在數(shù)據(jù)處理的時(shí)候文本數(shù)據(jù)處理是一件比較麻煩的事情，如果使用手工方式去進(jìn)行處理的話會浪費(fèi)很多人力。在pytorch中有一個(gè)torchtext工具，可以很方便快速的進(jìn)行torchtext進(jìn)行數(shù)據(jù)處理，那么torchtext怎么進(jìn)行文本數(shù)據(jù)處理呢？接下來這篇文章告訴你。
前言
用深度學(xué)習(xí)做nlp也有一段時(shí)間了，熟悉這塊內(nèi)容的同學(xué)都知道，實(shí)踐算法的時(shí)候，寫模型是個(gè)簡單的事，最麻煩的是數(shù)據(jù)處理，數(shù)據(jù)處理不僅會浪費(fèi)我們大部分時(shí)間，而且會消耗很大的計(jì)算資源，浪費(fèi)人力物力。
今年開始接觸pytorch，簡潔的API，動(dòng)態(tài)圖，更加靈活的編寫模式，諸多優(yōu)點(diǎn)不用多說。
最近嘗試使用torchtext工具，這里想先說明的是，torchtext并不是pytorch所獨(dú)有的，使用其它深度學(xué)習(xí)框架，torchtext仍然可以使用。
但是比較麻煩的是，并沒有很好很全面的torchtext教程，給同學(xué)們?nèi)腴T造成了一定麻煩，這也是我寫這篇文章的目的。
首先整體介紹一下torchtext的組件
torchtext包含以下組件：
Field :主要包含以下數(shù)據(jù)預(yù)處理的配置信息，比如指定分詞方法，是否轉(zhuǎn)成小寫，起始字符，結(jié)束字符，補(bǔ)全字符以及詞典等等
Dataset :繼承自pytorch的Dataset，用于加載數(shù)據(jù)，提供了TabularDataset可以指點(diǎn)路徑，格式，F(xiàn)ield信息就可以方便的完成數(shù)據(jù)加載。同時(shí)torchtext還提供預(yù)先構(gòu)建的常用數(shù)據(jù)集的Dataset對象，可以直接加載使用，splits方法可以同時(shí)加載訓(xùn)練集，驗(yàn)證集和測試集。
Iterator : 主要是數(shù)據(jù)輸出的模型的迭代器，可以支持batch定制
1. Field
Field 包含一寫文本處理的通用參數(shù)的設(shè)置，同時(shí)還包含一個(gè)詞典對象，可以把文本數(shù)據(jù)表示成數(shù)字類型，進(jìn)而可以把文本表示成需要的tensor類型
以下是Field對象包含的參數(shù)：
sequential: 是否把數(shù)據(jù)表示成序列，如果是False, 不能使用分詞 默認(rèn)值: True.
use_vocab: 是否使用詞典對象. 如果是False 數(shù)據(jù)的類型必須已經(jīng)是數(shù)值類型. 默認(rèn)值: True.
init_token: 每一條數(shù)據(jù)的起始字符 默認(rèn)值: None.
eos_token: 每條數(shù)據(jù)的結(jié)尾字符 默認(rèn)值: None.
fix_length: 修改每條數(shù)據(jù)的長度為該值，不夠的用pad_token補(bǔ)全. 默認(rèn)值: None.
tensor_type: 把數(shù)據(jù)轉(zhuǎn)換成的tensor類型 默認(rèn)值: torch.LongTensor.
preprocessing:在分詞之后和數(shù)值化之前使用的管道 默認(rèn)值: None.
postprocessing: 數(shù)值化之后和轉(zhuǎn)化成tensor之前使用的管道默認(rèn)值: None.
lower: 是否把數(shù)據(jù)轉(zhuǎn)化為小寫 默認(rèn)值: False.
tokenize: 分詞函數(shù). 默認(rèn)值: str.split.
include_lengths: 是否返回一個(gè)已經(jīng)補(bǔ)全的最小batch的元組和和一個(gè)包含每條數(shù)據(jù)長度的列表 . 默認(rèn)值: False.
batch_first: Whether to produce tensors with the batch dimension first. 默認(rèn)值: False.
pad_token: 用于補(bǔ)全的字符. 默認(rèn)值: "<pad>".
unk_token: 不存在詞典里的字符. 默認(rèn)值: "<unk>".
pad_first: 是否補(bǔ)全第一個(gè)字符. 默認(rèn)值: False.
