tensorflow之路-如何处理原始文本数据

写这个系列的初衷在于，现在关于tensorflow的教程还是太少了，有也都是歪果仁写的。比如以下几个：
TensorFlow-Examples
tensorflow_tutorials
TensorFlow-Tutorials
Tensorflow-101
个人感觉这些教程对于新手来说讲解的并不细致，几乎都是作者写好了代码放到ipython notebook上，大家下载到本地run一run，很开心地得到结果，实际并不明白为什么要这么搭建，每一步得到什么样的结果。或者自己很想弄懂这些牛人的代码，但是官方的api文档对于入门来说还不够友好，看了文档也不太清楚，这时候十分渴望有人来指导一把。
因此我就萌生了写一个”手把手&零门槛的tensorflow中文教程”的想法。希望更多的人能了解deep learning和tensorflow，大家多多提意见，多多交流！
今天来解读的代码还是基于CNN来实现文本分类，这个问题很重要的一步是原始数据的读取和预处理，详细代码参看
(1) load data and labels
实验用到的数据是烂番茄上的moview reviews，先看看提供的数据长什么样
sorry, 图片缺失
可以看到，每一行是一条review，数据进行过初步的处理，但是类似于”doesn’t/it’s”这种并没有进行分割。后面会讲到这个问题。

def load_data_and_labels():
    """
    Loads MR polarity data from files, splits the data into words and generates labels.
    Returns split sentences and labels.
    """
    # Load data from files
    positive_examples = list(open("./data/rt-polaritydata/rt-polarity.pos", "r").readlines())
    positive_examples = [s.strip() for s in positive_examples]
    negative_examples = list(open("./data/rt-polaritydata/rt-polarity.neg", "r").readlines())
    negative_examples = [s.strip() for s in negative_examples]
    # Split by words
    x_text = positive_examples + negative_examples
    x_text = [clean_str(sent) for sent in x_text]
    x_text = [s.split(" ") for s in x_text]
    # Generate labels
    positive_labels = [[0, 1] for _ in positive_examples]
    negative_labels = [[1, 0] for _ in negative_examples]
    y = np.concatenate([positive_labels, negative_labels], 0)
    return [x_text, y]

这个函数的作用是从文件中加载positive和negative数据，将它们组合在一起，并对每个句子都进行分词，因此x_text是一个二维列表，存储了每个review的每个word；它们对应的labels也组合在一起，由于labels实际对应的是二分类输出层的两个神经元，因此用one-hot编码成0/1和1/0，然后返回y。
其中，f.readlines()的返回值就是一个list，每个元素都是一行文本（str类型，结尾带有”\n”），因此其实不需要在外层再转换成list()
用s.strip()函数去掉每个sentence结尾的换行符和空白符。
去除了换行符之后，由于刚才提到的问题，每个sentence还需要做一些操作（具体在clean_str()函数中），将标点符号和缩写等都分割开来。英文str最简洁的分词方式就是按空格split，因此我们只需要将各个需要分割的部位都加上空格，然后对整个str调用split(“ “)函数即可完成分词。
labels的生成也类似。

(2) padding sentence

def pad_sentences(sentences, padding_word="<PAD/>"):
    """
    Pads all sentences to the same length. The length is defined by the longest sentence.
    Returns padded sentences.
    """
    sequence_length = max(len(x) for x in sentences)
    padded_sentences = []
    for i in range(len(sentences)):
        sentence = sentences[i]
        num_padding = sequence_length - len(sentence)
        new_sentence = sentence + [padding_word] * num_padding
        padded_sentences.append(new_sentence)
    return padded_sentences

为什么要对sentence进行padding？
因为TextCNN模型中的input_x对应的是tf.placeholder，是一个tensor，shape已经固定好了，比如[batch, sequence_len]，就不可能对tensor的每一行都有不同的长度，因此需要找到整个dataset中最长的sentence的长度，然后在不足长度的句子的末尾加上padding words，以保证input sentence的长度一致。

由于在load_data函数中，得到的是一个二维列表来存储每个sentence数据，因此padding_sentences之后，仍以这样的形式返回。只不过每个句子列表的末尾可能添加了padding word。

