【5】深度学习之Pytorch——如何使用张量处理文本数据集（语料库数据集）

在计算机领域，不断崛起的两个领域，一个是CV一个是NLP，下面我们可以探索一下深度学习在NLP的应用和特点。

深度学习在自然语言处理（NLP）领域有广泛的应用。以下是一些主要的应用和特点：

• 语音识别：深度学习模型可以通过语音数据训练，学习如何将语音转换为文本。

• 文本分类：深度学习模型可以根据文本内容将文本分为不同的类别。例如，情感分析、主题分类等。

• 机器翻译：深度学习模型可以将一种语言翻译成另一种语言。神经机器翻译是一种基于深度学习的翻译方法。

• 语言生成：深度学习模型可以生成自然语言文本。例如，文本摘要、对话系统等。

• 命名实体识别：深度学习模型可以识别文本中的命名实体，例如人名、地名、组织名等。

• 语言模型：深度学习模型可以学习自然语言的规律和概率分布，用于文本生成、语音识别等任务。

在NLP领域中，深度学习的主要特点包括：

• 端到端学习：深度学习模型可以直接从原始数据学习，不需要手工提取特征。这使得深度学习在NLP领域中的应用更加灵活和高效。

• 高度表征：深度学习模型可以学习文本的高级表征，这些表征可以帮助解决NLP任务中的挑战，例如语义理解、上下文处理等。

• 多层次抽象：深度学习模型可以通过多层次抽象学习文本的语义信息，从而实现对复杂NLP任务的处理。

• 可扩展性：深度学习模型可以通过增加层数、节点等方式增强其性能，这使得它们适用于各种规模的NLP任务。

深度学习席卷了自然语言处理（natural language processing, NLP）领域，尤其是通过使用不断消耗输入和模型先前输出相结合的模型。这种模型称为递归神经网络（recurrent neural networks, RNN），它已被成功应用于文本分类、文本生成和自动翻译系统。在这之前的NLP工作的特点是复杂的多阶段处理流程，包括编码语言语法的规则。

目前，最先进的（state-of-the-art）工作在大型语料库上端到端地从头开始训练网络，让这些规则从数据中浮现出来。在过去的几年中，互联网上最常用的自动翻译系统服务就是基于深度学习的。

网络在两个级别上对文本进行操作：在字符级别上，一次处理一个字符；而在单词级别上，单词是网络中最细粒度的实体。无论是在字符级别还是在单词级别操作，将文本信息编码为张量形式的技术都是相同的，这种就是独热编码。

本期文章的数据集，可以是一本书籍。任意的名著都可以，中英文的数据都可以进行。

读取数据集

with open('./other.txt', encoding='utf8') as f:text = f.read()

注意一个细节：编码（encoding）。编码是一个宽泛的词，因此我们现在要做的就是实际“触摸”它。每个字符都由一个代码表示，该代码是一系列适当长度的比特（bit）位，它可以唯一地标识每个字符。最简单的这种编码是ASCII（American Standard Code for Information Interchange），其历史可以追溯到1960年代。ASCII使用128个整数对128个字符进行编码。例如，字母“a”对应于二进制1100001或十进制97；字母“b”对应于二进制1100010或十进制98，依此类推。该编码刚好8位，这在1965年是一个很大的收获。

注意：显然，128个字符不足以正确表示除英语之外的其他书面文字所需的所有字形、字音、连字等等。为此，其他编码被开发了出来，用更多的比特位代码表示更大范围的字符。更大范围的字符被标准化为Unicode编码，它将所有已知字符映射为数字，这些数字的位表示由特定编码提供。流行的编码包括UTF-8、UTF-16和UTF-32，对应数字分别是8位、16位或32位整数的序列。 Python 3.x中的字符串是Unicode字符串。

你将对字符进行独热编码，以将独热编码限制为对要分析的文本有用的字符集。在本例中，因为你以英文加载了文本，所以使用ASCII这种小型编码是非常安全的。你也可以将所有字符都转换为小写，以减少编码中的字符数。同样，你还可以筛选出与预期的文本类型无关的标点符号、数字和其他字符，这可能会也可能不会对你的神经网络产生实际的影响。

这就是在进行数据的一个预处理过程，一般中文中，我们可以使用jieba分词库，然后使用一些停用词过滤掉那些无意义的字符。

每个字符将由一个长度等于编码中字符数的向量表示。该向量除了有一个元素是1外其他全为0，这个1的索引对应该字符在字符集中的位置。

将每一行的数据作为一个元素，用列表的形式存储起来

lines = text.split('\n')
line = lines[200]
line

'“Impossible, Mr. Bennet, impossible, when I am not acquainted with him'

创建一个张量，该张量可以容纳整行的独热编码的字符总数：

letter_tensor = torch.zeros(len(line), 128) # 128是由于ASCII的限制
letter_tensor.shape

torch.Size([70, 128])

letter_tensor每行将要表示一个独热编码字符。现在在每一行正确位置上设置成1，以使每一行代表正确的字符。设置1的索引对应于编码中字符的索引：

for i, letter in enumerate(line.lower().strip()):# 文本里含有双引号，不是有效的ASCII，因此在此处将其屏蔽letter_index = ord(letter) if ord(letter) < 128 else 0letter_tensor[i][letter_index] = 1

你已经将句子独热编码成神经网络可以使用的表示形式。你也可以沿张量的行，通过建立词汇表来在词级别（word-level）对句子（即词序列）进行独热编码（也就是分词）。由于词汇表包含许多单词，因此该方法会产生可能不是很实际的很宽的编码向量。

定义clean_words函数，它接受文本并将其返回小写并删除标点符号。在“Impossible, Mr. Bennet”行上调用它时，会得到以下信息：

def clean_words(input_str):punctuation = '.,;:"!?”“_-'word_list = input_str.lower().replace('\n',' ').split()word_list = [word.strip(punctuation) for word in word_list]return word_list
words_in_line = clean_words(line)
line, words_in_line

('“Impossible, Mr. Bennet, impossible, when I am not acquainted with him',['impossible','mr','bennet','impossible','when','i','am','not','acquainted','with','him'])

接下来，在编码中建立单词到索引的映射：

word_list = sorted(set(clean_words(text)))
word2index_dict = {word: i for (i, word) in enumerate(word_list)}
len(word2index_dict), word2index_dict['impossible']

(7261, 3394)

请注意，word2index_dict现在是一个字典，其中单词作为键，而整数作为值。独热编码时，你将使用此词典来有效地找到单词的索引。

现在专注于句子，将其分解为单词并对其进行独热编码（即对每个单词使用一个独热编码向量来填充张量）。先创建一个空向量，然后赋值成句子中的单词的独热编码：

word_tensor = torch.zeros(len(words_in_line), len(word2index_dict))
for i, word in enumerate(words_in_line):word_index = word2index_dict[word]word_tensor[i][word_index] = 1print('{:2} {:4} {}'.format(i, word_index, word))print(word_tensor.shape)

 0 3394 impossible1 4305 mr2  813 bennet3 3394 impossible4 7078 when5 3315 i6  415 am7 4436 not8  239 acquainted9 7148 with
10 3215 him
torch.Size([11, 7261])

此时，word_tensor表示长度为11编码长度为7261（这是字典中单词的数量）的一个句子。

每文一语

时间也会带给你成长的！