动手学深度学习PyTorch版--Task2--文本预处理；语言模型；循环神经网络基础

一.文本预处理

文本是一类序列数据，一篇文章可以看作是字符或单词的序列，本节将介绍文本数据的常见预处理步骤，预处理通常包括四个步骤：
1.读入文本
2.分词
3.建立字典，将每个词映射到一个唯一的索引（index）
4.将文本从词的序列转换为索引的序列，方便输入模型

1.读入文本

import collections
import re

def read_time_machine():
	# open 函数打开文本文件，创建文件对象f
    with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f:
    # f可迭代，for line in f一次读取一行
    # 文件的每一行用strip函数 去掉前缀后缀的空白字符（即空格/换行符/制表符），并将所有大写字符转为小写字符
    # 其中[^a-z]+ 表示 非小写英文字符组成的至少一个字符
        lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
    return lines

lines = read_time_machine()
print('# sentences %d' % len(lines))  # 打印文件行数
'''
sentences 3221
'''

2.分词

我们对每个句子进行分词，也就是将一个句子划分成若干个词（token），转换为一个词的序列。

# sentences是一个字符串列表，每个字符串是一个句子
# token-标志：
  # 如果是 word，做单词间的分词，每句以空格划分
  # 如果是 char，做字符间的分词，将sentences列表的每个字符串（句子）转化为列表
  # 无论是以何种方式，返回的是二维列表，一维是sentences的长度，二维是句子分词后的单词/字符的长度
def tokenize(sentences, token='word'):
    """Split sentences into word or char tokens"""
    if token == 'word':
        return [sentence.split(' ') for sentence in sentences]
    elif token == 'char':
        return [list(sentence) for sentence in sentences]
    else:
        print('ERROR: unkown token type '+token)

tokens = tokenize(lines)
tokens[0:2]
'''
[['the', 'time', 'machine', 'by', 'h', 'g', 'wells', ''], ['']]
'''

3.建立字典

为了方便模型处理，我们需要将字符串转换为数字。因此我们需要先构建一个字典（vocabulary），将每个词映射到一个唯一的索引编号。

class Vocab(object):
	# 参数介绍
	# tokens: 为上一个分词函数的结果，二维列表
	# min_freq-阈值：对出现次数小于该数值的词，忽略
	# use_special_tokens: 是否要对使用特殊token
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
        # 统计词频
        counter = count_corpus(tokens)  # <key,value>: <词，词缀>
        self.token_freqs = list(counter.items())
        # 记录字典所需维护的token
        self.idx_to_token = []
        if use_special_tokens:  # 如果该参数为真，引入4个pad,bos,eos,unk
            # padding, begin of sentence, end of sentence, unknown
            self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
            self.idx_to_token += ['<pad>', '<bos>', '<eos>', '<unk>']
        else:
            self.unk = 0
            self.idx_to_token += ['<unk>']
        # 如果该词的词频大于阈值 并且 该词不在idx_to_token中出现过
        # 就取语料库中的词和词频 添加到idx_to_token 中，
        self.idx_to_token += [token for token, freq in self.token_freqs
                             if freq >= min_freq and token not in self.idx_to_token]
        self.token_to_idx = dict()  # 词到索引的映射 定义为字典
        # enumerate枚举idx_to_token中的每个词和每个词的下标
        # 将词和每个词的下标添加到 token_to_idx中
        for idx, token in enumerate(self.idx_to_token):
            self.token_to_idx[token] = idx

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

def count_corpus(sentences):
    tokens = [tk for st in sentences for tk in st]
    return collections.Counter(tokens)  # 返回一个字典，记录每个词的出现次数

4.将词转为索引

使用字典，我们可以将原文本中的句子从单词序列转换为索引序列

for i in range(8, 10):
    print('words:', tokens[i])
    print('indices:', vocab[tokens[i]])
'''
words: ['the', 'time', 'traveller', 'for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him', '']
indices: [1, 2, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 0]
words: ['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us', 'his', 'grey', 'eyes', 'shone', 'and']
indices: [20, 21, 22, 23, 24, 16, 25, 26, 27, 28, 29, 30]
'''

5.用现有工具进行分词

我们前面介绍的分词方式非常简单，它至少有以下几个缺点:

标点符号通常可以提供语义信息，但是我们的方法直接将其丢弃了
类似“shouldn’t", “doesn’t"这样的词会被错误地处理
类似"Mr.”, "Dr."这样的词会被错误地处理
我们可以通过引入更复杂的规则来解决这些问题，但是事实上，有一些现有的工具可以很好地进行分词，我们在这里简单介绍其中的两个：spaCy和NLTK。

下面是一个简单的例子：

text = "Mr. Chen doesn't agree with my suggestion."

