文本预处理;语言模型;循环神经网络基础
文本预处理的一般流程
文本的预处理一般包含四个步骤:
读入文本
分词(两个常用的分词库spacy,nltk)
建立字典,将每一个词映射为独立的索引(index)
将文本从词的序列转为索引的序列,使得输入模型更加的方便
N元语法
两种不同的采样方式
注意采用的时候length要减去1
随机采样
import torch
import random
def data_iter_random(corpus_indices, batch_size, num_steps, device=None):
# 减1是因为对于长度为n的序列,X最多只有包含其中的前n - 1个字符
num_examples = (len(corpus_indices) - 1) // num_steps # 下取整,得到不重叠情况下的样本个数
example_indices = [i * num_steps for i in range(num_examples)] # 每个样本的第一个字符在corpus_indices中的下标
random.shuffle(example_indices)
def _data(i):
# 返回从i开始的长为num_steps的序列
return corpus_indices[i: i + num_steps]
if device is None:
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
for i in range(0, num_examples, batch_size):
# 每次选出batch_size个随机样本
batch_indices =