《动手学深度学习》笔记 Task02:文本预处理;语言模型;循环神经网络基础
一、文本预处理
主要内容:
1.文本预处理的解释
2.文本预处理的过程
3.现有分词工具
1.文本预处理的解释
文本是一类序列数据,一篇文章可以看作是字符或单词的序列,本节将介绍文本数据的常见预处理步骤,预处理通常包括四个步骤:
1.读入文本
2.分词
3.建立字典,将每个词映射到一个唯一的索引(index)
4.将文本从词的序列转换为索引的序列,方便输入模型
2.文本预处理的过程
2.1读入文本
我们用一部英文小说,即H. G. Well的Time Machine,作为示例,展示文本预处理的具体过程。
import collections import re def read_time_machine(): with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f: lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f] return lines lines = read_time_machine() print('# sentences %d' % len(lines))
out:
sentences 3221
2.2分词
我们对每个句子进行分词,也就是将一个句子划分成若干个词(token),转换为一个词的序列。
def tokenize(sentences, token='word'): """Split sentences into word or char tokens""" if token == 'word': return [sentence.split(' ') for sentence in sentences] elif token == 'char': return [list(sentence) for sentence in sentences] else: print('ERROR: unkown token type '+token) tokens = tokenize(lines) tokens[0:2]
out:
[[‘the’, ‘time’, ‘machine’, ‘by’, ‘h’, ‘g’, ‘wells’, ‘’], [’’]]
2.3建立字典
为了方便模型处理,我们需要将字符串转换为数字。因此我们需要先构建一个字典(vocabulary),将每个词映射到一个唯一的索引编号。
class Vocab(object): def __init__(self, tokens, min_freq=0, use_special_tokens=False): counter = count_corpus(tokens) # : self.token_freqs = list(counter.items()) self.idx_to_token = [] if use_special_tokens: # padding, begin of sentence, end of sentence, unknown self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3) self.idx_to_token += ['', '', '', ''] else: self.unk = 0 self.idx_to_token += [''] self.idx_to_token += [token for token, freq in self.token_freqs if freq >= min_freq and token not in self.idx_to_token] self.token_to_idx = dict() for idx, token in enumerate(self.idx_to_token): self.token_to_idx[token] = idx def __len__(self): return len(self.idx_to_token) def __getitem__(self, tokens): 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): if not isinstance(indices, (list, tuple)): return self.idx_to_token[indices] return [self.idx_to_token[index] for index in indices] def count_corpus(sentences): tokens = [tk for st in sentences for tk in st] return collections.Counter(tokens) # 返回一个字典,记录每个词的出现次数
我们看一个例子,这里我们尝试用Time Machine作为语料构建字典
vocab = Vocab(tokens) print(list(vocab.token_to_idx.items())[0:10])
out:
[(’’, 0), (‘the’, 1), (‘time’, 2), (‘machine’, 3), (‘by’, 4), (‘h’, 5), (‘g’, 6), (‘wells’, 7), (‘i’, 8), (‘traveller’, 9)]
