文本预处理
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:
- 读入文本
- 分词
- 建立字典,将每个词映射到一个唯一的索引(index)
- 将文本从词的序列转换为索引的序列,方便输入模型
语言模型与数据集
介绍了n元语法,并介绍了语言模型数据集的两种采样方法。
1、随机采样¶
下面的代码每次从数据里随机采样一个小批量。其中批量大小batch_size
是每个小批量的样本数,num_steps
是每个样本所包含的时间步数。 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。
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。
循环神经网络
基于循环神经网络的语言模型