(3) build vocabulary

def build_vocab(sentences):
    """
    Builds a vocabulary mapping from word to index based on the sentences.
    Returns vocabulary mapping and inverse vocabulary mapping.
    """
    # Build vocabulary
    word_counts = Counter(itertools.chain(*sentences))
    # Mapping from index to word
    vocabulary_inv = [x[0] for x in word_counts.most_common()]
    vocabulary_inv = list(sorted(vocabulary_inv))
    # Mapping from word to index
    vocabulary = {x: i for i, x in enumerate(vocabulary_inv)}
    return [vocabulary, vocabulary_inv]

我们知道，collections模块中的Counter可以实现词频的统计，例如：

import collections
sentence = ["i", "love", "mom", "mom", "loves", "me"]
collections.Counter(sentence)
>>> Counter({'i': 1, 'love': 1, 'loves': 1, 'me': 1, 'mom': 2})

Counter接受的参数是iterable，但是现在有多个句子列表，如何将多个sentence word list中的所有word由一个高效的迭代器生成呢？
这就用到了itertools.chain(*iterables)，具体用法参考这里

将多个迭代器作为参数, 但只返回单个迭代器, 它产生所有参数迭代器的内容, 就好像他们是来自于一个单一的序列.

由此可以得到整个数据集上的词频统计，word_counts。
但是要建立字典vocabulary，就需要从word_counts中提取出每个pair的第一个元素也就是word（相当于Counter在这里做了一个去重的工作），不需要根据词频建立vocabulary，而是根据word的字典序，所以对vocabulary进行一个sorted，就得到了字典顺序的word list。首字母小的排在前面。
再建立一个dict，存储每个word对应的index，也就是vocabulary变量。

(4) build input data

def build_input_data(sentences, labels, vocabulary):
    """
    Maps sentencs and labels to vectors based on a vocabulary.
    """
    x = np.array([[vocabulary[word] for word in sentence] for sentence in sentences])
    y = np.array(labels)
    return [x, y]

由上面两个函数我们得到了所有sentences分词后的二维列表，sentences对应的labels，还有查询每个word对应index的vocabulary字典。
但是！！想一想，当前的sentences中存储的是一个个word字符串，数据量大时很占内存，因此，最好存储word对应的index，index是int，占用空间就小了。
因此就利用到刚生成的vocabulary，对sentences的二维列表中每个word进行查询，生成一个word index构成的二维列表。最后将这个二维列表转化成numpy中的二维array。
对应的lables因为已经是0,1的二维列表了，直接可以转成array。
转成array后，就能直接作为cnn的input和labels使用了。

(5) load data

def load_data():
    """
    Loads and preprocessed data for the MR dataset.
    Returns input vectors, labels, vocabulary, and inverse vocabulary.
    """
    # Load and preprocess data
    sentences, labels = load_data_and_labels()
    sentences_padded = pad_sentences(sentences)
    vocabulary, vocabulary_inv = build_vocab(sentences_padded)
    x, y = build_input_data(sentences_padded, labels, vocabulary)
    return [x, y, vocabulary, vocabulary_inv]

最后整合上面的各部分处理函数，

1.首先从文本文件中加载原始数据，一开始以sentence形式暂存在list中，然后对每个sentence进行clean_str，并且分词，得到word为基本单位的二维列表sentences，labels对应[0,1]和[1,0]
2.找到sentence的最大长度，对于长度不足的句子进行padding
3.根据数据建立词汇表，按照字典序返回，且得到每个word对应的index。
4.将str类型的二维列表sentences，转成以int为类型的sentences，并返回二维的numpy array作为模型的input和labels供后续使用。
(6) generate batch

def batch_iter(data, batch_size, num_epochs, shuffle=True):
    """
    Generates a batch iterator for a dataset.
    """
    data = np.array(data)
    data_size = len(data)
    num_batches_per_epoch = int(len(data)/batch_size) + 1
    for epoch in range(num_epochs):
        # Shuffle the data at each epoch
        if shuffle:
            shuffle_indices = np.random.permutation(np.arange(data_size))
            shuffled_data = data[shuffle_indices]
        else:
            shuffled_data = data
        for batch_num in range(num_batches_per_epoch):
            start_index = batch_num * batch_size
            end_index = min((batch_num + 1) * batch_size, data_size)
            yield shuffled_data[start_index:end_index]

这个函数的作用是在整个训练时，定义一个batches = batch_iter(…)，整个训练过程中就只需要for循环这个batches即可对每一个batch数据进行操作了。