d2l机器翻译数据集

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=['', '', ''])
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[''])

'''
[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['']] for l in lines]
    array = torch.tensor([truncate_pad(
        l, num_steps, vocab['']) for l in lines])
    valid_len = (array != vocab['']).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=['', '', ''])
    tgt_vocab = d2l.Vocab(target, min_freq=2,
    reserved_tokens=['', '', ''])
    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])
'''