语言模型的随机采样和相邻采样

自然语言数据可以看成一种特殊的时间序列数据。对于这种时序数据的采样主要有有随机采样和相邻采样两种方式。两者都需要确定一个batch的样本数量batch_size和每个样本的时间步长num_steps。

随机采样

步骤：语料库corpus_indices的长度为$n$，首先按照时间步长确定可能的样本的起始索引，可能的样本起始索引最后被随机打散。这里注意：采样的单个样本的最后一个单词不可能是序列的最后一个字（否则，就没有输入子序列所对应的输出子序列）

num_examples = (len(corpus_indices) - 1) // num_steps  
#下取整，得到不重叠情况下的样本个数
print("num_examples:"+str(num_examples))
example_indices = [i * num_steps for i in range(num_examples)]  
#每个样本的第一个字符在corpus_indices中的下标
random.shuffle(example_indices)

如图所示：对于一个长度为32序列0,1,2,…,31，时间步长取4，batch大小取3时，有效长度只有28。

这里的随机化是指单个batch内部的样本是随机抽取的，在一个batch内部如果起始索引相邻则样本可能相邻。值得注意的是，相邻的两个batch在原始序列上不一定相邻。取决于起始索引被随机化的情况。

import torch
import random
def data_iter_random(corpus_indices, batch_size, num_steps, devic