重要的幾個(gè)方法：
pad(minibatch): 在一個(gè)batch對齊每條數(shù)據(jù)
build_vocab(): 建立詞典
numericalize(): 把文本數(shù)據(jù)數(shù)值化，返回tensor
簡單的栗子如下，建一個(gè)Field對象
TEXT = data.Field(tokenize=data.get_tokenizer('spacy'),
init_token='<SOS>', eos_token='<EOS>',lower=True)2.Dataset
torchtext的Dataset是繼承自pytorch的Dataset，提供了一個(gè)可以下載壓縮數(shù)據(jù)并解壓的方法（支持.zip, .gz, .tgz）
splits方法可以同時(shí)讀取訓(xùn)練集，驗(yàn)證集，測試集
TabularDataset可以很方便的讀取CSV, TSV, or JSON格式的文件，例子如下：
train, val, test = data.TabularDataset.splits(
path='./data/', train='train.tsv',
validation='val.tsv', test='test.tsv', format='tsv',
fields=[('Text', TEXT), ('Label', LABEL)])
加載數(shù)據(jù)后可以建立詞典，建立詞典的時(shí)候可以使用與訓(xùn)練的word vector
TEXT.build_vocab(train, vectors="glove.6B.100d")3. Iterator
Iterator是torchtext到模型的輸出，它提供了我們對數(shù)據(jù)的一般處理方式，比如打亂，排序，等等，可以動(dòng)態(tài)修改batch大小，這里也有splits方法 可以同時(shí)輸出訓(xùn)練集，驗(yàn)證集，測試集
參數(shù)如下：
dataset: 加載的數(shù)據(jù)集
batch_size: Batch 大小.
batch_size_fn: 產(chǎn)生動(dòng)態(tài)的batch大小 的函數(shù)
sort_key: 排序的key
train: 是否是一個(gè)訓(xùn)練集
repeat: 是否在不同epoch中重復(fù)迭代
shuffle: 是否打亂數(shù)據(jù)
sort: 是否對數(shù)據(jù)進(jìn)行排序
sort_within_batch: batch內(nèi)部是否排序
device: 建立batch的設(shè)備 -1:CPU ；0,1 ...：對應(yīng)的GPU
使用方式如下：
train_iter, val_iter, test_iter = data.Iterator.splits(
(train, val, test), sort_key=lambda x: len(x.Text),
batch_sizes=(32, 256, 256), device=-1)4.其他
torchtext提供常用文本數(shù)據(jù)集，并可以直接加載使用：
train,val,test = datasets.WikiText2.splits(text_field=TEXT)
現(xiàn)在包含的數(shù)據(jù)集包括：
Sentiment analysis: SST and IMDb
Question classification: TREC
Entailment: SNLI
Language modeling: WikiText-2
Machine translation: Multi30k, IWSLT, WMT14完整例子如下，短短幾行就把詞典和數(shù)據(jù)batch做好了。
import spacy
import torch
from torchtext import data, datasets
spacy_en = spacy.load('en')
def tokenizer(text): # create a tokenizer function
return [tok.text for tok in spacy_en.tokenizer(text)]
TEXT = data.Field(sequential=True, tokenize=tokenizer, lower=True, fix_length=150)
LABEL = data.Field(sequential=False, use_vocab=False)
train, val, test = data.TabularDataset.splits(
path='./data/', train='train.tsv',
validation='val.tsv', test='test.tsv', format='tsv',
fields=[('Text', TEXT), ('Label', LABEL)])
TEXT.build_vocab(train, vectors="glove.6B.100d")
train_iter, val_iter, test_iter = data.Iterator.splits(
(train, val, test), sort_key=lambda x: len(x.Text),
batch_sizes=(32, 256, 256), device=-1)
vocab = TEXT.vocab
補(bǔ)充：使用TorchText處理我們自己的數(shù)據(jù)集
