位置: IT常识 - 正文

Torchtext快速入门(一)——Vocab(torchaudio教程)

编辑:rootadmin
Torchtext快速入门(一)——Vocab

推荐整理分享Torchtext快速入门(一)——Vocab(torchaudio教程),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:torchtrt,torchtext教程,torch.train,torchaudio教程,torchtext教程,torch教程,torch教程,torch tutorial,内容如对您有帮助,希望把文章链接给更多的朋友!

🧑‍💻 本系列文章采用 Torchtext 0.13.1 版本

目录前言一、创建词典1.1 根据有序字典进行创建1.2 根据可迭代对象进行创建1.2.1 从生成器中创建二、Vocab的用法2.1 获取词元到索引的映射/索引到词元的映射2.2 正/反向查询2.2.1 根据词元查询索引2.2.2 根据索引查询词元2.3 设置默认索引2.4 添加词元2.5 其他用法附录前言

词典(Vocab)是NLP任务中最为重要的工具之一,本文将详细介绍Torchtext中的词典类及其使用方法。

安装Torchtext:

conda install -c pytorch torchtext

导入本文所需要的所有包:

from collections import Counter, OrderedDictfrom torchtext.vocab import vocab, build_vocab_from_iterator一、创建词典

Torchtext中创建词典有两种方法,第一种是根据有序字典(OrderedDict)进行创建,第二种是根据生成器(Generator)/可迭代对象(Iterable)进行创建。

1.1 根据有序字典进行创建

NLP任务中,绝大多数时候 tokens 是一个二维列表,即 tokens[0] 代表一个句子,tokens[0][0] 代表一个词元(单词)。为了使用 Counter() 统计词频,我们需要先将 tokens 展平成一维列表(事实上展平成一维的可迭代对象即可),最常用的方法如下:

from tkinter import _flattentokens = _flatten(tokens) # 这里tokens是一个一维元组,是可迭代对象

如果 tokens 本身就是个一维列表,则 _flatten(tokens) 仍然会返回一维元组,因此我们可以总是使用 _flatten(tokens)。

之后我们可以对这个一维可迭代对象使用 Counter() 统计词频,并将其从高到低进行过排序

>>> tokens = [["I", "am", "very", "happy"], ["I", "seem", "to", "have", "lost", "something"]]>>> sorted(Counter(_flatten(tokens)).items(), key=lambda x: x[1], reverse=True)[('I', 2), ('am', 1), ('very', 1), ('happy', 1), ('seem', 1), ('to', 1), ('have', 1), ('lost', 1), ('something', 1)]

可以看出输出结果是形如 List[Tuple[str, int]] 这样的类型,我们可以根据此结果来构造有序字典

tokens = [["I", "am", "very", "happy"], ["I", "seem", "to", "have", "lost", "something"]]ordered_dict = OrderedDict(sorted(Counter(_flatten(tokens)).items(), key=lambda x: x[1], reverse=True))print(ordered_dict)# OrderedDict([('I', 2), ('am', 1), ('very', 1), ('happy', 1), ('seem', 1), ('to', 1), ('have', 1), ('lost', 1), ('something', 1)])

然后基于有序字典创建词典

v = vocab(ordered_dict)print(type(v))# <class 'torchtext.vocab.vocab.Vocab'>

⚠️ 这里的 vocab() 是一个函数,创建得到的 v 是 Vocab 类的实例。第二章节我们会详细介绍 Vocab 类的用法。

我们还可以向 vocab() 函数传入其他参数。例如如果一词元的出现次数低于 2 就丢弃,则可设置

v = vocab(ordered_dict, min_freq=2)

在NMT(机器翻译)任务中,我们往往需要一些特殊词元,这时可以使用 specials 参数进行指定

v = vocab(ordered_dict, min_freq=2, specials=['<pad>', '<unk>', '<bos>', '<eos>'])

此时这些特殊词元会被添加到词表的最上方。如果需要将特殊词元添加到词表的最下方,则可指定

v = vocab(ordered_dict, min_freq=2, specials=['<pad>', '<unk>', '<bos>', '<eos>'], special_first=False)1.2 根据可迭代对象进行创建

根据可迭代对象创建词典需要用到以下函数

build_vocab_from_iterator(iterator: Iterable, min_freq: int = 1, specials: Optional[List[str]] = None, special_first: bool = True, max_tokens: Optional[int] = None)

