(一)文本预训练
文本也是一种序列结构，但是我们在处理文本信息的时候往往不是直接处理字符串信息。因为这样将会很难训练。一般情况下我们是将文字或者是字符映射成数字，再进行训练。具体操作可以看代码实现。当然这仅仅是其中一种，并不是唯一的方法。
这里我们使用的是一本科幻小说，叫做timemachine
下载地址：http://d2l-data.s3-accelerate.amazonaws.com/timemachine.txt
import collections
import re
from d2l import torch as d2l
# 读取数据集
def read_time_machine():
"""将时间机器科幻小说加载到文本行列表中"""
with open("../data/timemachine.txt",'r') as f:
lines = f.readlines()
return [re.sub('[^A-Za-z]+',' ', line).strip().lower() for line in lines] # strip去掉左右两边的特殊字符串
lines = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
print(lines[0])
print(lines[10])
def tokenize(lines, token='word'): #@save
"""将文本行拆分为单词或字符词元"""
if token == 'word':
return [line.split() for line in lines]
elif token == 'char':
return [list(line) for line in lines]
else:
print('错误：未知词元类型：' + token)
tokens = tokenize(lines)
for i in range(11):
print(tokens[i])
（1）词表
词元的类型是字符串，而模型需要的输入是数字，因此这种类型不方便模型使用。现在，让我们构建一个字典，通常也叫做词表（vocabulary），用来将字符串类型的词元映射到从开始的数字索引中**。
我们先将训练集中的所有文档合并在一起，对它们的唯一词元进行统计，得到的统计结果称之为语料（corpus）。
然后根据每个唯一词元的出现频率，为其分配一个数字索引。很少出现的词元通常被移除，这可以降低复杂性。
另外，语料库中不存在或已删除的任何词元都将映射到一个特定的未知词元 <unk> 。
我们可以选择增加一个列表，用于保存那些被保留的词元，
例如：
- 填充词元（“<pad>”）；
- 序列开始词元（“<bos>”）；
- 序列结束词元（“<eos>”）。
class Vocab: #@save
"""文本词表"""
def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
if tokens is None:
tokens = []
if reserved_tokens is None:
reserved_tokens = []
# 按出现频率排序
counter = count_corpus(tokens)
# 并按照从大到小排序
# iterable：可迭代对象
# key：通过这个参数可以自定义排序逻辑
self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
reverse=True)
# 未知词元的索引为0
self.idx_to_token = ['<unk>'] + reserved_tokens
self.token_to_idx = {token: idx
for idx, token in enumerate(self.idx_to_token)}
# print(self.idx_to_token, self.token_to_idx) # ['<unk>'] {'<unk>': 0}
for token, freq in self._token_freqs:
# 将频率较小的一些单词去掉
if freq < min_freq:
break
if token not in self.token_to_idx:
self.idx_to_token.append(token)
self.token_to_idx[token] = len(self.idx_to_token) - 1
def __len__(self):
return len(self.idx_to_token)
def __getitem__(self, tokens):
# 这里运用了巧妙地递归
if not isinstance(tokens, (list, tuple)):
return self.token_to_idx.get(tokens, self.unk)
return [self.__getitem__(token) for token in tokens]
def to_tokens(self, indices):
# 这里运用了巧妙地递归
if not isinstance(indices, (list, tuple)):
return self.idx_to_token[indices]
return [self.idx_to_token[index] for index in indices]
@property
def unk(self): # 未知词元的索引为0
return 0
@property
def token_freqs(self):
return self._token_freqs
def count_corpus(tokens): #@save
"""统计词元的频率"""
# 这里的tokens是1D列表或2D列表
if len(tokens) == 0 or isinstance(tokens[0], list):
# 将词元列表展平成一个列表
tokens = [token for line in tokens for token in line]
# 统计每一个词出现的频率
return collections.Counter(tokens)
vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])
for i in [0, 10]:
print('文本:', tokens[i])
print('索引:', vocab[tokens[i]])
def load_corpus_time_machine(max_tokens=-1): #@save
"""返回时光机器数据集的词元索引列表和词表"""
lines = read_time_machine()
tokens = tokenize(lines, 'char')
vocab = Vocab(tokens)
# 因为时光机器数据集中的每个文本行不一定是一个句子或一个段落，
# 所以将所有文本行展平到一个列表中
corpus = [vocab[token] for line in tokens for token in line]
if max_tokens > 0:
corpus = corpus[:max_tokens]
return corpus, vocab
corpus, vocab = load_corpus_time_machine()
len(corpus), len(vocab)
网友评论