【Pytorch】torchtext的简单使用

自然语言处理的数据预处理过程主要包括如下步骤：
（1）文本数据集的划分（训练集、验证集和测试集）；
（2）文本数据的导入；
（3）分词；
（4）词汇表的构建；
（5）文本数据对于词汇表的编码和映射；
（6）词向量的生成；
（7）批文本数据的生成。

torchtext是一个高效、有力的文本预处理库（其对NLP的作用类似于torchvision之于CV），提供了涵盖上述诸步骤的一站式文本预处理功能。其预处理结果不仅可用于pytorch，也可用于其他框架的使用。

torchtext的整体处理流程如上图所示，其主要的类对象包括：
（1）DataSet， 作用类似于torch.utils.data.DataSet，提供了完整的数据载入和切片功能；
（2）Example，为DataSet的一个文本数据，其可有text和对应的label构成；
（3）Field，定义了文本处理的配置信息；
（4）Vocab，记录了文本中涉及的词汇表单
（5）Vector，词向量
（6）Iterator，作用类似于torch.unitls.data.DataLoader，为一个迭代器，每次迭代记录了一个batch的文本数据
（7）Pipeline，将各子功能模块进行连接的管道工具。

用torchtext来处理文本的的一般流程归纳如下：
（1）定义Field对象，配置文本处理（包括text和label）的分词、停用词、文本长度、填充词、未知词等一系列工具；
（2）定义DataSets对象，加载原始语料（字符串数据），利用参数fields设置相关预处理工具，并利用splits实现各数据集的划分，划分结果中为一个个的Example对象；
（3）利用Field.build_vocab创建词汇表对象Vocab；
（4）定义Iteator对象，实现对DataSets对象的封装，返回可迭代的批量化文本向量数据，供下游NLP任务使用。

下面通过一个例子，来简单实践下上述的基本流程：

步骤一：准备好合适的原始语料
这里通过将文本存为csv格式，方便后续的处理。csv主要包括两个字段，texts为文本，label为文本分类。对于不同的NLP任务，需要定义不同的字段和原始语料格式。

import pandas as pd
def raw_corpus():
	# 进行一些语料的清洗和预处理工作
	corpus = pd.DataFrame({'text':texts, 'label':label})
	corpus.to_csv('corpus.csv', index=False, sep='\t')   # 注意这里的sep符号，后面要用到

步骤二：定义分词工具、停用词等，然后配置Field对象，进行数据集的划分和词汇表生成

from torch.text import data
import jieba

# 定义分词工具
def tokenizer(text):    
    return [wd for wd in jieba.cut(text, cut_all=False)]

# 定义停用词表
stopwords = open('stopwords', encoding='utf-8').read().strip().split('\n')

#　定义text和label的Field对象，相关参数说明见下
TEXT = data.Field(sequential=True, use_vocab=True, fix_length=20, tokenize=tokenizer, stop_words=stopwords, batch_first=True)
LABEL = data.Field(sequential=False, use_vocab=False)

#　划分数据集，相关参数说明见下
train, val = data.TabularDataset.splits(
path='./data', train='train_corpus.csv',validation='valid_corpus.csv',format='csv', 
skip_header=True, csv_reader_params={'delimiter': '\t'},fields =[('text',TEXT),('label',LABEL)] )

# 根据训练数据，生成词汇表
TEXT.build_vocab(train)

上面用到了两个重要对象Field和TabularDataset，Field对象前文已提及用于定义文本预处理的配置，可将语料一站式生成张量；而TabularDataset是前文DataSet对象的子类，专门用于处理表格类型原始语料（如json、csv和tsv）的加载。下面分别进行介绍：

1） Field对象，其主要参数配置包括：

• sequential：是否将文本数据表示为序列，默认True；对于分类label，需设置为False；
• use_vocab：是否基于文本数据创建词汇表，默认True；对于分类label，需设置为False；
• init_token：每段文本的起始字符<SOS>，默认None，即不设置；
• eos_token：每段文本的终止字符<EOS>，默认None，即不设置；
• fix_length：是否固定文本长度，默认None；若设为某个int，则对长于该参数的文本进行句末截断操作，对短于该参数的文本进行pad操作，pad的方向和字符参照参数pad_first和pad_token；
• pad_first：从头开始pad，默认False
• pad_token：pad所采用的字符，默认值为"<pad>"
• unk_token：未知分词（适用于验证集和测试集）所采用的字符，默认值为"<unk>"
• tokenizer：分词函数对象，默认值str.split
• include_lengths：是否返回每段文本的长度值，默认值False
• lower: 是否需要把数据转化为小写，适用于英文的NLP任务，默认值False
• batch_first：控制返回的文本张量中batch的维度，默认Fasle，需结合下游网络进行配置，也可不用设置该参数，在下游任务中通过张量的维度转换实现
• tensor_type：定义文本数据最终返回的tensor类型 默认值torch.LongTensor
• preprocessing：在分词之后和数值化之前使用的管道处理对象，默认值None
• postprocessing: 数值化之后和转化成tensor之前使用的管道处理对象，默认值None

Field对象可实现如下重要方法：

• pad(minibatch)：将batch中的文本数据进行填充对齐；
• build_vocab(): 建立词典
• numericalize(): 把文本数据数值化，返回tensor

2） TabularDataset对象，其利用splits函数进行语料的划分和Field处理，主要参数配置包括：

• path: 语料路径文件夹
• train: 训练数据文件名
• validation: 验证数据文件名
• test: 测试数据文件名
• fields: 对于label和text等配置的Field对象，是一个列表对象，列表对象中每一个为（别名，Field对象）元组，其中别名在迭代器的迭代中会用到

步骤三：创建数据迭代器Iterator，并通过splits函数进行划分

train_iter, val_iter = data.Iterator.splits((train, val), batch_sizes=(10, 5), device="cuda", 
sort_key=lambda x:len(x.text),sort_within_batch=False, repeat=False)                                          

其中的重要参数设置包括：

• datasets: 即为上述各Dataset对象构成的元组；
• batch_sizes：各Dataset对象对象的batch尺寸元组；
• device：将数据移入cpu或gpu硬件中；
• sort_key：将数据排序的参照函数，以方便pad操作
• sort_within_batch：各batch是否需要排序；
• repeat：是否需要重复多个epoch

步骤四：将各batch数据导入下游任务中

for epoch in range(3):
	for batch in train_iter:
		feature, target = batch.text, batch.label  # 这里的text和label即为TabularDataset.splits中feild参数里的别名
		#　后续任务

由上可见，torchtext可以提高文本数据预处理的效率和封装性，值得一试。

【Reference】

1. 官方手册
2. 源码
3. torchtext入门教程