TorchText可以讀取三種數(shù)據(jù)格式:json, tsv (tab separated values 制表分隔值)和csv(comma separated values 逗號分隔值)。
處理JSON數(shù)據(jù)
從json開始，你的數(shù)據(jù)必須是json行格式，也就是說，它必須是這樣的:
{"name": "John", "location": "United Kingdom", "age": 42, "quote": ["i", "love", "the", "united kingdom"]}
{"name": "Mary", "location": "United States", "age": 36, "quote": ["i", "want", "more", "telescopes"]}
也就是說，每一行都是一個(gè)json對象。data/trian.json為例。
然后我們定義字段：
from torchtext import data
from torchtext import datasets
NAME = data.Field()
SAYING = data.Field()
PLACE = data.Field()
接下來，我們必須告訴TorchText哪個(gè)字段應(yīng)用于json對象的哪個(gè)元素。
對于json數(shù)據(jù)，我們必須創(chuàng)建一個(gè)字典:
鍵與json對象的鍵匹配
值為元組，其中:
第一個(gè)元素成為batch對象的屬性名
第二個(gè)元素是字段的名稱
一些注意事項(xiàng)：
fields字典中鍵的順序并不重要，只要它的鍵與json數(shù)據(jù)鍵匹配即可。
字段名不必與json對象中的鍵匹配，例如，我們使用PLACE來表示“l(fā)ocation”字段。
當(dāng)處理json數(shù)據(jù)時(shí)，并不是所有的鍵都必須使用，例如，我們沒有使用“age”字段。
同樣，如果json字段的值是一個(gè)字符串，那么將應(yīng)用字段標(biāo)記化(默認(rèn)情況下是將字符串按空格分隔)，然而，如果值是一個(gè)列表，則不應(yīng)用標(biāo)記化。通常情況下，將數(shù)據(jù)標(biāo)記為一個(gè)列表是一個(gè)好主意，這節(jié)省了時(shí)間，因?yàn)槟槐氐却齌orchText來做這件事。
json字段的值不必是相同的類型。有些例子的“引號”可以是字符串，有些則是列表。標(biāo)記化將只應(yīng)用于那些以“引號”表示字符串的字符串。
如果你正在使用一個(gè)json字段，每個(gè)例子必須有一個(gè)該字段的實(shí)例，例如在這個(gè)例子中所有的例子必須有一個(gè)name，location和quote。但是，由于我們沒有使用age字段，因此示例中沒有age字段也沒有關(guān)系。
fields = {'name': ('n', NAME), 'location': ('p', PLACE), 'quote': ('s', SAYING)}現(xiàn)在，在訓(xùn)練循環(huán)中，我們可以通過數(shù)據(jù)迭代器進(jìn)行迭代并且通過batch.n訪問name，通過batch.p訪問location，通過batch.s訪問quote。
然后我們使用TabularDataset.splits函數(shù)創(chuàng)建我們的數(shù)據(jù)集（train_data和test_data）
path參數(shù)指定兩個(gè)數(shù)據(jù)集中共同的頂級文件夾，train和test參數(shù)指定每個(gè)數(shù)據(jù)集的文件名，例如，這里的train數(shù)據(jù)集位于data/train.json。
我們告訴函數(shù)我們正在使用json數(shù)據(jù)，并將前面定義的fields字典傳遞給它。
train_data, test_data = data.TabularDataset.splits(
path = 'data',
train = 'train.json',
test = 'test.json',
format = 'json',
fields = fields
)如果已經(jīng)有驗(yàn)證數(shù)據(jù)集，則可以將其路徑作為validation 參數(shù)傳遞。
train_data, valid_data, test_data = data.TabularDataset.splits(
path = 'data',
train = 'train.json',
validation = 'valid.json',
test = 'test.json',
format = 'json',
fields = fields
)然后，我們可以查看一個(gè)示例，以確保它已經(jīng)正確地工作。
請注意字段名(n、p和s)是如何與fields字典中定義的內(nèi)容匹配的。
還請注意p中的單詞“United Kingdom”是如何被標(biāo)記化分開的，而s中的“United Kingdom”則沒有。這是由于前面提到的原因，TorchText假設(shè)任何作為列表的json字段都已經(jīng)被標(biāo)記化了，并且不再應(yīng)用進(jìn)一步的標(biāo)記化。
print(vars(train_data[0]))
{'n': ['John'], 'p': ['United', 'Kingdom'], 's': ['i', 'love', 'the', 'united kingdom']}
