Pytorch基本使用——NLP数据集构建总结

构建NLP数据集，分为如下几步：
1.单词分割形式
2.词汇表
3.利用词汇表word2idx映射，制作数据集
4.打包

✨ 1.单词分割

有两种表示方式，一种是word-level，另外一种是char-level。

🌊 1.1 word-level

tokenizer = lambda x: x.split(' ')  # 传入x返回x.split(' ')

举一个例子：x=“你好啊 我是谁” **=》 ** return:[“你好啊”, “我是谁”]

🎈 1.2 char-level

tokenizer = lambda x: [y for y in x]

举一个例子：x=“你好啊 我是谁” **=》 ** return:[“你”, “好”, “啊”, " ", “我”, “是”, “谁”]
一个按照词分割，一个按照字分割

✨ 2.词汇表

有两种方式，一种是已经存在了直接导入，另外一种是没有需要制作。

🎃 2.1 直接导入

目前我遇到的就是pkl文件存储的词汇表，所以用pickle库的load函数导入。

import pickle as pkl
vocab = pkl.load(open(vocab_file_path, "rb"))

🎄 2.2 制作

这部分就用到了上面的单词分割**(制作的词汇表是以字符的形式还是词的形式)**。
制作词汇表的函数实现如下

UNK, PAD = '<UNK>', '<PAD>'
def build_vocab(file_path, tokenizer, max_size, min_freq):
    """
    	file_path: 一般为训练集文件路径
    	tokenizer: 按照什么方式制作词汇表(word-level或char-level)，详细见第一小节
    	max_size: 词汇表中最多有多少词
    	min_freq: 若训练集中词或字符出现的次数小于这个，直接排除
    	
    	return: 按照训练集中单词的出现次数由大到小进行排序得到的词汇表。举一个简单的例子，假设有单词"白", "三", "点",白出现2词，三出现3次，点出现1次。那么返回的词汇表为{"三": 1, "白": 2, "点": 1}。
    """
    vocab_dic = {}
    with open(file_path, 'r', encoding='UTF-8') as f:
        for line in tqdm(f):
            lin = line.strip()
            if not lin:
                continue
            content = lin.split('\t')[0]
            for word in tokenizer(content):
                vocab_dic[word] = vocab_dic.get(word, 0) + 1
        vocab_list = sorted([_ for _ in vocab_dic.items() if _[1] >= min_freq], key=lambda x: x[1], reverse=True)[:max_size]
        vocab_dic = {word_count[0]: idx for idx, word_count in enumerate(vocab_list)}
        vocab_dic.update({UNK: len(vocab_dic), PAD: len(vocab_dic) + 1})
    return vocab_dic

说了这么多，vocab最终有什么用呢？他是在制作制作数据集时，将中文或英文字符/单词表示为数字的形式

✨ 3 word2idx

总效果就是按照词汇分割，并按照词汇表，将字符映射为数字。
比如：我有词汇表vocab={“白”: 1, “三”:2, “点”:3}，输入：

input = [
	["白三"],
    ["三点"],
    ["白点"]
]

那么输出应该为：

output = [
	[1, 2],
    [2, 3],
    [1, 3]
]

上面的例子是最简单的，还有一种是应用了n-gram模型的，下面做一个简单的总结。

3.1 原文展示

原文都是类似如上的，如果有label，将label用split分割出去。

🍿 3.2 分割映射

首先我们应该导入词汇表和训练数据：按照第二节的内容导入或这制作，唯一需要注意的是这里的词汇表是n-gram模型吗！！！影响到后面切片。

⛱️ 3.3 遍历

准备工作做完了，开始遍历，进行切割。就以代码进行总结了。

    # 按照行遍历，即3.1节中第一行的内容，第二行的你内容...
    for a_sentence,b_sentence in zip(text_a,text_b):
        # 存储模型的输入内容，因为是双塔模型，所以两个输入
        a,b=[],[]
        
        # 效果是对每一行中的每一个切片，这里在下面进行详细的总结！！！3.4小节
        for slice in lst_gram(a_sentence):
			# 如果切片内容在词汇表中存在，就把映射到的数据放到结果列表
            if slice in slice2idx.keys():
                a.append(slice2idx[slice])
            # 如果切片的内容不存在，就用映射到[UNK]的数字进行替换
            else:
                a.append(1)  # {"[UNK]": 1, 
                
