class Vocab
功能：用于创建字典和应用字典
函数：
-
__contains__(token: str) → bool功能：用于判断传入的词语是否存在于词典中。
参数：
- token：字符串。需要判断的词语。
返回值：布尔值。传入单词是否在词典中
-
__getitem__(token: str) → int功能：获得传入单词在词典中的索引。
参数：
- token：字符串。需要获得索引的词语。
返回值：整型。对应的索引。
-
__init__(vocab)功能：构造函数，创建
Vocab实例。参数：
- vocab：词典对象。
注意：一般不通过构造函数创建
vocab对象。 -
__len__() → int功能：获得词典的长度。
返回值：整型。词典长度。
-
__prepare_scriptable__()返回值：一个叫
JITable Vocab的对象。注意：这个方法用途我还没弄明白，返回的对象可以直接当
Vocab对象使用。 -
append_token(token: str) → None功能：插入新的词。
参数：
- token：字符串。需要插入词典的新词。
-
forward(tokens: List[str]) → List[int]功能：调用
lookup_indices函数，即将词列表映射为字典索引。参数：
- tokens：字符串列表。需要映射为索引的词列表。
返回值：整型列表。映射后的列表。
-
get_default_index() → Optional[int]功能：返回默认索引，即未登录词的索引值。
返回值：若设定，返回相应的索引。否则返回
None。 -
get_itos() → List[str]功能：获得记录在词典中的词列表。
返回值：字符串列表。被记录的词的列表，在列表中按索引升序顺序排列。
-
get_stoi() → Dict[str, int]功能：获得字典的
dict对象。返回值：字典。key为登录词，value为其对应索引。
-
insert_token(token: str, index: int) → None功能：在字典的指定位置插入新词。
参数：
- token：字符串。要插入的新词。
- index：整型。插入的位置。
-
lookup_indices(tokens: List[str]) → List[int]功能：将词语列表映射为索引列表。
参数：
- tokens：字符串列表。需要映射为索引的词列表。
返回值：整型列表。映射后的列表。
-
lookup_token(index: int) → str功能：获得索引位置的词语。
参数：
- index：整型。想要获得的词的索引。
返回值：字符串。对应的词。
-
lookup_tokens(indices: List[int]) → List[str]功能：将索引列表映射为词列表。
参数：
- indices：整型列表。需要映射为此列表的索引列表。
返回值：字符串列表。映射后的词列表。
-
set_default_index(index: Optional[int]) → None功能：设置默认索引，即未登录词的索引。
参数：
- index：整型。默认的索引。也可以传入
None。
- index：整型。默认的索引。也可以传入
示例：
from torchtext.vocab import Vocab, vocab
from collections import Counter, OrderedDict
counter = Counter(["a", "b", "b", "b", "c", "c"])
sorted_by_freq_tuples = sorted(counter.items(), key=lambda x:x[1], reverse=True)
ordered_dict = OrderedDict(sorted_by_freq_tuples)
v1 = vocab(ordered_dict)
# get_itos() → List[str]
print(v1.get_itos())
# get_stoi() → Dict[str, int]
print(v1.get_stoi())
# insert_token(token: str, index: int) → None
v1.insert_token("d", 1)
print(v1.get_stoi())
# lookup_indices(tokens: List[str]) → List[int]
print(v1.lookup_indices(["a", "a", "b", "c", "d"]))
# lookup_token(index: int) → str
print(v1.lookup_token(0))
# lookup_tokens(indices: List[int]) → List[str]
print(v1.lookup_tokens([2, 2, 0, 1, 3]))
# lookup_token(index: int) → str
print(v1.lookup_token(0))
示例结果：
['b', 'c', 'a']
{'b': 0, 'c': 1, 'a': 2}
{'b': 0, 'd': 1, 'c': 2, 'a': 3}
[3, 3, 0, 2, 1]
b
['c', 'c', 'b', 'd', 'a']
b
vocab(ordered_dict: Dict, min_freq: int = 1) → torchtext.vocab.Vocab
功能：
创建Vocab对象的工厂方法。
注意：在构建vocab对象时，将会参照传入的dict在构建时的键值对顺序。因此单词是否按照词频排序对用户来说很重要，推荐用ordered_dict来构建词典。
参数：
- ordered_dirt：字典。用于构建词典的字典，类型一般为
OrderedDict[str, int]。 - min_freq：整型，默认为
1。表示词典接受的最小词频，词频表示为ordered_dirt的值。
返回值：对应的Vocab对象
示例：
from torchtext.vocab import Vocab, vocab
from collections import Counter, OrderedDict
counter = Counter(["a", "b", "b", "b", "c", "c"])
sorted_by_freq_tuples = sorted(counter.items(), key=lambda x:x[1], reverse=True)
sorted_by_freq_tuples
ordered_dict = OrderedDict(sorted_by_freq_tuples)
ordered_dict
v1 = vocab(ordered_dict, min_freq=2)
print(v1.get_stoi())
tokens = ["e", "d","d","d", "c", "b", "a"]
v2 = vocab(OrderedDict([(token, 1) for token in tokens]))
unk_token = "<unk>"
default_index = -1
if unk_token not in v2: v2.insert_token(unk_token, 0)
print(v2.get_stoi())
示例结果：
{'b': 0, 'c': 1}
{'<unk>': 0, 'e': 1, 'd': 2, 'c': 3, 'b': 4, 'a': 5}
