机器翻译数据集代码阅读

这里就不手动实现了，因为其实大同小异，把代码看懂了，下次要用的时候直接抄就行了。

vocab

class Vocab:
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        counter = count_corpus(tokens)
        if reserved_tokens == None:
            reserved_tokens = []
        self.uniq_token = ['unk'] + reserved_tokens
        self.unk = 0
        self.idx_to_token, self.token_to_idx = [], {}
        counter = sorted(counter.items(), key =lambda x: x[1], reverse=True)
        self.token_freqs = counter
        self.uniq_token += [token for token, freq in counter if freq>=min_freq and token not in self.uniq_token]
        for token in self.uniq_token:
            self.idx_to_token.append(token)
            self.token_to_idx[token] = len(self.idx_to_token) -1
    
    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, 0)
        return [self.__getitem__(token) for token in tokens]
    
    def __len__(self):
        return len(self.idx_to_token)
    
    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.token_to_idx.get(indices, 0)
        return [self.to_tokens(indice) for indice in indices]

导入数据

import os
import torch
from d2l import torch as d2l
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])

用read函数直接把所有字符都读出来。

处理数据

预处理

拿到的数据还有一些问题，比如大小写，空格等问题，这里必须先做一个预处理。

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])

词元化

这里因为是机器翻译，所以我们选择用单词作为词元。

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('
')):
        if num_examples and i > num_examples:
            break
        parts = line.split('	')
        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]

注意，这里得到的source其实是一个二维数据，第二维是一个句子所有词元组成的list。

查看句子的长度分布

d2l.set_figsize()
_, _, patches = d2l.plt.hist(
    [[len(l) for l in source], [len(l) for l in target]],
    label=['source', 'target'])
for patch in patches[1].patches:
    patch.set_hatch('/')
d2l.plt.legend(loc='upper right')
d2l.plt.savefig('test.png')

可以看到绝大部分句子都是在20个词以下的。

截断与填充

因为句子的长度不一样，所以我们需要做处理——如果小于给定的时间步长，就做填充，如果大于给定的时间步长就截断。

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>'])

批量读取数据

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

我们需要句子的实际长度，注意这个实际长度里实际上也包括了<eos>终止词。

返回data_iter

def load_data_nmt(batch_size, num_steps, num_examples=600):
    """返回翻译数据集的迭代器和词汇表。"""
    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
train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size=2, num_steps=8)

---

总结

以后遇到句子这种情况就按照这种方式一步步处理下来。