# <spaCy方法>
import spacy
nlp = spacy.load('en_core_web_sm')  # 导入en的language
doc = nlp(text)
print([token.text for token in doc])

'''
['Mr.', 'Chen', 'does', "n't", 'agree', 'with', 'my', 'suggestion', '.']
'''

# <NLTK方法>
from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))
'''
['Mr.', 'Chen', 'does', "n't", 'agree', 'with', 'my', 'suggestion', '.']
'''

$Y = WX+b$Y=WX+b

二.语言模型

1.介绍

2.n元语法

3.语言模型数据集

读取数据集

with open('/home/kesci/input/jaychou_lyrics4703/jaychou_lyrics.txt') as f:
    corpus_chars = f.read()
print(len(corpus_chars))   # 共6万多个字符
print(corpus_chars[: 40])  # 输出前40个字符
corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ') # 将换行回车 换成空格
corpus_chars = corpus_chars[: 10000] # 只保留前1万个字符 作为语料库
'''
63282
想要有直升机
想要和你飞到宇宙去
想要和你融化在一起
融化在宇宙里
我每天每天每
'''

建立字符索引

idx_to_char = list(set(corpus_chars)) # 去重，转为列表，得到索引到字符的映射
# 枚举idx_to_char中的每个字符char和下标i,构造一个字典
char_to_idx = {char: i for i, char in enumerate(idx_to_char)} # 字符到索引的映射
vocab_size = len(char_to_idx)  # 记录字典的大小
print(vocab_size)

# 将语料库中的每个字符转化为索引，得到一个索引的序列
corpus_indices = [char_to_idx[char] for char in corpus_chars]  
# 取出索引序列的前20个索引
sample = corpus_indices[: 20]
# 取sample中索引对应的字符，
print('chars:', ''.join([idx_to_char[idx] for idx in sample]))
print('indices:', sample)
'''
1027
chars: 想要有直升机 想要和你飞到宇宙去 想要和
indices: [1022, 648, 1025, 366, 208, 792, 199, 1022, 648, 641, 607, 625, 26, 155, 130, 5, 199, 1022, 648, 641]
'''

将前两个代码整个到函数中
定义函数load_data_jay_lyrics，在后续章节中直接调用。

def load_data_jay_lyrics():
    with open('/home/kesci/input/jaychou_lyrics4703/jaychou_lyrics.txt') as f:
        corpus_chars = f.read()
    corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ')
    corpus_chars = corpus_chars[0:10000]
    idx_to_char = list(set(corpus_chars))
    char_to_idx = dict([(char, i) for i, char in enumerate(idx_to_char)])
    vocab_size = len(char_to_idx)
    corpus_indices = [char_to_idx[char] for char in corpus_chars]
    return corpus_indices, char_to_idx, idx_to_char, vocab_size

时序数据的采样

随机采样

每次从数据里随机采样一个小批量。其中批量大小batch_size是每个小批量的样本数，num_steps是每个样本所包含的时间步数。 在随机采样中，每个样本是原始序列上任意截取的一段序列，相邻的两个随机小批量在原始序列上的位置不一定相毗邻。
如下图所示，若batch_size为2，取两次，时间步数为6

如 原数据为：[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]
划分为：
[ 0, 1, 2, 3, 4, 5] [ 6, 7, 8, 9, 10, 11] [12, 13, 14, 15, 16, 17] [18, 19, 20, 21, 22, 23]

import torch
import random
'''
参数介绍
	corpus_indices 	序列
	batch_size 		批量大小
	num_steps  		时间步数
	device 			是否使用GPU
'''
def data_iter_random(corpus_indices, batch_size, num_steps, device=None):
	# 计算序列能划分成几个样本：
    # 减1是因为对于长度为n的序列，X最多只有包含其中的前n-1个字符，最后一个字符给Y使用
    num_examples = (len(corpus_indices) - 1) // num_steps  # 下取整，得到不重叠情况下的样本个数
    example_indices = [i * num_steps for i in range(num_examples)]  # 记录每个样本的第一个字符在corpus_indices中的下标.如 0 6 12 18
    random.shuffle(example_indices) # 随机采样

