支持 CUDA）
-
NLTK（用于 BLEU 计算，首次运行需执行
nltk.download('punkt')） -
tqdm（进度条）
-
matplotlib（绘图）
-
标准库：xml.etree.ElementTree（解析 IWSLT XML 文件）、collections、math、os 等
可通过以下命令创建并激活环境（以 Conda 为例）：
conda create -n transformer python=3.9.21
conda activate transformer
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install nltk tqdm matplotlib
代码仓库结构
项目根目录结构如下（已省略 .git 内部细节和 pycache）：
D:.
├── datasets/ # 数据集目录
│ └── en-zh/ # IWSLT2017 英中数据（含 XML 和 .tags 文件）
├── module/ # 模型权重保存目录（如 BaseLine_model_Picture_BLEU.pth）
├── result_picture/ # 训练曲线等结果图像保存目录
├── src/
│ ├── model/ # Transformer 模型定义（Transformer.py）
│ └── component # 组件相关代码
├── Train_Function/ # 训练函数（其他版本的训练函数，如果要用移动到当前工作目录下）
└── train_with_BLEU.py # 主训练脚本（最终使用的训练版本，主要是包含BLEU评估）
└── inference.py # 推理版本
└── README.md
数据准备
请将 IWSLT2017 英中数据（包括 IWSLT17.TED.train.en-zh.en.xml、IWSLT17.TED.dev2010.en-zh.zh.xml 等）放置于 datasets/en-zh/ 目录下。若使用 .tags 文件，需确保文件名符合代码中 read_texts_from_local_dir 的命名规则。
(https://huggingface.co/datasets/IWSLT/iwslt2017/tree/main/data/2017-01-trnted/texts/en/zh)
运行命令
直接运行主脚本即可启动训练与评估流程：
python train_with_BLEU.py
程序将自动：
-
读取数据并构建字符级（中文）/空格分词（英文）词表；
-
初始化 4 层 Transformer 模型（D_MODEL=256, N_HEADS=8, D_FF=512）；
-
在 GPU 上训练 30 轮；
-
每轮在验证集上计算 Loss、ACC、PPL 和 BLEU-4（字符级）；
-
保存最佳模型至
module/BaseLine_model_Picture_BLEU.pth； -
训练结束后生成并保存四指标曲线图至
result_picture/。
预期运行时长与硬件
在笔记本的 NVIDIA RTX 3060 （6 G）上，每轮训练约需 8–10 分钟，30 轮总计约 4–5 小时。BLEU 评估阶段（每轮采样 1000 句）会额外增加约 4–5 分钟/轮。若使用 CPU，训练时间将显著延长，不建议。
注意事项
-
若
dev2010验证集不存在，程序会自动从训练集中划分 10% 作为验证集。 -
首次运行需取消
nltk.download('punkt')注释以下载分词资源。 -
模型、优化器状态及词表均保存在 checkpoint 中，支持中断后恢复训练。