文本分类(三) | (3) 数据预处理

完整项目​​​​​​​

本篇博客主要介绍一下数据预处理，包括构建数据集和迭代器。由于预训练语言模型有相应的词表文件，所以不需要手动构建词典，不过在预处理阶段，需要指明输入序列的填充部分和非填充部分。

目录

1. 构建数据集

2. 构建迭代器

---

1. 构建数据集

PAD, CLS = '[PAD]', '[CLS]'  # padding符号, bert中综合信息符号


def build_dataset(config):

    def load_dataset(path, pad_size=32):
        contents = []
        with open(path, 'r', encoding='UTF-8') as f:
            for line in tqdm(f):#遍历每一行
                lin = line.strip()#去掉首尾空白符
                if not lin:#遇到空行 跳过
                    continue
                content, label = lin.split('\t')#text  label；每一行以\t为切分，拿到文本
                token = config.tokenizer.tokenize(content) #分字(汉语 character-level) bert内置的tokenizer
                token = [CLS] + token #头部加入 [CLS] token
                seq_len = len(token) #文本实际长度（填充或截断之前）
                mask = []  #区分填充部分和非填充部分
                token_ids = config.tokenizer.convert_tokens_to_ids(token) #把tokenizer转换为索引（基于下载的词表文件）

                if pad_size:#长截短填
                    if len(token) < pad_size: #序列长度小于 填充长度
                        mask = [1] * len(token_ids) + [0] * (pad_size - len(token))#mask 填充部分对应0 非填充部分为1
                        token_ids += ([0] * (pad_size - len(token))) #用0作填充
                    else: #此时没有填充 序列长度大于填充长度
                        mask = [1] * pad_size  #全部都是非填充
                        token_ids = token_ids[:pad_size] #截断
                        seq_len = pad_size #实际长度为填充长度
                contents.append((token_ids, int(label), seq_len, mask)) #[([...],label,seq_len,[...])]
        return contents

    # 分别对训练集、验证集、测试集进行处理
    train = load_dataset(config.train_path, config.pad_size)
    dev = load_dataset(config.dev_path, config.pad_size)
    test = load_dataset(config.test_path, config.pad_size)
    # 返回预处理好的训练集、验证集、测试集
    return train, dev, test

2. 构建迭代器

class DatasetIterater(object):#自定义数据集迭代器
    def __init__(self, batches, batch_size, device):
        self.batch_size = batch_size
        self.batches = batches#数据集
        self.n_batches = len(batches) // batch_size #得到batch数量
        self.residue = False  # 记录batch数量是否为整数
        if len(batches) % self.n_batches != 0:#不能整除
            self.residue = True
        self.index = 0
        self.device = device

    def _to_tensor(self, datas):
        # 转换为tensor 并 to(device)
        x = torch.LongTensor([_[0] for _ in datas]).to(self.device) #输入序列
        y = torch.LongTensor([_[1] for _ in datas]).to(self.device) #标签

        # seq_len为文本的实际长度（不包含填充的长度） 转换为tensor 并 to(device)
        seq_len = torch.LongTensor([_[2] for _ in datas]).to(self.device)
        #mask
        mask = torch.LongTensor([_[3] for _ in datas]).to(self.device)
        return (x, seq_len, mask), y

    def __next__(self):
        if self.residue and self.index == self.n_batches:#当数据集大小 不整除 batch_size时，构建最后一个batch
            batches = self.batches[self.index * self.batch_size: len(self.batches)]
            self.index += 1
            batches = self._to_tensor(batches)#把最后一个batch转换为tensor 并 to(device)
            return batches

        elif self.index > self.n_batches:
            self.index = 0
            raise StopIteration
        else:#构建每一个batch
            batches = self.batches[self.index * self.batch_size: (self.index + 1) * self.batch_size]
            self.index += 1
            batches = self._to_tensor(batches)#把当前batch转换为tensor 并 to(device)
            return batches

    def __iter__(self):
        return self

    def __len__(self):
        if self.residue:
            return self.n_batches + 1 #不整除 batch数加1
        else:
            return self.n_batches


def build_iterator(dataset, config):#构建数据集迭代器
    iter = DatasetIterater(dataset, config.batch_size, config.device)
    return iter