#spaCy V3.0 Tranformer模型WordEmbedding数据详解
对于Tranformer中文模型,官网给出的概要是:
项目 | 说明 |
---|---|
LANGUAGE | ZH Chinese |
TYPE | CORE Vocabulary, syntax, entities, vectors |
GENRE | WEB written text (blogs, news, comments) |
SIZE | TRF 398 MB |
COMPONENTS | transformer, tagger, parser, ner, attribute_ruler |
PIPELINE | transformer, tagger, parser, ner, attribute_ruler |
VECTORS | 0 keys, 0 unique vectors (0 dimensions) |
SOURCES | OntoNotes 5 |
AUTHOR | Explosion |
LICENSE | MIT |
可以看出,其并不包含预定义的词典和词向量。新版本的pipelines如下:
nlp = spacy.load('zh_core_web_trf')
def get_user_dict(f):
ul = []
with open(f, 'r', encoding='utf-8') as f:
for l in f.readlines():
ul.append(l.split('\t')[0])
return ul
udict = get_user_dict('c:/user_dict.txt')
nlp.tokenizer.pkuseg_update_user_dict(udict)
doc = nlp('调整给水,注意给水流量与蒸汽流量相匹配,注意过热度,保证主蒸汽温度不超限。')
[t for t in doc]
===============================================================
[调整, 给水, ,, 注意, 给水流量, 与, 蒸汽, 流量, 相匹配, ,, 注意, 过热度, ,, 保证, 主蒸汽, 温度, 不, 超限, 。]
doc._.trf_data
===============================================================
TransformerData(
wordpieces=WordpieceBatch(
strings=[['[CLS]', '调', '整', '给', '水', ',', '注', '意', '给', '水', '流', '量', '与', '蒸', '汽', '流', '量', '相', '匹', '配', ',', '注', '意', '过', '热', '度', ',', '保', '证', '主', '蒸', '汽', '温', '度', '不', '超', '限', '。', '[SEP]']],
input_ids=array([[ 101, 6444, 3146, 5314, 3717, 8024, 3800, 2692, 5314, 3717, 3837,
7030, 680, 5892, 3749, 3837, 7030, 4685, 1276, 6981, 8024, 3800,
2692, 6814, 4178, 2428, 8024, 924, 6395, 712, 5892, 3749, 3946,
2428, 679, 6631, 7361, 511, 102]], dtype=int64),
attention_mask=array([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]], dtype=int64),
lengths=[39],
token_type_ids=array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]], dtype=int64)),
tensors=[array([[[(1, 39, 768]]], dtype=float32), array([[(1, 768)]], dtype=float32)],
align=Ragged(data=array([[ 1],[ 2],...[37]], dtype=int32),
lengths=array([2, 2, 1, 2, 4, 1, 2, 2, 3, 1, 2, 3, 1, 2, 3, 2, 1, 2, 1], dtype=int32),
data_shape=(-1,),
cumsums=None))
从中可以看出:
- strings:是按字分隔的(bert)
- input_ids: 是各字在Transformer的vocab.txt中的索引值
- lengths=[39]:是给原始文本加上’[CLS]’,’[SEP]'后的字数
- tensors分两部分:
- doc._.trf_data.tensors[0] :39个字符 * 768维向量
- doc._.trf_data.tensors[1] :是 1 * 768的矩阵(本例为向量),表示整个句子
- lengths=array([2, 2, 1, 2, 4, 1, 2, 2, 3, 1, 2, 3, 1, 2, 3, 2, 1, 2, 1]:表示各分词的字数
其中的tensors能够单独调用。