作为一些背景,我最近对NLP和文本处理的研究越来越多。我对计算机视觉更加熟悉。我完全理解Tokenization的概念。
我的困惑来自于各种不同的实现方式。Tokenizer
类,可以在 Tensorflow
生态系统。
有一个 Tokenizer
班级 Tensorflow Datasets
(tfds
)以及一个在 Tensorflow
适当的。tfds.features.text.Tokenizer()
&amp。tf.keras.preprocessing.text.Tokenizer()
分别。
我研究了一下源代码(链接如下),但无法获得任何有用的见解。
这里的tl;dr问题是。你用哪个库做什么?一个库比另一个库的好处是什么?
注
我跟在后面 Tensorflow实践专业 以及这个 教程. 执业专业信托基金使用的是 tf.Keras.preprocessing.text.Tokenizer()
的实现,而文本加载教程则使用 tfds.features.text.Tokenizer()
有很多软件包已经开始提供自己的API来做文本预处理,然而,每个软件包都有自己的细微差别。
tf.keras.preprocessing.text.Tokenizer()
是由Keras实现的,Tensorflow支持的高级API。
tfds.features.text.Tokenizer()
是由tensorflow自己开发和维护的。
两者都有自己的方式来做tokens的编码。你可以通过下面的例子来了解。
import tensorflow as tf
from tensorflow.keras.preprocessing.text import Tokenizer
import tensorflow_datasets as tfds
让我们拿一些样本数据来看看这两个API的编码输出。
text_data = ["4. Kurt Betschart - Bruno Risi ( Switzerland ) 22",
"Israel approves Arafat 's flight to West Bank .",
"Moreau takes bronze medal as faster losing semifinalist .",
"W D L G / F G / A P",
"-- Helsinki newsroom +358 - 0 - 680 50 248",
"M'bishi Gas sets terms on 7-year straight ."]
首先,让我们来看看这两个API的结果 tf.keras.Tokenizer()
:
tf_keras_tokenizer = Tokenizer()
tf_keras_tokenizer.fit_on_texts(text_data)
tf_keras_encoded = tf_keras_tokenizer.texts_to_sequences(text_data)
tf_keras_encoded = pad_sequences(tf_keras_encoded, padding="post")
对于我们输入数据中的第一句话,结果将是。
tf_keras_encoded[0]
数组([2,3,4,5,6,7,8,0], dtype=int32)
如果我们看一下词到索引的映射。
tf_keras_tokenizer.index_word
{1: 'g',
2: '4',
3: 'kurt',
4: 'betschart',
5: 'bruno',
6: 'risi',
7: 'switzerland',
8: '22',
9: 'israel',
10: 'approves',
11: 'arafat',
12: "'s",
13: 'flight',
14: 'to',
15: 'west',
16: 'bank',
17: 'moreau',
18: 'takes',
19: 'bronze',
20: 'medal',
21: 'as',
22: 'faster',
23: 'losing',
24: 'semifinalist',
25: 'w',
26: 'd',
27: 'l',
28: 'f',
29: 'a',
30: 'p',
31: 'helsinki',
32: 'newsroom',
33: '358',
34: '0',
35: '680',
36: '50',
37: '248',
38: "m'bishi",
39: 'gas',
40: 'sets',
41: 'terms',
42: 'on',
43: '7',
44: 'year',
45: 'straight'}
现在让我们试试 tfds.features.text.Tokenizer()
:
text_vocabulary_set = set()
for text in text_data:
text_tokens = tfds_tokenizer.tokenize(text)
text_vocabulary_set.update(text_tokens)
tfds_text_encoder = tfds.features.text.TokenTextEncoder(text_vocabulary_set, tokenizer=tfds_tokenizer)
对于我们输入数据中的第一句话,结果将是。
tfds_text_encoder.encode(text_data[0])
[35, 19, 44, 38, 32, 2, 14]
如果我们看一下词到索引的映射(注意这里索引是从0开始的)。
tfds_text_encoder._token_to_id
{'0': 0,
'22': 13,
'248': 17,
'358': 23,
'4': 34,
'50': 9,
'680': 6,
'7': 26,
'A': 19,
'Arafat': 39,
'Bank': 35,
'Betschart': 43,
'Bruno': 37,
'D': 15,
'F': 20,
'G': 28,
'Gas': 29,
'Helsinki': 38,
'Israel': 3,
'Kurt': 18,
'L': 44,
'M': 5,
'Moreau': 22,
'P': 10,
'Risi': 31,
'Switzerland': 1,
'W': 30,
'West': 33,
'approves': 4,
'as': 7,
'bishi': 2,
'bronze': 12,
'faster': 8,
'flight': 27,
'losing': 42,
'medal': 32,
'newsroom': 11,
'on': 25,
's': 24,
'semifinalist': 40,
'sets': 36,
'straight': 45,
'takes': 41,
'terms': 16,
'to': 14,
'year': 21}
你可以看到两个结果的编码差异,以及两个API都提供了一些超参数,可以根据需求使用和改变。