現(xiàn)在我們可以使用train_data、test_data和valid_data來構(gòu)建詞匯表并創(chuàng)建迭代器。我們可以使用batch.n, batch.p and batch.s訪問分別表示names、places和sayings的所有屬性。
處理CSV/TSV數(shù)據(jù)
csv和tsv非常相似，只是csv的元素用逗號分隔，而tsv用制表符分隔。
用上面的例子，我們的tsv數(shù)據(jù)將會是:
name location age quote
John United Kingdom 42 i love the united kingdom
Mary United States 36 i want more telescopes也就是說，每一行的元素都由制表符分隔，每行有一個(gè)示例。第一行通常是標(biāo)題(即每個(gè)列的名稱)，但你的數(shù)據(jù)也可能沒有標(biāo)題。
tsv或csv數(shù)據(jù)中不能有列表。
字段的定義方式與json稍有不同?，F(xiàn)在我們使用一個(gè)元組列表，其中每個(gè)元素也是一個(gè)元組。這些內(nèi)部元組的第一個(gè)元素將成為batch對象的屬性名，第二個(gè)元素是字段名。
與json數(shù)據(jù)不同，元組必須與tsv數(shù)據(jù)中的順序相同。因此，當(dāng)跳過一列數(shù)據(jù)時(shí)，需要使用一個(gè)none元組，如果沒有，那么我們的SAYING字段將應(yīng)用到tsv數(shù)據(jù)的age列，而quote列將不會被使用。
但是，如果您只想使用name和age列，您可以只使用兩個(gè)元組，因?yàn)樗鼈兪乔皟蓚€(gè)列。
我們更改TabularDataset以讀取正確的.tsv文件，并將format參數(shù)更改為'tsv'。
如果你的數(shù)據(jù)有一個(gè)標(biāo)題頭，我們的數(shù)據(jù)就有，它必須通過傳遞skip_header = True來跳過。如果沒有，TorchText會認(rèn)為頭部是一個(gè)例子。默認(rèn)情況下，skip_header為False。
fields = [('n', NAME), ('p', PLACE), (None, None), ('s', SAYING)]train_data, valid_data, test_data = data.TabularDataset.splits(
path = 'data',
train = 'train.tsv',
validation = 'valid.tsv',
test = 'test.tsv',
format = 'tsv',
fields = fields,
skip_header = True
)print(vars(train_data[0]))
{'n': ['John'], 'p': ['United', 'Kingdom'], 's': ['i', 'love', 'the', 'united', 'kingdom']}
最后，我們將討論csv文件。
這與tsv文件幾乎完全相同，只是格式參數(shù)設(shè)置為“csv”。
fields = [('n', NAME), ('p', PLACE), (None, None), ('s', SAYING)]
train_data, valid_data, test_data = data.TabularDataset.splits(
path = 'data',
train = 'train.csv',
validation = 'valid.csv',
test = 'test.csv',
format = 'csv',
fields = fields,
skip_header = True
)
print(vars(train_data[0]))
{'n': ['John'], 'p': ['United', 'Kingdom'], 's': ['i', 'love', 'the', 'united', 'kingdom']}
為什么JSON好于CSV/TSV？
csv或tsv數(shù)據(jù)無法存儲列表。這意味著數(shù)據(jù)不能被標(biāo)記化，因此每次運(yùn)行通過TorchText讀取數(shù)據(jù)的Python腳本時(shí)，數(shù)據(jù)都必須被標(biāo)記化。使用高級的標(biāo)記器，如spaCy標(biāo)記器，需要不可忽略的大量時(shí)間。因此，最好是對數(shù)據(jù)集進(jìn)行標(biāo)記并以json行格式存儲它們。
如果tsv數(shù)據(jù)中出現(xiàn)制表符，或csv數(shù)據(jù)中出現(xiàn)逗號，TorchText會認(rèn)為它們是列之間的分隔符。這將導(dǎo)致數(shù)據(jù)被錯(cuò)誤地解析。最糟糕的是，TorchText不會提醒你這一點(diǎn)，因?yàn)樗鼰o法分辨字段中的制表符/逗號和作為分隔符的制表符/逗號之間的區(qū)別。由于json數(shù)據(jù)本質(zhì)上是一個(gè)字典，您可以通過它的鍵訪問字段中的數(shù)據(jù)，所以不必?fù)?dān)心“surprise”分隔符。
迭代器
使用上面的任何數(shù)據(jù)集，我們就可以構(gòu)建詞匯表并創(chuàng)建迭代器。
NAME.build_vocab(train_data) SAYING.build_vocab(train_data) PLACE.build_vocab(train_data)