接下来重点讲解第一个和最后一个参数。

首先 iterator 是一个可迭代对象,观察 build_vocab_from_iterator 源码的 9~11 行可知(见本文附录),Counter 的实例每次会 update iterator 中的一个元素,而 Counter 的 update 方法源码如下:

def update(self, iterable=None, /, **kwds): if iterable is not None: if isinstance(iterable, _collections_abc.Mapping): if self: self_get = self.get for elem, count in iterable.items(): self[elem] = count + self_get(elem, 0) else: # fast path when counter is empty super().update(iterable) else: _count_elements(self, iterable) if kwds: self.update(kwds)Torchtext快速入门(一)——Vocab(torchaudio教程)

这说明 iterator 中的每一个元素仍是一个可迭代对象,所以我们可以直接向 iterator 传入二维列表 tokens,如下:

tokens = [["I", "am", "very", "happy"], ["I", "seem", "to", "have", "lost", "something"]]v = build_vocab_from_iterator(tokens)print(v.get_stoi())# {'to': 7, 'seem': 5, 'very': 8, 'something': 6, 'lost': 4, 'have': 3, 'happy': 2, 'am': 1, 'I': 0}

我们还可以指定词典的大小(算上特殊词元的大小)

v = build_vocab_from_iterator(tokens, max_tokens=3)print(v.get_stoi())# {'happy': 2, 'am': 1, 'I': 0}

⚠️ max_tokens 不能小于特殊词元的数量,否则词典中将只含特殊词元。

1.2.1 从生成器中创建

假如 ./data.txt 中的内容为

I am very happyI seem to have lost something

则我们可以构造一个生成器,然后使用它来创建词典。

def yield_tokens(path): with open(path) as f: for line in f.readlines(): yield line.strip().split()v = build_vocab_from_iterator(yield_tokens("./data.txt"))二、Vocab的用法

无论使用 vocab() 函数还是 build_vocab_from_iterator() 函数,返回的结果都是一个 Vocab 实例。

2.1 获取词元到索引的映射/索引到词元的映射

获取词元到索引到映射(字典)

tokens = [['a', 'a', 'b'], ['c', 'c', 'd', 'd', 'd']]v = build_vocab_from_iterator(tokens, specials=['<pad>', '<unk>'])print(v.get_stoi())# {'b': 5, 'd': 2, '<pad>': 0, '<unk>': 1, 'c': 4, 'a': 3}

获取索引到词元的映射(列表)

print(v.get_itos())# ['<pad>', '<unk>', 'd', 'a', 'c', 'b']2.2 正/反向查询2.2.1 根据词元查询索引

根据单个词元查询其索引

print(v['a'])# 3

根据多个词元查询它们对应的索引(常用)

print(v(['c', 'd', '<unk>']))# [4, 2, 1]2.2.2 根据索引查询词元

根据单个索引查询其词元

print(v.lookup_token(4))# c

根据多个索引查询它们对应的词元

print(v.lookup_tokens([0, 5, 2]))# ['<pad>', 'b', 'd']2.3 设置默认索引

在实际应用中,我们难免会遇到OOV(Out Of Vocabulary)词元,这时如果直接查询其索引会报错

print(v['f'])# RuntimeError: Token f not found and default index is not set

因此我们需要设置一个默认索引,所有OOV词元都会被映射到该索引上。通常来讲,我们会将默认索引设置为未知词元的索引,即

v.set_default_index(v['<unk>'])print(v['f'])# 1

如果要获取默认索引,可调用 get_default_index() 方法。

2.4 添加词元

如果一个词元不在词典当中,我们可以将其追加到词典的末尾

v.append_token('e')print(v.get_stoi())# {'b': 5, 'd': 2, '<pad>': 0, '<unk>': 1, 'e': 6, 'c': 4, 'a': 3}

除了追加到末尾之外,我们还可以在词典中的任意位置插入新词元,此时需要同时提供词元和索引

v.insert_token('e', 3)print(v.get_stoi())# {'b': 6, 'c': 5, 'e': 3, 'd': 2, '<pad>': 0, '<unk>': 1, 'a': 4}2.5 其他用法