        # 这个和上面的for循环是一样的，如果不是多输入模型，其实就上面一个        
        for slice in lst_gram(b_sentence):
            if slice in slice2idx.keys():
                b.append(slice2idx[slice])
            else:
                b.append(1)
                
        # 这里是由于我们的打包时要求tensor维度一致，因此我们把数据填充到相同大小。3.5小节详细总结！！！
        a_list.append(a)
        b_list.append(b)

🌭 3.4 切片

到这里总结的原因其实就是上面放不下！！！**因为这里分为很多种，普通的单字符切片，运用了n-gram模型的。**我目前遇到的就上面两个。
如果是单字符切片，其实就for char in sentence即可，其中sentence是一行的数据内容，参照3.1小节！！
但是如果是运用了n-gram，就需要一些代码进行处理了，见下面

def lst_gram(lst, n):
    # 返回切片结果
    s=[]
    # 按照空格分割行数据，可能在别的数据集或按照词进行分割的时候有用，这里真没用！！！
    for word in str(lst).lower().split():
        # n_gram是主要函数
        s.extend(n_gram(word))
    # 返回结果
    return s

lst为需要分割的行数据，n为n-gram模型的类型，比如2-gram模型，数据类型为int。
str(lst).lower().split()可能在别的数据集或按照词进行分割的时候有用，比如我们一行数据为[“白三 三点 白点”]这里就有用了，遇到再总结吧！！！

def n_gram(word,n=args.N):
    s=[]
    # 每行数据以#开头和结束
    word='#'+word+'#'
    # 三个字符分割
    for i in range(len(word)-2):
        s.append(word[i:i+3])
    return s

这里进行的就是n-gram操作了 重点！！！
最终的效果大概如下(随便截的，与上面无关)：

☃️3.5 padding

def padding(text,maxlen=args.SENTENCE_MAXLEN):
    """
    	text：按照行映射完成的数据
    	maxlen：约定的每行数据的固定长度
    """
    # 存储结果
    pad_text=[]
    # 遍历，得到每行的数据(sentence)
    for sentence in text:
        # 创建一个固定长度的默认值为0的数组
        pad_sentence = np.zeros(maxlen).astype('int64')
        cnt=0
        # 遍历一行中的每个字符数据，向创建好的固定长度的数组进行填充
        for index in sentence:
            pad_sentence[cnt]=index
            cnt+=1
            # 如果达到了最大长度，就结束，这一行后面的内容就省略了。
            if cnt== maxlen:
                break
        # 将一行的数据添加到存储结果的列表中
        pad_text.append(pad_sentence.tolist())
    return pad_text

特别注意，这里为什么要用0来填充。原因是我们约定，如果长度不够，剩下的用[PAD]来补充，而这里认为[PAD]映射为数字即为0。

🎈 3.6 最终结果展示

这里，a_list代表了文本文件中所有数据的内容。而其中每一个位置都是一行的数据。

至此，文本任务制作数据集的操作就完成了，下面是打包的操作

✨ 4.打包

看过几个NLP项目了，总结一下其中遇到的数据集的创建。

首先，明确数据集最终的使用是以for循环进行遍历。因此最终是一个以batch_size大小可迭代的对象即可（其实pytorch的DateLoader应该就是做着这个工作）。

所以，接下来就有两种办法：

1.重载DataSet并用DataLoader打包

2.自定义迭代器

🎃 4.1 DataLoader打包

如果是DataLoader打包，从第1小节到第3小节的内容应该在重载的DataSet类中完成(该有的操作必须要)。如果是制作迭代器，就没有这个要求了。

这部分其实和图片分类任务是一致的，如果真的需要再来总结！！！

🍿 4.2 迭代器

这可是第一次。创建迭代器最基本的架构如下：

class DatasetIterater(object):
    def __init__(self):
	
    def __next__(self):
        
    def __iter__(self):
        return self

这里的__next__和__inter__见特殊实例总结！！！主要介绍一下init和next函数的工作。

	# __init__

    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
        self.residue = False  # 记录batch数量是否为整数 
        if len(batches) % self.n_batches != 0:
            self.residue = True
        self.index = 0
        self.device = device

最重要的就是对batch_size的定义及其延申：

1.定义batch_size大小

2.得到batch_size的尺寸

3.记录batch_size是否为整数

 # __next__

其实用DataSet这种现成的就好，支持多线程，速度快，还简单！！！