写点什么

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

  • 2019-12-31
  • 本文字数:2771 字

    阅读完需:约 9 分钟

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。



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。


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


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。




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 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。


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


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



让我们深入了解下面的实际处理过程。


lambda x: x.split() + ['<eos>']
复制代码


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 spaCyStanfordNLPBling Fire 等。例如,如果你想使用 Bling Fire,我们将得到以下代码。


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


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。


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


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。


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


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。


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


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`。



flat_map 有点令人困惑,但它等同于下面的代码。


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


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


self.dictionary.add_word(word)
复制代码


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。


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


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



此代码等同于以下代码。


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


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。


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


现在我们可以阅读完整的代码了,如下所示:


import osimport torchimport lineflow as lfclass 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]))
复制代码


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


2019-12-31 09:484182
用户头像
赵钰莹 极客邦科技 总编辑

发布了 934 篇内容, 共 721.7 次阅读, 收获喜欢 2717 次。

关注

评论

发布
暂无评论
发现更多内容

Navicat for MySQL Mac(数据库管理开发工具)

春天的风暖暖的

AI智能体的开发流程

北京木奇移动技术有限公司

AI智能体 AI技术开发 软件外包公司

AI智能体的开发流程

北京木奇移动技术有限公司

AI智能体 AI技术开发 软件外包公司

传统DNS解析技术存在的七大弊端

防火墙后吃泡面

深入解析YashanDB数据库的核心技术优势与应用场景

数据库砖家

深入了解 YashanDB 并掌握构建高效数据库的最佳实践

数据库砖家

Ableton Live 12 Suite for mac(音乐制作工具)

春天的风暖暖的

第五届智慧交通与城市工程国际学术会议 (STCE 2025)

搞科研的小刘

前沿技术 学术会议 智慧交通与城市

Commander One for Mac(双窗口文件管理器)

春天的风暖暖的

【仓储RFID通道机推荐】如何选到识别精准、适合出入库的设备?

斯科信息

斯科信息 RFID通道机 RFID仓储批量盘点

高客单价 VS 低客单价产品,达人营销的打法差异有多大?

Wolink

跨境电商 出海 海外营销推广 沃链Wolink 达人营销

Audition 2025 for Mac(au 2025)

春天的风暖暖的

CST软件的电磁+热一体化仿真

思茂信息

cst CST软件 CST Studio Suite

AI 智能体开发框架

北京木奇移动技术有限公司

AI智能体 AI技术开发 软件外包公司

《Confidential MaaS 技术指南》发布,从 0 到 1 构建可验证 AI 推理环境

OpenAnolis小助手

操作系统 龙蜥社区 Confidential MaaS 机密计算技术

给敏捷模式做下体检——多方位TIDB敏捷模式和MySQL的性能测试(下)

TiDB 社区干货传送门

平凯数据库敏捷模式

sublime text for Mac(代码编辑器)

春天的风暖暖的

9 月热搜精选

KaiwuDB

数据库

深入了解YashanDB:这款数据库的技术架构分析

数据库砖家

深入了解YashanDB并行处理能力及性能提升方法

数据库砖家

Tampermonkey for Mac(油猴Safari浏览器辅助插件)

春天的风暖暖的

【五邑大学主办】第五届电子信息工程与计算机技术国际学术会议(EIECT 2025)

搞科研的小刘

数据 电子信息工程 计算机技术

深入解析YashanDB数据库的核心优势与应用场景

数据库砖家

Affinity Designer for Mac(强大的矢量图设计软件)

春天的风暖暖的

微课:如何运用 Scrum 打造一个高绩效的团队

ShineScrum

应用自更新功能丨开发加油站

荣耀开发者服务平台

荣耀开发者服务平台 功能实现 荣耀HONOR 荣耀应用市场

3.1.8<3.2.0<3.3.1,Apache DolphinScheduler集群升级避坑指南

白鲸开源

开源 大数据任务调度 Apache DolphinScheduler 集群部署 版本升级

深入解析YashanDB数据库的核心技术与应用优势

数据库砖家

2026杭州国际智慧城市与物联网展览会

AIOTE智博会

物联网展览会 智慧城市展会 物联网展 智慧城市展 智慧城市博览会

欢迎提报!「2025 龙蜥社区年度优秀贡献者」评选正式启动

OpenAnolis小助手

操作系统 龙蜥社区 年度评选 优秀贡献者

深入了解 YashanDB 的核心优势与应用场景

数据库砖家

LineFlow开源:比PyTorch简洁数倍,适用任何框架的NLP数据集处理程序_开源_Yasufumi TANIGUCHI_InfoQ精选文章