获取词典大小

print(len(v))# 6

判断词元是否在词典当中

print('c' in v)# Trueprint('k' in v)# False附录

vocab 函数源码:

def vocab(ordered_dict: Dict, min_freq: int = 1, specials: Optional[List[str]] = None, special_first: bool = True) -> Vocab: specials = specials or [] for token in specials: ordered_dict.pop(token, None) tokens = []# Save room for special tokens for token, freq in ordered_dict.items(): if freq >= min_freq: tokens.append(token) if special_first: tokens[0:0] = specials else: tokens.extend(specials) return Vocab(VocabPybind(tokens, None)) # 这里的VocabPybind是C++对象

build_vocab_from_iterator 函数源码:

def build_vocab_from_iterator( iterator: Iterable, min_freq: int = 1, specials: Optional[List[str]] = None, special_first: bool = True, max_tokens: Optional[int] = None,) -> Vocab: counter = Counter() for tokens in iterator: counter.update(tokens) specials = specials or [] # First sort by descending frequency, then lexicographically sorted_by_freq_tuples = sorted(counter.items(), key=lambda x: (-x[1], x[0])) if max_tokens is None: ordered_dict = OrderedDict(sorted_by_freq_tuples) else: assert len(specials) < max_tokens, "len(specials) >= max_tokens, so the vocab will be entirely special tokens." ordered_dict = OrderedDict(sorted_by_freq_tuples[:max_tokens - len(specials)]) word_vocab = vocab(ordered_dict, min_freq=min_freq, specials=specials, special_first=special_first) return word_vocab
本文链接地址:https://www.jiuchutong.com/zhishi/299056.html 转载请保留说明!

上一篇:如何通过nodejs快速搭建一个服务器(nodejs如何使用)

下一篇:【SpringMVC】集成Web、MVC执行流程、数据响应、数据交互(spring集成xfire)

  • 网络推广实战之7步成“师”法(网络推广入门)

    网络推广实战之7步成“师”法(网络推广入门)

  • mac切换系统按哪个键(mac切换系统按哪个键 普通键盘)

    mac切换系统按哪个键(mac切换系统按哪个键 普通键盘)

  • oppo手机微信红包提醒如何设置(oppo手机微信红包提示音在哪里设置)

    oppo手机微信红包提醒如何设置(oppo手机微信红包提示音在哪里设置)

  • 华为nova电量百分比怎么设置(华为手机nova电池容量)

    华为nova电量百分比怎么设置(华为手机nova电池容量)

  • 3d渲染吃显卡还是cpu(3dmax渲染吃显卡吗)

    3d渲染吃显卡还是cpu(3dmax渲染吃显卡吗)

  • 视频剪辑是什么专业(视频剪辑是什么岗位)

    视频剪辑是什么专业(视频剪辑是什么岗位)

  • 访问限制初始密码多少(访问限制初始密码)

    访问限制初始密码多少(访问限制初始密码)

  • 苹果x阻止来电怎么设置(苹果xs阻止来电号码)

    苹果x阻止来电怎么设置(苹果xs阻止来电号码)

  • 交换机有ip地址吗(局域网交换机)

    交换机有ip地址吗(局域网交换机)

  • word excel属于什么软件(wordexcel属于什么软件图片)

    word excel属于什么软件(wordexcel属于什么软件图片)

  • 变频3和变频1的区别(变频三级和变频一级怎么选)

    变频3和变频1的区别(变频三级和变频一级怎么选)

  • 微信号注销后手机号是不是就解绑了(微信号注销后手机号还可以注册吗,注册后是原微信嘛)

    微信号注销后手机号是不是就解绑了(微信号注销后手机号还可以注册吗,注册后是原微信嘛)

  • 快手极速版在哪里更新(快手极速版在哪里签到)

    快手极速版在哪里更新(快手极速版在哪里签到)

  • 上网宝如何使用(上网宝使用说明书)

    上网宝如何使用(上网宝使用说明书)

  • 网络接入已满怎么解决(网络接入已满怎么解决钛马星可以连接几个手机)

    网络接入已满怎么解决(网络接入已满怎么解决钛马星可以连接几个手机)

  • 对方暂不接受临时会话(对方暂时不方便接电话是什么意思)

    对方暂不接受临时会话(对方暂时不方便接电话是什么意思)

  • 微型计算机的主机由控制器运算器和什么构成(微型计算机的主机包括什么)

    微型计算机的主机由控制器运算器和什么构成(微型计算机的主机包括什么)

  • 在电脑上怎么下载微信电脑版(在电脑上怎么下载steam)

    在电脑上怎么下载微信电脑版(在电脑上怎么下载steam)

  • 苹果手机微信消息延迟怎么回事(苹果手机微信消息闪光灯怎么设置)

