torchtext.vocab的学习

NLP常见的数据预处理工作如下：

1. Load File：数据文件加载；
2. Tokenization：分词；
3. Create Vocabulary：创建字典;
4. Indexify：将词与索引进行映射;
5. Word Vectors：创建或加载词向量；
6. Padding or Fix Length：按长度对文本进行补齐或截取；
7. Dataset Splits：划分数据集（如将数据集划分问训练集、验证集、测试集）；
8. Batching and Iterators：将数据集按固定大小划分成Batch；

使用torchtext完成以上工作：

• 使用torchtext.data.Field定义样本各个字段的处理流程（分词、数据预处理等）；
• 使用torchtext.data.Example将torchtext.data.Field处理成一条样本；
• 使用torchtext.data.Dataset将torchtext.data.Example处理成数据集，也可对数据集进行划分等工作；
• 使用torchtext.data.Iterators将torchtext.data.Dataset按照batch_size组装成Batch供模型训练使用；
• 使用torchtext.data.vocab和torchtext.data.Vectors创建词典、词和索引的一一对应、下载或使用预训练的词向量等；

vocab

一句话概括：主要是用来建立词汇表创建词典、词和索引的一一对应、下载或使用预训练的词向量等；

常见的词嵌入模型：word2vec Glove

Pretrained Word Embeddings

CLASS torchtext.vocab.GloVe(name='840B', dim=300, **kwargs)

CLASS torchtext.vocab.FastText(language='en', **kwargs)

CLASS torchtext.vocab.ChaarNGram(**kwargs)

返回的实例主要有以下三个属性：

• stoi: 词到索引的字典：
• itos: 一个列表，索引到词的映射；
• vectors: 词向量。

通过上面的模块，实现由词到向量之间的转换！！！

vocab.Vocab 是一个词汇表对象（由 下面的vocab 生成 Vocab 对象），使用counter创建词汇表

从 collections.Counter 构建词汇表

class collections.Counter([iterable-or-mapping])

一个 Counter 是一个 dict 的子类，用于计数可哈希对象。它是一个集合，元素像字典键(key)一样存储，它们的计数存储为值。计数可以是任何整数值，包括0和负数。 Counter 类有点像其他语言中的 bags或multisets。Counter实际上也是dict的一个子类，之不多可以统计不同的值出现的次数。

CLASS torchtext.vocab.Vocab(counter, max_size=None, min_freq=1, 
  specials=('<unk>', '<pad>'), vectors=None, unk_init=None, vectors_cache=None,
  specials_first=True)
  定义词汇表。属性：Vocab.freqs, Vocab.stoi, Vocab.itos
  __init__(counter,...)
      从 collections.Counter 构建词汇表
  load_vectors(vectors, **kwargs)
      vectors - GloVe, CharNGram, Vectors 实例，或者可用的预训练向量。
  set_vectors(stoi, vectors, dim, unk_init=...)
      从一个张量集合中设置词汇表实例的向量。
      stoi - 字符串 到 `vectors` 相应向量的索引 的字典
      vectors - 该参数支持索引 __getitem__。输入一个索引值，返回索引对应词条的向量（FloatTensor）。
            例如：vector[stoi["string"]] 应该返回 “string" 的词向量。
      dim - 词向量的维度

torchtext.vocab.vocab 使用dict创建词汇表对象

torchtext.vocab.vocab( ordered_dict: Dict , min_freq: int = 1 ) → torchtext.  vocab.Vocab[来源]

用于创建将标记映射到索引的vocab对象的工厂方法。

请注意，在构建vocab时，将遵守在ordered_dict中插入键值对的顺序。因此，如果按标记频率排序对用户很重要，则应以反映这一点的方式创建ordered_dict。

参数

• ordered_dict – 有序字典将标记映射到它们相应的出现频率。
• min_freq – 在词汇表中包含一个标记所需的最小频率。

Returns

A Vocab objectReturn type

torchtext.vocab.Vocab

根据分好词的训练数据集来创建词典，过滤掉了出现次数少于5的词。

#实例
def get_vocab_imdb(data):
    tokenized_data = get_tokenized_imdb(data)
    counter = collections.Counter([tk for st in tokenized_data for tk in st])
    return Vocab.vocab(counter, min_freq=5)

vocab = get_vocab_imdb(train_data)
'# words in vocab:', len(vocab)

输出：('# words in vocab:', 46151)

SubwordVocab： 构建子词汇表

CLASS torchtext.vocab.SubwordVocab(counter, max_size=None, specials='<pad>'
    vectors=None, unk_init=...)
  __init__(counter, ...)
      从 collections.Counter 构建子词词汇表，
      specials - padding or eos 等

Vectors：返回词向量

Look up embedding vectors of tokens

CLASS torchtext.vocab.Vectors(name, cache=None, url=None, unk_init=None,
    max_vectors=None)
  __init__(name, cache=None, url=None, unk_init=None, max_vectors=None)
      name - 包含向量的文件名
      cache - 缓存向量文件的目录
      url - 如果缓存中没有找到向量文件，则从该链接下载
      max_vectors - 用于限制加载的预训练此向量的数量。大部分预训练的向量集都是按照词频降序排列
         在整个集合不适合内存或者不需要全部加载的情况下，可以加此限制。
  get_vecs_by_tokens(tokens, lower_case_backup=False)
      用于查找词条的嵌入向量。
      tokens - 一个词条或词条列表。如果一个词条，返回 self.dim 形状的一维张量；如果列表，返回
             （len(tokens), self.dim）形状的二维张量。
      lower_case_backup -  是否查找小写的词条。如果为True，先按原格式在 `stoi` 查找，
            没找到的话，再查小写格式

examples = ['chip', 'baby', 'Beautiful']
vec = text.vocab.GloVe(name='6B', dim=50)
ret = vec.get_vecs_by_tokens(tokens, lower_case_backup=True)

build_vocab_from_iterator ：从迭代器创建vocab

torchtext.vocab.build_vocab_from_iterator(iterator, num_lines=None)
    从 迭代器 建立词汇表
    iterator - 必须产生词条的列表或迭代器
    num_lines - 迭代器返回元素的预期数量。

torchtext.vocab.build_vocab_from_iterator(iterator: Iterable, min_freq: int = 1, specials: Optional[List[str]] = None, special_first: bool = True) → torchtext.vocab.vocab.Vocab[SOURCE]
Build a Vocab from an iterator.

Parameters
iterator – Iterator used to build Vocab. Must yield list or iterator of tokens.

min_freq – The minimum frequency needed to include a token in the vocabulary.

specials – Special symbols to add. The order of supplied tokens will be preserved.

special_first – Indicates whether to insert symbols at the beginning or at the end.