2.3将词转为索引
使用字典,我们可以将原文本中的句子从单词序列转换为索引序列
for i in range(8, 10): print('words:', tokens[i]) print('indices:', vocab[tokens[i]])
out:
words: [‘the’, ‘time’, ‘traveller’, ‘for’, ‘so’, ‘it’, ‘will’, ‘be’, ‘convenient’, ‘to’, ‘speak’, ‘of’, ‘him’, ‘’]
indices: [1, 2, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 0]
words: [‘was’, ‘expounding’, ‘a’, ‘recondite’, ‘matter’, ‘to’, ‘us’, ‘his’, ‘grey’, ‘eyes’, ‘shone’, ‘and’]
indices: [20, 21, 22, 23, 24, 16, 25, 26, 27, 28, 29, 30]
3.现有分词工具
我们前面介绍的分词方式非常简单,它至少有以下几个缺点:
1.标点符号通常可以提供语义信息,但是我们的方法直接将其丢弃了
2.类似“shouldn’t", “doesn’t"这样的词会被错误地处理
3.类似"Mr.”, "Dr."这样的词会被错误地处理
我们可以通过引入更复杂的规则来解决这些问题,但是事实上,有一些现有的工具可以很好地进行分词,我们在这里简单介绍其中的两个:spaCy和NLTK。
代码讲解和帮助文档链接:添加链接描述
习题练习:
二、语言模型
主要内容:
1.语言模型的解释
2.n元语法
3.语言模型数据集的两种采样方法
1.语言模型的解释
2.n元语法
帮助理解n元语法的博客:添加链接描述
3.时序数据的采样
在训练中我们需要每次随机读取小批量样本和标签。与之前章节的实验数据不同的是,时序数据的一个样本通常包含连续的字符。假设时间步数为5,样本序列为5个字符,即“想”“要”“有”“直”“升”。该样本的标签序列为这些字符分别在训练集中的下一个字符,即“要”“有”“直”“升”“机”,即X=“想要有直升”,Y=“要有直升机”。
现在我们考虑序列“想要有直升机,想要和你飞到宇宙去”,如果时间步数为5,有以下可能的样本和标签:
可以看到,如果序列的长度为T,时间步数为n,那么一共有 T-n 个合法的样本,但是这些样本有大量的重合,我们通常采用更加高效的采样方式。我们有两种方式对时序数据进行采样,分别是随机采样和相邻采样。
3.1随机采样
在随机采样中,每个样本是原始序列上任意截取的一段序列,相邻的两个随机小批量在原始序列上的位置不一定相毗邻。
3.2相邻采样
在相邻采样中,相邻的两个随机小批量在原始序列上的位置相毗邻。
代码和帮助理解的文档链接:添加链接描述
习题练习:
三、循环神经网络基础
主要内容:
1.循环神经网络的介绍
2.循环神经网络的实现
1.循环神经网络的介绍
1.1循环神经网络的构造
1.2裁剪梯度
1.3困惑度
我们通常使用困惑度(perplexity)来评价语言模型的好坏。困惑度是对交叉熵损失函数做指数运算后得到的值。特别地,
1.最佳情况下,模型总是把标签类别的概率预测为1,此时困惑度为1;
2.最坏情况下,模型总是把标签类别的概率预测为0,此时困惑度为正无穷;
3.基线情况下,模型总是预测所有类别的概率都相同,此时困惑度为类别个数。
显然,任何一个有效模型的困惑度必须小于类别个数。在本例中,困惑度必须小于词典大小vocab_size。
2.循环神经网络的实现
代码和解释帮助文档:添加链接描述
习题练习:
参考资料
《动手学深度学习》中文版官网教材:添加链接描述
PyTorch中文文档:添加链接描述
- 点赞
- 收藏
- 分享
- 文章举报
- 《动手学深度学习》笔记 Task02:文本预处理;语言模型;循环神经网络基础
- Task02:学习笔记文本预处理;语言模型;循环神经网络基础
- ElitesAI·动手学深度学习PyTorch版学习笔记-文本预处理;语言模型;循环神经网络基础
- Task02:文本预处理;语言模型;循环神经网络基础
- 动手学深度学习 Task02:文本预处理;语言模型;循环神经网络基础
- Task02:文本预处理;语言模型;循环神经网络基础;
- 动手学深度学习(文本预处理+语言模型+循环神经网络基础)
- 02深度学习_文本预处理/语言模型/循环神经网络基础
- 文本预处理、语言模型、循环神经网络基础
- DL-Pytorch Task02:文本预处理;语言模型;循环神经网络基础
- 文本预处理、语言模型、循环神经网络基础 #d2l#
- 动手学深度学习(二)——文本预处理&语言模型&循环神经网络
- 《动手学深度学习》第二十四天---语言模型,循环神经网络
- tensorflow17《TensorFlow实战Google深度学习框架》笔记-08-02 使用循环神经网络实现语言模型 code
- 用tensorflow实现自然语言处理——基于循环神经网络的神经语言模型
- 深度学习基础模型算法原理及编程实现--06.循环神经网络
- 《动手学深度学习》笔记 Task03 过拟合、欠拟合及其解决方案;梯度消失、梯度爆炸;循环神经网络进阶
- 84、循环神经网络实现语言模型
- 自然语言期末复习笔记—神经网络语言模型NPLM
- 使用TensorFlow训练循环神经网络语言模型