    苹果手机微信消息延迟怎么回事(苹果手机微信消息闪光灯怎么设置)

  • 花呗分期分期退货须知(花呗分期退款分期手续费)

    花呗分期分期退货须知(花呗分期退款分期手续费)

  • 苹果拍照是反的怎么调(苹果拍照是反的怎么设置)

    苹果拍照是反的怎么调(苹果拍照是反的怎么设置)

  • 抖音自己播放算次数吗(抖音自己播放算不算)

    抖音自己播放算次数吗(抖音自己播放算不算)

  • 华为nova5是5g吗(华为Nova5是5G吗)

    华为nova5是5g吗(华为Nova5是5G吗)

  • 快手怎么申请解封(快手怎么申请解封账号)

    快手怎么申请解封(快手怎么申请解封账号)

  • 忘记Excel工作表密码怎么办(忘记excel工作表保护密码怎么办)

    忘记Excel工作表密码怎么办(忘记excel工作表保护密码怎么办)

  • python re.match函数的使用(python repeat函数)

    python re.match函数的使用(python repeat函数)

  • 工地上用的辅材
  • 电子税务局怎么删除办税员
  • 医院都需要交什么税
  • 一般纳税人资格认定条件
  • 砂石行业一般纳税人税率多少?能简易征收吗?
  • 私车公用报销油费
  • 商誉减值可以抵税吗
  • 融资租赁是怎么操作的
  • 公司收到银行承兑汇票会计分录
  • 职工基本医疗保险单位交的钱去哪里了
  • 租赁植物费用
  • 按工人工资比例结转制造费用的科目
  • 售后回租产生的利息怎么做账
  • 撤销申报增值税流程
  • 季报的利润表是填本期金额还是本年
  • 个人租房给公司开票税点
  • 办公室装修计入什么科目里
  • 支付工程款会计处理
  • 怎么操作win10系统
  • 税收是财政政策传导机制中重要的媒介之一
  • 支付水费现金流量
  • 销售折扣单独开票
  • 税控盘不交服务费的后果
  • 电脑重装系统如何分区?
  • linux系统中将加密过的密码放到什么文件中
  • Win10 21H2 Build 21354 ISO 太阳谷官方镜像预览版下载
  • pc direct
  • 鱼湖国家森林中心在哪里
  • 路由器增强型
  • 别人说你坏话怎么发朋友圈说说
  • phpifelse
  • 增值税专用发票怎么开
  • vue全家桶插件有哪些
  • 资产类备抵科目借方是加还是减
  • 认缴制下实收资本需要验资吗
  • 一般纳税人增值税减免政策2023
  • vue项目部署到服务器上,页面空白
  • yolov3图像识别
  • 表单建模
  • node js 安装
  • 活动策划印花税选哪个税种
  • web开发 python
  • 爱心代码图
  • php实现将base64格式图片保存在指定目录的方法
  • 购销合同印花税税率
  • python time. time
  • centos安装MySQL数据库
  • MySQL中Nested-Loop Join算法小结
  • 企业收到的国外发票可以入账吗
  • sql server 2005如何使用
  • sqlserver2005连接到服务器
  • 进项税额转出是借方科目还是贷方科目
  • 应付劳务费怎么做账
  • 购入房产会计记账凭证怎么做
  • 制造费用属于哪个科目类别
  • 航天信息的发票以什么形式导入开票信息
  • 公司交社保有什么用处
  • 增值税进项税额抵扣期限最新
  • 债权投资的账务处理办法
  • 餐饮赠券的会计分录
  • 单位车辆转籍
  • 银行承兑汇票进行贴现的会计分录
  • 企业缴纳社保费包括企业部分和个人部分
  • 到期不付款跟客户怎么说
  • 主营业务收入的英文
  • win7搜索无法使用
  • javascript语言入门教程
  • 批处理for命令详解
  • javascript的核心语言对象包括
  • jQuery中serializeArray()与serialize()的区别实例分析
  • android4.4.2升级包
  • socket.io与pm2(cluster)集群搭配的解决方案
  • 用nodejs实现三个类,动物基础类(有跑的函数,吃的函数)
  • javascript中的对象用于
  • java script
  • 工商电话号码客服投诉热线
  • 发票测试纸在哪里打印
  • 地税和国税是什么关系
  • 新市税务所电话
  • 个人所得税计算扣除五险一金吗
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设