然后，我們可以在定義批處理大小和設(shè)備后，創(chuàng)建迭代器。
默認(rèn)情況下，訓(xùn)練數(shù)據(jù)在每個(gè)epoch進(jìn)行洗牌，但驗(yàn)證/測試數(shù)據(jù)是排序的。然而，TorchText不知道該用什么來排序我們的數(shù)據(jù)，如果我們不告訴它，它就會拋出錯(cuò)誤。
有兩種方法來處理這個(gè)問題，你可以通過傳遞sort = False來告訴迭代器不要對驗(yàn)證/測試數(shù)據(jù)進(jìn)行排序，或者你可以通過傳遞sort_key來告訴迭代器如何對數(shù)據(jù)進(jìn)行排序。sort key是一個(gè)函數(shù)，它返回一個(gè)用于對數(shù)據(jù)進(jìn)行排序的鍵。例如，lambda x: x.s將根據(jù)它們的s屬性(即它們的quote)對示例進(jìn)行排序。理想情況下，您希望使用sort key，因?yàn)锽ucketIterator將能夠?qū)κ纠M(jìn)行排序，然后最小化每個(gè)批處理中的填充量。
然后，我們可以遍歷迭代器來獲得批量數(shù)據(jù)。注意，默認(rèn)情況下TorchText的批處理維度是在第二維。
import torch
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
BATCH_SIZE = 1
train_iterator, valid_iterator, test_iterator = data.BucketIterator.splits(
(train_data, valid_data, test_data),
sort = False, #don't sort test/validation data
batch_size=BATCH_SIZE,
device=device)
train_iterator, valid_iterator, test_iterator = data.BucketIterator.splits(
(train_data, valid_data, test_data),
sort_key = lambda x: x.s, #sort by s attribute (quote)
batch_size=BATCH_SIZE,
device=device)
print('Train:')
for batch in train_iterator:
print(batch)
print('Valid:')
for batch in valid_iterator:
print(batch)
print('Test:')
for batch in test_iterator:
print(batch)
Train: [torchtext.data.batch.Batch of size 1] [.n]:[torch.cuda.LongTensor of size 1x1 (GPU 0)] [.p]:[torch.cuda.LongTensor of size 2x1 (GPU 0)] [.s]:[torch.cuda.LongTensor of size 5x1 (GPU 0)] [torchtext.data.batch.Batch of size 1] [.n]:[torch.cuda.LongTensor of size 1x1 (GPU 0)] [.p]:[torch.cuda.LongTensor of size 2x1 (GPU 0)] [.s]:[torch.cuda.LongTensor of size 4x1 (GPU 0)] Valid: [torchtext.data.batch.Batch of size 1] [.n]:[torch.cuda.LongTensor of size 1x1 (GPU 0)] [.p]:[torch.cuda.LongTensor of size 1x1 (GPU 0)] [.s]:[torch.cuda.LongTensor of size 2x1 (GPU 0)] [torchtext.data.batch.Batch of size 1] [.n]:[torch.cuda.LongTensor of size 1x1 (GPU 0)] [.p]:[torch.cuda.LongTensor of size 1x1 (GPU 0)] [.s]:[torch.cuda.LongTensor of size 4x1 (GPU 0)] Test: [torchtext.data.batch.Batch of size 1] [.n]:[torch.cuda.LongTensor of size 1x1 (GPU 0)] [.p]:[torch.cuda.LongTensor of size 1x1 (GPU 0)] [.s]:[torch.cuda.LongTensor of size 3x1 (GPU 0)] [torchtext.data.batch.Batch of size 1] [.n]:[torch.cuda.LongTensor of size 1x1 (GPU 0)] [.p]:[torch.cuda.LongTensor of size 2x1 (GPU 0)] [.s]:[torch.cuda.LongTensor of size 3x1 (GPU 0)]
以上就是torchtext怎么進(jìn)行文本數(shù)據(jù)處理的全部內(nèi)容，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。
