Task02: 文本预处理;语言模型;循环神经网络基础
文本预处理
这里主要是word和index相互转换很不错,顺便过滤一下,复制粘贴义工日后复(抄)习。
思想就是构造一个类,实现word,index相互转换函数,顺便构造词典。
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
语言模型
主要讲了n-gram,这个记得很清楚,就是依靠马尔科夫链简化问题,但问题依然很多,比如低频等。
循环神经网络基础
rnn单隐层的讲解,训练时的初始化确实是一个之前没有想到的问题。给一个隐层初始化条件会使调用的函数接口一致,但更深一层,对于不同的采样方式,初始化的方式也有所改变(随机训练次都要初始化,但相邻采样因为一个epoch都是连续的,所以可以只在一个epoch初始化)
另,困惑度也是新的知识点,用来评价语言模型,就是预测概率的倒数,但并不理解这样做的合理性。