LineFlow 开源:比 PyTorch 简洁数倍,适用任何框架的 NLP 数据集处理程序

阅读数:2 2019 年 12 月 31 日 09:48

LineFlow开源:比PyTorch简洁数倍,适用任何框架的NLP数据集处理程序

一般来讲,用 PyTorch 处理自然语言比较繁琐。于是,国外一位开发者 Yasufumi TANIGUCHI 开发了 LineFlow,为了尽可能减轻编码的痛苦,并保证完成同样的任务。Yasufumi TANIGUCHI 表示,LineFlow 要比 PyTorch 简洁数倍,让我们来看看 LineFlow 究竟能简洁到什么地步?

对自然语言处理任务来说,你可能需要在预处理中对文本进行词法分析或构建词汇表。因为这个过程非常痛苦,所以我创建了 LineFlow ,尽可能让整个过程干净整洁。真正的代码看起来是什么样子?请看下面的图,预处理包括词法分析、词汇表构建和索引。

LineFlow开源:比PyTorch简洁数倍,适用任何框架的NLP数据集处理程序

左边部分是来自 PyTorch 官方示例仓库的示例代码,它对文本数据进行常见的预处理。右边部分是用 LineFolw 编写的,实现了完全相同的处理。看完对比之后,你应该明白 LineFlow 是如何减轻痛苦的。要查看完整的代码,可以访问此链接

在本文中,我将详细解释上图右边部分的代码,并讲解 LineFlow 的用法。

加载文本数据

文本数据的加载,是通过上面代码中的第 8 行完成的,我稍后会详细解释这个 map。lf.TextDataset 将文本文件的路径作为参数并进行加载。

复制代码
dataset = lf.TextDataset(path, encoding='utf-8').map(...)

lf.TextDataset 要求的数据格式是每行对应一个数据。如果文本数据满足此条件,则可以加载任何类型的文本数据。

LineFlow开源:比PyTorch简洁数倍,适用任何框架的NLP数据集处理程序LineFlow开源:比PyTorch简洁数倍,适用任何框架的NLP数据集处理程序

加载之后,它将文本数据转换为列表。列表中的项对应于文本数据中的行。 请看下图,这是 lf.TextDataset 的直观图像。图中的 d 代表代码中的 dataset

LineFlow开源:比PyTorch简洁数倍,适用任何框架的NLP数据集处理程序

LineFlow 已经提供了一些公开可用的数据集。所以你可以马上使用它。要查看提供的数据集,请访问此链接

2. 标记化

文本标记化也是通过第 8 行完成的。map将作为参数传递的处理应用到文本数据的每一行。

复制代码
dataset = lf.TextDataset(...).map(lambda x: x.split() + ['<eos>'])

请看下图。这是 lf.TextDataset.map 的直观图像。图中的 d 代表代码中的 dataset

LineFlow开源:比PyTorch简洁数倍,适用任何框架的NLP数据集处理程序

让我们深入了解下面的实际处理过程。

复制代码
lambda x: x.split() + ['<eos>']

我们将文本数据中的每一行按空格拆分为标记,然后将 <eos>添加到这些标记的末尾。我们遵循 WikiText 官方页面上的处理方式。

此时,我们使用 str.split 进行标记化。我们可以使用其他的标记化方法,如 spaCy StanfordNLP Bling Fire 等。例如,如果你想使用 Bling Fire,我们将得到以下代码。

复制代码
>>> from blingfire import text_to_words
>>> d = lf.TextDataset('/path/to/your/text')
>>> d.map(text_to_words).map(str.split)

另外,只要我们的处理将每行文本数据作为参数,就可以执行任何我们想要的处理。例如,我们可以计算标记的数量。在下面的代码中,标记的数量是在第二个元素中定义的。

复制代码
>>> d = lf.TextDataset('/path/to/text')
>>> d.map(tokenize).map(lambda x: (x, len(x)))

当我们想要制作用于注意力机制或长短期记忆网络的掩码时,这种处理就很有用。

3. 索引

索引是由第 9 行到第 12 行完成的。这些行如下图所示。在这个代码块中,我们构建了词汇表和索引。让我们按顺序来查看这些内容。

复制代码
for word in dataset.flat_map(lambda x: x):
self.dictionary.add_word(word)
return torch.LongTensor(dataset.flat_map(...))