	# 返回从i开始的长为num_steps的序列:
    def _data(i):
   		# 如取得i为6，则返回【ghijkl】
        return corpus_indices[i: i + num_steps]
    # 是否使用GPU:
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    
    for i in range(0, num_examples, batch_size):
        # 每次选出batch_size个随机样本
        batch_indices = example_indices[i: i + batch_size]  # 当前batch的各个样本的首字符的下标
        # batch_size=2
        # 第一批次
        # batch_indices = example_indices[0] = 0
        # batch_indices = example_indices[1] = 6
        # 第二批次
        # batch_indices = example_indices[2] = 12
        # batch_indices = example_indices[3] = 18
        X = [_data(j) for j in batch_indices]
        # 返回从0开始的长为6的序列 [0,1,2,3,4,5]
        # 返回从6开始的长为6的序列 [6,7,8,9,10,11]
        # 返回从12开始的长为6的序列 [12,13,14,15,16,17]
        # 返回从18开始的长为6的序列 [18,19,20,21,22,23]
        Y = [_data(j + 1) for j in batch_indices]
        # 返回从1开始的长为6的序列 [1,2,3,4,5,6]
        # 返回从7开始的长为6的序列 [7,8,9,10,11,12]
        # 返回从13开始的长为6的序列 [13,14,15,16,17,18]
        # 返回从19开始的长为6的序列 [19,20,21,22,23,24]
        yield torch.tensor(X, device=device), torch.tensor(Y, device=device)

my_seq = list(range(30))
for X, Y in data_iter_random(my_seq, batch_size=2, num_steps=6):
    print('X: ', X, '\nY:', Y, '\n')
'''
X:  tensor([[ 6,  7,  8,  9, 10, 11],
        [12, 13, 14, 15, 16, 17]]) 
Y: tensor([[ 7,  8,  9, 10, 11, 12],
        [13, 14, 15, 16, 17, 18]]) 

X:  tensor([[ 0,  1,  2,  3,  4,  5],
        [18, 19, 20, 21, 22, 23]]) 
Y: tensor([[ 1,  2,  3,  4,  5,  6],
        [19, 20, 21, 22, 23, 24]]) 
'''

相邻采样

在相邻采样中，相邻的两个随机小批量在原始序列上的位置相毗邻。
如下图所示，batch_size为2，每个颜色长度为6

如 原数据为：[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]
先划分为：
[[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]]
再划分为
[[ [ 0, 1, 2, 3, 4, 5, 6], [7, 8, 9, 10, 11, 12, 13, 14]],
[ [15, 16, 17, 18, 19, 20], [21, 22, 23, 24, 25, 26, 27] ]]

def data_iter_consecutive(corpus_indices, batch_size, num_steps, device=None):
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    corpus_len = len(corpus_indices) // batch_size * batch_size  # 保留下来的序列的长度
    corpus_indices = corpus_indices[: corpus_len]  # 仅保留前corpus_len个字符
    indices = torch.tensor(corpus_indices, device=device)
     # resize成(batch_size, )即(2,15)
    indices = indices.view(batch_size, -1) 
    # batch_num = (15-1)/6 = 2
    batch_num = (indices.shape[1] - 1) // num_steps
    for i in range(batch_num):
        i = i * num_steps
        X = indices[:, i: i + num_steps]
        Y = indices[:, i + 1: i + num_steps + 1]
        yield X, Y
        '''
        # 当i = 0
		  i = 0
		  X = indices[0][0:6] = [0,1,2,3,4,5]
		  Y = indices[0][1:7] = [1,2,3,4,5,6]
		  X = indices[1][0:6] = [15,16,17,18,19,20]
		  Y = indices[1][1:7] = [16,17,18,19,20,21]
		# 当i = 1
		  i = 6
		  X = indices[0][6:11] = [6,7,8,9,10,11]
		  Y = indices[0][7:12] = [7,8,9,10,11,12]
		  X = indices[1][6:11] = [21,22,23,24,25,26]
		  Y = indices[1][7:12] = [22,23,24,25,26,27]
		'''

'''
corpus_indices: 
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]

indices: 
tensor([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]])
'''

同样的设置下，打印相邻采样每次读取的小批量样本的输入X和标签Y。相邻的两个随机小批量在原始序列上的位置相毗邻。

for X, Y in data_iter_consecutive(my_seq, batch_size=2, num_steps=6):
    print('X: ', X, '\nY:', Y, '\n')
'''
X:  tensor([[ 0,  1,  2,  3,  4,  5],
        [15, 16, 17, 18, 19, 20]]) 
Y: tensor([[ 1,  2,  3,  4,  5,  6],
        [16, 17, 18, 19, 20, 21]]) 

X:  tensor([[ 6,  7,  8,  9, 10, 11],
        [21, 22, 23, 24, 25, 26]]) 
Y: tensor([[ 7,  8,  9, 10, 11, 12],
        [22, 23, 24, 25, 26, 27]]) 
'''