这一节我是直接阅读深度学习电子书的,敲代码的时候真的非常多不理解,看完b站视频再结合百度搜索,希望我注错的地方烦请诸位指正。
还有几条注释是我自己也想不明白的,注释内容非常多也非常基础,毕竟是刚入门啦(轻喷~
import collections
import re
from d2l import torch as d2l
读取数据集
d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
'090b5e7e70c295757f55df93cb0a180b9691891a')
def read_time_machine():
"""将时间机器数据集加载到文本行的列表中"""
with open(d2l.download('time_machine'), 'r') as f:
lines = f.readlines()
return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]
# 把(^)大写和小写的转换成空格
lines = read_time_machine()
print(f'# 文本总行数:{len(lines)}')
print(lines[0])
print(lines[10])
# r:以只读方式打开文件, f是file对象
# f.readlines:返回文件中行内容的列表,size参数可选
# 只匹配单一字母,并将每一个字母替换为一个空格
# strip()用于移除字符串头尾指定的字符,(默认为空格或换行符)
# lower()将字符串中的所有大写字母转换为小写字母
词元化
下⾯的tokenize函数将⽂本⾏列表(lines)作为输⼊,列表中的每个元素是⼀个⽂本序列(如⼀条⽂本⾏)。每个⽂本序列⼜被拆分成⼀个词元列表,词元(token)是⽂本的基本单位。最后,返回⼀个由词元列表组成的列表,其中的每个词元都是⼀个字符串(string)
def tokenize(lines, token='word'):
"""将文本行拆分为单词或字符词元"""
if token == 'word':
return [line.split() for line in lines]
elif token == 'char': # char 字符串
return [list(line) for line in lines] # 为什么这边要做list(line)而上面不用?
else:
print('错误:未知词元类型:' + token)
tokens = tokenize(lines)
for i in range(11):
print(tokens[i]) # print前11行tokenize后的结果
#print(tokens)
len(tokens)
词表
词元的类型是字符串,⽽模型需要的输⼊是数字,因此这种类型不⽅便模型使⽤。现在,让我们构建⼀个字典,通常也叫做词表(vocabulary),⽤来将字符串类型的词元映射到从0开始的数字索引中。
class Vocab:
"""文本词表"""
def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
# reserved_token是句子的开头结束token
if tokens is None: # 这两行None是为了程序运行的时候不报错
tokens = []
if reserved_tokens is None:
reserved_tokens=[]
# 按出现频率排序
counter = count_corpus(tokens)
self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
reverse=True)
# sorted默认升序,使用lambda可以降序排列
# 未知词元的索引为0
# idx to token是给index,返回token,写在to_token模块了
# token_to_idx就是做dict,给token,返回index
self.idx_to_token = ['<unk>'] + reserved_tokens
self.token_to_idx = {token: idx
for idx, token in enumerate(self.idx_to_token)}
# 这一行是对上述两个self的定义,小于min_freq的不要,不断加入idx_to_token
for token, freq in self._token_freqs:
if freq < min_freq:
break
if token not in self.token_to_idx:
self.idx_to_token.append(token)
self.token_to_idx[token] = len(self.idx_to_token) - 1
def __len__(self): # 用以限制__getitem__(self,key)中形参key的范围,
return len(self.idx_to_token) # 像列表那样索引来取出对应元素,当然每个元素都对应一个数字索引,这个key就是数字索引不能超过所能取到元素的总数
def __getitem__(self, tokens): # 给一个token, 返回一个index
if not isinstance(tokens, (list, tuple)): # isinstance(object,type)用于判断对象类型, tuple 元组
return self.token_to_idx.get(tokens, self.unk) # get函数内self.unk有什么作用? self.unk不是等于0吗?
return [self.__getitem__(token) for token in tokens] # 明白了,传进来token, 如果不是需要的形式,则Index为0?其他的依次给index?
def to_tokens(self, indices): # 这个模块有什么作用? # 给index, 返回字符串
if not isinstance(indices, (list, tuple)):
return self.idx_to_token[indices]
return [self.idx_to_token[index] for index in indices]
def unk(self): # self.unk下标为0
return 0
def token_freqs(self):
return self._token_freqs
def count_corpus(tokens):
"""统计词元频率"""
# 这里的tokens是1D列表或2D列表
if len(tokens) == 0 or isinstance(tokens[0], list):
# 将词元列表展平成一个列表
tokens = [token for line in tokens for token in line] # 这句为什么这么写?
return collections.Counter(tokens)