使用 torchtext + embedding 文件准备训练数据

一、原材料:

       1、预训练好的 embedding 文件,这里使用的embedding文件是 glove.6B.300d.txt,该文件可以从网上下载。
       2、语料,也就是将要被数字化的文本,这里使用的是 train.tsv、dev.tsv 和 test.tsv 三个文件,train.tsv 和 dev.tsv 这两个文件的数据格式如下:

sentence        label
hide new secretions from the parental units     0     
contains no wit , only labored gags     0     
that loves its characters and communicates something rather beautiful about human nature        1
remains utterly satisfied to remain the same throughout         0
on the worst revenge-of-the-nerds clichés the filmmakers could dredge up        0
that 's far too tragic to merit such superficial treatment      0     
demonstrates that the director of such hollywood blockbusters as patriot games can still turn out a small , personal film with an emotional wallop .    1
of saucy        1
a depressed fifteen-year-old 's suicidal poetry         0

test.tsv 文件的格式如下:

index   sentence
0       uneasy mishmash of styles and genres .
1       this film 's relationship to actual tension is the same as what christmas-tree flocking in a spray can is to actual snow : a poor -- if durable -- imitation .
2       by the end of no such thing the audience , like beatrice , has a watchful affection for the monster .
3       director rob marshall went out gunning to make a great one .
4       lathan and diggs have considerable personal charm , and their screen rapport makes the old story seem new .
5       a well-made and often lovely depiction of the mysteries of friendship .
6       none of this violates the letter of behan 's book , but missing is its spirit , its ribald , full-throated humor .
7       although it bangs a very cliched drum at times , this crowd-pleaser 's fresh dialogue , energetic music , and good-natured spunk are often infectious .

二、完整 demo

import torch

from torchtext import data
from torchtext import vocab
from tqdm import tqdm


embedding_file = '/home/jason/Desktop/data/embeddings/glove/glove.6B.300d.txt'
path = '/home/jason/Desktop/data/SST-2/'

cache_dir = '.cache/'
batch_size = 6
vectors = vocab.Vectors(embedding_file, cache_dir)

text_field = data.Field(tokenize='spacy',
                        lower=True,
                        include_lengths=True,
                        fix_length=10)
label_field = data.LabelField(dtype=torch.long)

train, dev, test = data.TabularDataset.splits(path=path,
                                              train='train.tsv',
                                              validation='dev.tsv',
                                              test='test.tsv',
                                              format='tsv',
                                              skip_header=True,
                                              fields=[('text', text_field), ('label', label_field)])

text_field.build_vocab(train,
                       dev,
                       test,
                       max_size=25000,
                       vectors=vectors,
                       unk_init=torch.Tensor.normal_)
label_field.build_vocab(train, dev, test)

pretrained_embeddings = text_field.vocab.vectors
labels = label_field.vocab.vectors

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

train_iter, dev_iter, test_iter = data.BucketIterator.splits((train, dev, test),
                                                             batch_sizes=(batch_size, len(dev), len(test)),
                                                             sort_key=lambda x: len(x.text),
                                                             sort_within_batch=True,
                                                             repeat=False,
                                                             shuffle=True,
                                                             device=device
                                                            )

for step, batch in enumerate(tqdm(train_iter, desc="Iteration")):
    print('>1: ', batch.text[1])
    print('>2: ', batch.label)
    break

三、执行结果如下:

Iteration:   0%|                                                                                         | 0/11225 [00:00<?, ?it/s]>1:  (tensor([[   26,  8340,    62,     4,   677,   115],
        [  549,     3,  1621,   594,     5,   175],
        [    8,    85,    10,     3,   148,   484],
        [  217,     9,    56,   213,     9,     6],
        [  128,  1111, 11676,   545,  1942,   157],
        [  273,  1429,   538,     1,     1,     1],
        [    1,     1,     1,     1,     1,     1],
        [    1,     1,     1,     1,     1,     1],
        [    1,     1,     1,     1,     1,     1],
        [    1,     1,     1,     1,     1,     1]]), tensor([6, 6, 6, 5, 5, 5]))
>2:  tensor([1, 1, 1, 0, 0, 0])
Iteration:   0%|                                                                                         | 0/11225 [00:00<?, ?it/s]

NOTE:因为文本被随机打乱,所以每次执行结果会不同!

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,324评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,356评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,328评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,147评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,160评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,115评论 1 296
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,025评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,867评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,307评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,528评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,688评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,409评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,001评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,657评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,811评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,685评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,573评论 2 353

推荐阅读更多精彩内容