动手学深度学习Task2

最新推荐文章于 2025-12-20 21:22:01 发布

原创最新推荐文章于 2025-12-20 21:22:01 发布 · 196 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能

本文介绍了文本预处理的基本步骤，包括读入文本、分词、建立字典以及将文本转换为索引序列，便于输入模型。通过实例展示了英文小说《时间机器》的预处理过程，涵盖分词方法及构建词汇表的技术细节。

文本预处理；语言模型；循环神经网络基础
文本预处理
文本是一类序列数据，一篇文章可以看作是字符或单词的序列，文本数据常见的预处理四个步骤如下：

读入文本
分词
建立字典，将每个词映射到一个唯一的索引（index）
将文本从词的序列转换为索引的序列，方便输入模型
读入文本
数据集：英文小说——H. G. Well的Time Machine

import collections
import re

def read_time_machine():
#只读方式打开存放在与代码文件相同目录下的文本
with open(‘timemachine.txt’,‘r’) as f:
lines=[re.sub(’[^a-z]+’,’ ',line.strip().lower()) for line in f]
return lines

lines=read_time_machine()
print(’# sentences %d’%len(lines))

分词
对每个句子进行分词，也就是将一个句子划分成若干个词（token），转换为一个词的序列。

def tokenize(sentences, token=‘word’):
“”“Split sentences into word or char tokens”""
if token == ‘word’:
return [sentence.split(’ ‘) for sentence in sentences]##sentence.split(’ ')以空格为间隔符，划分单词，每次返回一个列表
elif token == ‘char’:
return [list(sentence) for sentence in sentences]
else:
print('ERROR: unkown token type '+token)

tokens = tokenize(lines)
建立字典
为了方便模型处理，我们需要将字符串转换为数字。因此我们需要先构建一个字典（vocabulary），将每个词映射到一个唯一的索引编号。

class Vocab(object):
def init(self, tokens, min_freq=0, use_special_tokens=False):
counter = count_corpus(tokens) # :
self.token_freqs = list(counter.items())
self.idx_to_token = []
if use_special_tokens:
# padding, begin of sentence, end of sentence, unknown
self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
self.idx_to_token += [’’, ‘’, ‘’, ‘’]
else:
self.unk = 0
self.idx_to_token += [’’]
self.idx_to_token += [token for token, freq in self.token_freqs
if freq >= min_freq and token not in self.idx_to_token]
self.token_to_idx = dict()
for idx, token in enumerate(self.idx_to_token):
self.token_to_idx[token] = idx

def __len__(self):
    return len(self.idx_to_token)

def __getitem__(self, tokens):
    if not isinstance(tokens, (list, tuple)):
        return self.token_to_idx.get(tokens, self.unk)
    return [self.__getitem__(token) for token in tokens]

def to_tokens(self, indices):
    if not isinstance(indices, (list, tuple)):
        return self.idx_to_token[indices]
    return [self.idx_to_token[index] for index in indices]

def count_corpus(sentences):
tokens = [tk for st in sentences for tk in st]
return collections.Counter(tokens) # 返回一个字典，记录每个词的出现次数