build_vocab_from_iterator(iterator: Iterable, min_freq: int = 1, specials: Optional[List[str]] = None, special_first: bool = True) → torchtext.vocab.Vocab
功能：用迭代器来生成Vocab对象。
参数：
- iterator：迭代器。用于创建词典的
yield或词语迭代器。 - min_freq：整型，默认
1。最小词频，创建时会忽略小于最小词频的词语。 - specials：字符串列表，默认
None。一些需要加入词典的特殊符号，加入顺序与列表中顺序一致。 - special_first：布尔，默认
True。表示是否将specials中的符号插在词典最前面。
返回值：对应的Vocab对象
示例：
from torchtext.vocab import build_vocab_from_iterator
tokens = ["e", "d","d","d", "c", "b", "b", "a"]
vocab = build_vocab_from_iterator(tokens, min_freq=2, specials=["<unk>", "<eos>"], special_first=False)
print(vocab.get_itos())
示例结果：
['d', 'b', '<unk>', '<eos>']
class Vectors
功能：存储词的嵌入向量。
函数：
-
__init__(name, cache=None, url=None, unk_init=None, max_vectors=None)功能：构造函数。
参数：
- name：字符串。词嵌入向量文件的路径。
- cache：字符串，默认
None。缓存向量目录。 - url：字符串，默认
None。下载词嵌入向量的链接。 - unk_init：函数。用于初始化未登录词。默认情况下，会以全零向量初始化未登录词。可以传入一个参数为一个Tensor、返回值为相同阶数Tensor的函数来处理未登录词。
- max_vectors：整型。用于限制预训练词向量的个数。由于大多数预训练词向量都按词频降序排列，因此如内存不足等情况下可以限制一下词典大小。
-
get_vecs_by_tokens(tokens, lower_case_backup=False)功能：将单词变为词嵌入向量。
参数：
- tokens：字符串列表。需要转换为词向量的词列表。
- lower_case_backup：布尔，默认
False。是否将单词变为小写再获取词向量。如果为False，所有词都会用输入的大小写来查询词向量。如果为True，会先按照原有的大小写查找词向量，若找不到，则会转为小写再查找词向量。
返回值：词嵌入向量
Tensor列表。
示例：
from torchtext.vocab import build_vocab_from_iterator,GloVe,Vectors
vec = Vectors(".vector_cache/glove.6B.50d.txt")
print("hi:", vec["hi"])
examples = ["ChIP", "chip"]
ret = vec.get_vecs_by_tokens(examples, lower_case_backup=True)
print("\n".join(["{}:{}".format(examples[i], ret[i]) for i in range(len(examples))]))
示例结果：
hi: tensor([-0.5431, 0.3443, 0.2713, 1.0487, -1.1642, -1.2722, 0.3578, -0.5653,
-0.2988, 0.8518, 0.5222, -0.0020, -0.4643, 0.0336, 0.0484, 0.7876,
0.0760, 0.5158, 0.3478, 0.5380, 0.2830, -0.1313, -0.0738, 0.4261,
0.0310, -0.5503, -0.9979, -0.2895, 0.3052, -1.1194, 1.2957, 0.9117,
0.3222, 0.9341, -0.3415, -0.6271, -0.0922, 0.5090, 0.2920, -0.2012,
0.1961, -0.4588, 1.1099, -0.6874, 1.5724, -0.1045, 0.2359, -0.5659,
0.4368, 0.9809])
ChIP:tensor([-0.7710, -1.1697, 1.5195, 0.8371, 0.7419, -0.2185, -0.7212, -0.9400,
-0.0113, 0.5485, 0.4040, -0.1846, -0.4630, 0.2620, -0.6464, 0.3599,
-0.8610, -0.3869, -0.0271, -1.0254, 0.3280, -0.7500, -0.6859, -0.6912,
0.3429, -0.6660, -0.2910, -0.6104, 0.3322, -0.4252, 2.4573, -0.8748,
0.4891, 1.2888, 0.5780, -0.5509, -0.2263, 0.8127, 0.7048, -0.5498,
0.3620, -0.2171, -0.2991, 0.2917, 1.2260, 0.2446, 1.2133, -0.0967,
0.0474, 0.1971])
chip:tensor([-0.7710, -1.1697, 1.5195, 0.8371, 0.7419, -0.2185, -0.7212, -0.9400,
-0.0113, 0.5485, 0.4040, -0.1846, -0.4630, 0.2620, -0.6464, 0.3599,
-0.8610, -0.3869, -0.0271, -1.0254, 0.3280, -0.7500, -0.6859, -0.6912,
0.3429, -0.6660, -0.2910, -0.6104, 0.3322, -0.4252, 2.4573, -0.8748,
0.4891, 1.2888, 0.5780, -0.5509, -0.2263, 0.8127, 0.7048, -0.5498,
0.3620, -0.2171, -0.2991, 0.2917, 1.2260, 0.2446, 1.2133, -0.0967,
0.0474, 0.1971])
注意：
- 数据下载地址：http://nlp.stanford.edu/data/glove.6B.zip
- 设置了
lower_case_backup=True后可以看见“ChIP”和“chip”的词嵌入向量是一样的。
预训练词向量
GloVe
torchtext.vocab.GloVe(name='840B', dim=300, **kwargs)
FastText
torchtext.vocab.FastText(language='en', **kwargs)
CharNGram
torchtext.vocab.CharNGram(**kwargs)
395
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
