着重讲解一下机器翻译数据集的文件处理,以及最终返回了什么
目录
1.载入文件
2.文本预处理
3.词表
4.集成封装
5.总结返回值
1.载入文件
#@save
d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
'94646ad1522d915e7b0f9296181140edcf86a4f5')
#@save
def read_data_nmt():
"""载⼊“英语-法语”数据集"""
data_dir = d2l.download_extract('fra-eng')
with open(os.path.join(data_dir, 'fra.txt'), 'r',
encoding='utf-8') as f:
return f.read()
raw_text = read_data_nmt()
print(raw_text[:75])
'''
Go. Va !
Hi. Salut !
Run! Cours !
Run! Courez !
Who? Qui ?
Wow! Ça alors !
'''
注意,文本操作中:f.read()会返回整个文档作为字符串表;f.readlines()会返回每一行作为字符串表。
2.文本预处理
no_space那里是一个判断函数写法,char in set(',.!?') and prev_char != ' '是一体的,最终return的是True或False。如果char是',.!?'的其中一种,并且prev_char不是空格,则返回True,反之返回False。
\u202f和\xa0是Unicode编码中的窄空格和不间断空格,替换为空格更方便处理这些字符。
注意out中列表推导式的写法
''.join(out)表示将out中的所有字符串连接起来,每个字符串之间不添加任何字符,因为连接的字符串为空字符''.
#@save
def preprocess_nmt(text):
"""预处理“英语-法语”数据集"""
def no_space(char, prev_char):
return char in set(',.!?') and prev_char != ' '
# 使⽤空格替换不间断空格
# 使⽤⼩写字⺟替换⼤写字⺟
text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()
# 在单词和标点符号之间插⼊空格
out = [' ' + char if i > 0 and no_space(char, text[i - 1]) else char
for i, char in enumerate(text)]
return ''.join(out)
text = preprocess_nmt(raw_text)
print(text[:80])
'''
go . va !
hi . salut !
run ! cours !
run ! courez !
who ? qui ?
wow ! ça alors !
'''
空格代替不间断空格。小写字母替换大写字母,并在单词与标点符号之间插入空格.
#@save
def tokenize_nmt(text, num_examples=None):
"""词元化“英语-法语”数据数据集"""
source, target = [], []
for i, line in enumerate(text.split('\n')):
if num_examples and i > num_examples:
break
parts = line.split('\t')
if len(parts) == 2:
source.append(parts[0].split(' '))
target.append(parts[1].split(' '))
return source, target
source, target = tokenize_nmt(text)
source[:6], target[:6]
'''
([['go', '.'],
['hi', '.'],
['run', '!'],
['run', '!'],
['who', '?'],
['wow', '!']],
[['va', '!'],
['salut', '!'],
['cours', '!'],
['courez', '!'],
['qui', '?'],
['ça', 'alors', '!']])
'''
\n为换行符,在该处换行;\t为制表符,本质为输出时引导光标向右移动到下一个制表位
split作用是将该字符串按照指定部分进行分割,并将结果存为一个list
3.词表
为了避免词量过大,在此将出现频次小于2次的词视为相同的'unk'词元,再添加三个额外的特定词元,pad、bos、eos
src_vocab = d2l.Vocab(source, min_freq=2,
reserved_tokens=['<pad>', '<bos>', '<eos>'])
len(src_vocab)
'''
10012
'''
每个样本是由源和目标组成的文本序列对,其中每个文本序列可能具有不同的长度,可以通过截断和填充的方式实现补齐。
文本序列大于T时,截断;小于T时,使用pad词元进行补齐(vocab的getitem)
#@save
def truncate_pad(line, num_steps, padding_token):
"""截断或填充⽂本序列"""
if len(line) > num_steps:
return line[:num_steps] # 截断
return line + [padding_token] * (num_steps - len(line)) # 填充
truncate_pad(src_vocab[source[0]], 10, src_vocab['<pad>'])
'''
[47, 4, 1, 1, 1, 1, 1, 1, 1, 1]
'''
每个句子结束增加eos截止符
保存valid_len为句子中出去pad的实际长度
#@save
def build_array_nmt(lines, vocab, num_steps):
"""将机器翻译的⽂本序列转换成⼩批量"""
lines = [vocab[l] for l in lines]
lines = [l + [vocab['<eos>']] for l in lines]
array = torch.tensor([truncate_pad(
l, num_steps, vocab['<pad>']) for l in lines])
valid_len = (array != vocab['<pad>']).type(torch.int32).sum(1)
return array, valid_len
lines是src或tar中的每一行元素:见下图,每一行的末尾都有eos
array使用list递推公式,使每一个l在经过truncate_pad补齐或阶段后生成新的list相加,生成最终的二维list。再通过torch.tensor,将二维的list直接转换为二维tensor。
所以sum(1)在第1维度上相加,获得每一行的有效长度
4.集成封装
def load_data_nmt(batch_size, num_steps, num_examples=600):
"""返回翻译数据集的迭代器和词表"""
text = preprocess_nmt(read_data_nmt())
source, target = tokenize_nmt(text, num_examples)
src_vocab = d2l.Vocab(source, min_freq=2,
reserved_tokens=['<pad>', '<bos>', '<eos>'])
tgt_vocab = d2l.Vocab(target, min_freq=2,
reserved_tokens=['<pad>', '<bos>', '<eos>'])
src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps)
tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps)
data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len)
data_iter = d2l.load_array(data_arrays, batch_size)
return data_iter, src_vocab, tgt_vocab
5.总结返回值
明确一下返回的data_iter是什么:两组(bs,T)+(bs);分别表示features与labels的bs个长为T的最终标号,与该bs对应的valid_len
train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size=2, num_steps=8)
for X, X_valid_len, Y, Y_valid_len in train_iter:
print('X:', X.type(torch.int32))
print('X的有效⻓度:', X_valid_len)
print('Y:', Y.type(torch.int32))
print('Y的有效⻓度:', Y_valid_len)
break
'''
X: tensor([[13, 34, 5, 3, 1, 1, 1, 1],
[13, 34, 4, 3, 1, 1, 1, 1]], dtype=torch.int32)
X的有效⻓度: tensor([4, 4])
Y: tensor([[121, 5, 3, 1, 1, 1, 1, 1],
[ 0, 4, 3, 1, 1, 1, 1, 1]], dtype=torch.int32)
Y的有效⻓度: tensor([3, 3])
'''