首先我们将看到构建词汇表的代码块。在下面的代码块中,我们构建了词汇表。 flat_map 将作为参数传递的处理应用于数据中的每一行,然后对其进行扁平化。因此,我们将在 dataset.flat_map(lambda x: x) 之后获取单个标记。

复制代码
for word in dataset.flat_map(lambda x: x):
self.dictionary.add_word(word)

请看下图。这是 dataset.flat_map(lambda x: x) 的直观图像。图中的 d 代表代码中的 'dataset`。

LineFlow开源:比PyTorch简洁数倍,适用任何框架的NLP数据集处理程序

flat_map 有点令人困惑,但它等同于下面的代码。

复制代码
>>> from itertools import chain
>>> chain.from_iterable(map(lambda x: x, dataset))
>>>
>>> dataset.flat_map(lambda x: x) # same as above

在使用 flat_map 提取每个标记之后,我们将标记传递给 self.dictionary.add_word 来构建词汇表。我将不会解释它是如何工作的,因为这与本文无关。但如果你对它的内部实现感兴趣的话,请查看此链接

复制代码
self.dictionary.add_word(word)

接下来,我们将看到索引的代码块。索引是由一下的代码块来完成的。我们还使用 flat_map 来索引每个标记并使其扁平化。这是因为 PyTorch 的示例需要扁平化标记的张量,所以我们就这么做了。

复制代码
dataset.flat_map(
[lambda x: self.dictionary.word2idx[token] for token in x)])

请看下图。这是 dataset.flat_map(indexer) 的直观图像。图中的 d 代表代码中的 dataset

LineFlow开源:比PyTorch简洁数倍,适用任何框架的NLP数据集处理程序

此代码等同于以下代码。

复制代码
>>> from itertools import chain
>>> chain.from_iterable(map(indexer, dataset))
>>>
>>> dataset.flat_map(indexer) # same as above

最后,我们用 torch.LongTensor 将它包起来,把它变成张量。至此就完成了文本数据的加载。

复制代码
return torch.LongTensor(dataset.flat_map(...))

现在我们可以阅读完整的代码了,如下所示:

复制代码
import os
import torch
import lineflow as lf
class Dictionary(object):
def __init__(self):
self.word2idx = {}
self.idx2word = []
def add_word(self, word):
if word not in self.word2idx:
self.idx2word.append(word)
self.word2idx[word] = len(self.idx2word) - 1
return self.word2idx[word]
def __len__(self):
return len(self.idx2word)
class Corpus(object):
def __init__(self, path):
self.dictionary = Dictionary()
self.train = self.tokenize(os.path.join(path, 'train.txt'))
self.valid = self.tokenize(os.path.join(path, 'valid.txt'))
self.test = self.tokenize(os.path.join(path, 'test.txt'))
def tokenize(self, path):
assert os.path.exists(path)
dataset = lf.TextDataset(path, encoding='utf-8').map(lambda x: x.split() + ['<eos>'])
for word in dataset.flat_map(lambda x: x):
self.dictionary.add_word(word)
return torch.LongTensor(dataset.flat_map(
lambda x: [self.dictionary.word2idx[token] for token in x]))

这就是全部的解释。LineFlow 通过对文本数据进行向量化来完成较少的循环和嵌套代码。我们可以使用 Python 的 map 来完成同样的工作。但是,LineFlow 为我们提供了可读的、干净的代码,因为它像管道( Fluent Interface )一样构建了处理过程。

如果你喜欢 LineFlow,并想了解更多信息,请访问 LineFlow 在 GitHub 的仓库

作者介绍:

Yasufumi TANIGUCHI,软件工程师,对自然语言处理有着浓厚的兴趣。本文最初发表于 Medium 博客,经原作者 Yasufumi TANIGUCHI 授权,InfoQ 中文站翻译并分享。

原文链接:

https://towardsdatascience.com/lineflow-introduction-1caf7851125e

评论

发布