# 该代码主要是为了讲解介绍Dataloader的工作机制
from torch.utils import data
# 任何Dataset数据类的子类,并重写相关的函数
class NerDataset(data.Dataset):
# 将需要的参数进行初始化
def __init__(self, examples, tokenizer, label_map, max_seq_length):
self.examples=examples
self.tokenizer=tokenizer
self.label_map=label_map
self.max_seq_length=max_seq_length
# 该函数是为了计算样本的数量,其意义在于保证__getitem__()的参数inx的取值范围在(0, len)之间
def __len__(self):
return len(self.examples)
# 迭代传入__getitem__()索引,并返回相应的内容
def __getitem__(self, idx):
feat=example2feature(self.examples[idx], self.tokenizer, self.label_map, max_seq_length)
return feat.input_ids, feat.input_mask, feat.segment_ids, feat.predict_mask, feat.label_ids
# classmethod修饰符的函数不需要实例化,不需要 self 参数。第一个参数cls表示自身类,用于调用类的属性、类的方法、实例化对象等(如cls.tokenizer)。
# 此函数的第二个参数batch,即是__getitem__()迭代batch_size次的返回结果来作为参数。
@classmethod
def pad(cls, batch):
seqlen_list = [len(sample[0]) for sample in batch]
maxlen = np.array(seqlen_list).max()
f = lambda x, seqlen: [sample[x] + [0] * (seqlen - len(sample[x])) for sample in batch] # 0: X for padding
input_ids_list = torch.LongTensor(f(0, maxlen))
input_mask_list = torch.LongTensor(f(1, maxlen))
segment_ids_list = torch.LongTensor(f(2, maxlen))
predict_mask_list = torch.ByteTensor(f(3, maxlen))
label_ids_list = torch.LongTensor(f(4, maxlen))
return input_ids_list, input_mask_list, segment_ids_list, predict_mask_list, label_ids_list
train_dataset = NerDataset(train_examples,tokenizer,label_map,max_seq_length)
train_dataloader = data.DataLoader(dataset=train_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=4,
collate_fn=NerDataset.pad)
我们详细解释一下data.Dataloader()的工作流程:
① 构建Dataset的子类(我们常使用的TensorDataset就是这样的一个类),得到实例化对象并传参给dataset。
② 将DataLoader看作一个迭代器,以sampler的style或者shuffle的style(详见Dataloader的参数)对dataset迭代batch_size次,来获取一个batch_data。每次迭代都调用dataset对象的__getitem__()函数获取一个样本,其中__getitem__()的参数idx取值方法是由style决定的(即随机取值,还是顺序取值),idx取值范围是(0,self.__len__())
③ 获取到batch_data之后,batch_data将作为collate_fn()函数的参数进行下一步操作,并最终返回collate_fn()操作后的batch_data结果。
④最终,我们将得到一个③返回的DataLoader数据对象(即collate_fn()结果),该数据对象供torch来进行下一步操作使用。
(注意:我们需要在上述过程中将变量类型处理成torch.tensor,一般选择过程①或③)
接着,你可以用下面的代码示例来解读一下:
或者,我们可以看看该代码的数据获取方式:
# 这里的train_features是一个对象列表,每个对象包含多种属性,每个属性(如f.input_ids)是一个列表。因此,all_input_ids是列表的列表。
all_input_ids = torch.tensor([f.input_ids for f in train_features], dtype=torch.long)
all_input_mask = torch.tensor([f.input_mask for f in train_features], dtype=torch.long)
all_segment_ids = torch.tensor([f.segment_ids for f in train_features], dtype=torch.long)
all_label_ids = torch.tensor([f.label_id for f in train_features], dtype=torch.long)
all_valid_ids = torch.tensor([f.valid_ids for f in train_features], dtype=torch.long)
all_lmask_ids = torch.tensor([f.label_mask for f in train_features], dtype=torch.long)
# TensorDataset的参数可以是多个,每个都是一个列表
train_data = TensorDataset(all_input_ids, all_input_mask, all_segment_ids, all_label_ids,all_valid_ids,all_lmask_ids)
if args.local_rank == -1:
train_sampler = RandomSampler(train_data)
else:
train_sampler = DistributedSampler(train_data)
# DataLoader的结果可以得到一个列表train_dataloader,每个元素包含了TensorDataset的参数,每个参数的大小为batch_size
train_dataloader = DataLoader(train_data, sampler=train_sampler, batch_size=args.train_batch_size)
参考文献:
https://blog.csdn.net/dong_liuqi/article/details/114521240
https://blog.csdn.net/lyb3b3b/article/details/83713820
https://blog.csdn.net/weixin_39670464/article/details/111221971
https://www.runoob.com/python/python-func-classmethod.html
https://www.jianshu.com/p/8ea7fba72673
https://blog.csdn.net/u014380165/article/details/79058479
https://github.com/Louis-udm/NER-BERT-CRF/blob/master/NER_BERT_CRF.py