我将Torchtext用于某些NLP任务,特别是使用内置嵌入。
我希望能够进行逆向矢量搜索:生成一个有噪声的矢量,找到最接近它的矢量,然后取回与该有噪声矢量最接近的单词。
从torchtext docs开始,这是将嵌入内容附加到内置数据集的方法:
from torchtext.vocab import GloVe
from torchtext import data
embedding = GloVe(name='6B', dim=100)
# Set up fields
TEXT = data.Field(lower=True, include_lengths=True, batch_first=True)
LABEL = data.Field(sequential=False, is_target=True)
# make splits for data
train, test = datasets.IMDB.splits(TEXT, LABEL)
# build the vocabulary
TEXT.build_vocab(train, vectors=embedding, max_size=100000)
LABEL.build_vocab(train)
# Get an example vector
embedding.get_vecs_by_tokens("germany")
然后我们可以构建恼人的索引:
from annoy import AnnoyIndex
num_trees = 50
ann_index = AnnoyIndex(embedding_dims, 'angular')
# Iterate through each vector in the embedding and add it to the index
for vector_num, vector in enumerate(TEXT.vocab.vectors):
ann_index.add_item(vector_num, vector) # Here's the catch: will vector_num correspond to torchtext.vocab.Vocab.itos?
ann_index.build(num_trees)
然后说我想使用嘈杂的向量检索单词:
# Get an existing vector
original_vec = embedding.get_vecs_by_tokens("germany")
# Add some noise to it
noise = generate_noise_vector(ndims=100)
noisy_vector = original_vec + noise
# Get the vector closest to the noisy vector
closest_item_idx = ann_index.get_nns_by_vector(noisy_vector, 1)[0]
# Get word from noisy item
noisy_word = TEXT.vocab.itos[closest_item_idx]
我的问题出现在上面的最后两行:ann_index
是使用enumerate
在embedding
对象上创建的,该对象是Torch张量。
[vocab][2]
对象具有其自己的itos
列表,给定索引将返回一个单词。
我的问题是:我可以确定单词在itos列表中出现的顺序与TEXT.vocab.vectors
中的顺序相同吗?如何将一个索引映射到另一个索引?
我可以确定单词在
itos
列表中出现的顺序与TEXT.vocab.vectors
中的顺序相同吗?
是
Field
类将始终实例化一个Vocab
对象(source),并且由于您将经过预训练的向量传递给TEXT.build_vocab
,因此Vocab
构造函数将call该函数load_vectors
。
if vectors is not None:
self.load_vectors(vectors, unk_init=unk_init, cache=vectors_cache)
在load_vectors
中,通过列举vectors
中的单词,filled为itos
。
for i, token in enumerate(self.itos):
start_dim = 0
for v in vectors:
end_dim = start_dim + v.dim
self.vectors[i][start_dim:end_dim] = v[token.strip()]
start_dim = end_dim
assert(start_dim == tot_dim)
因此,可以确定itos
和vectors
将具有相同的顺序。