d2l语言模型--生成小批量序列

对语言模型的数据集处理做以下汇总与总结

目录

1.k元语法

1.1一元

1.2 二元

1.3 三元

2.随机抽样

 2.1各bs之间随机

2.2各bs之间连续

3.封装

1.k元语法

1.1一元

tokens = d2l.tokenize(d2l.read_time_machine())
# 因为每个⽂本⾏不⼀定是⼀个句⼦或⼀个段落，因此我们把所有⽂本⾏拼接到⼀起
corpus = [token for line in tokens for token in line]
vocab = d2l.Vocab(corpus)

  看看得到了什么:corpus为原txt所有词汇拉成一维list；token_freqs为按1元语法统计的token-freqs列表。

vocab.token_freqs[:10], corpus[:20]'''
([('the', 2261),('i', 1267),('and', 1245),('of', 1155),('a', 816),('to', 695),('was', 552),('in', 541),('that', 443),('my', 440)],['the','time','machine','by','h','g','wells','i','the','time','traveller','for','so','it','will','be','convenient','to','speak','of'])
'''

1.2 二元

  二元即为将前后两词连在一起当作一个词元，其token为一个包含tuple的list，其中每个tuple为元txt各2个相邻词组成。

bigram_tokens = [pair for pair in zip(corpus[:-1], corpus[1:])]
bigram_vocab = d2l.Vocab(bigram_tokens)
# 返回
bigram_vocab.token_freqs[:10],bigram_tokens[:5]'''
([(('of', 'the'), 309),(('in', 'the'), 169),(('i', 'had'), 130),(('i', 'was'), 112),(('and', 'the'), 109),(('the', 'time'), 102),(('it', 'was'), 99),(('to', 'the'), 85),(('as', 'i'), 78),(('of', 'a'), 73)],[('the', 'time'),('time', 'machine'),('machine', 'by'),('by', 'h'),('h', 'g')])
'''

  其中，讲一下相邻2词的实现：

bigram_tokens = [pair for pair in zip(corpus[:-1], corpus[1:])]
bigram_tokens[:5]'''
[('the', 'time'),('time', 'machine'),('machine', 'by'),('by', 'h'),('h', 'g')]
'''

  传入Vocab的tokens为一个list，如果是2维list则会展平成1维；如果本身就为1维则直接对里面的每个元素进行操作

 注意，二元语法中传入Vocab的bigram_tokens是如图组成的二元语法，里面每个元素为前后相邻两个字符串为元组的list，在计数的时候不会被拉成1维的list，因为其本身每个需要计数的元素就是bigram_tokens里面的每个元素(二元元组)

1.3 三元

类似的操作：

trigram_tokens = [triple for triple in zip(corpus[:-2], corpus[1:-1], corpus[2:])]
trigram_vocab = d2l.Vocab(trigram_tokens)
trigram_vocab.token_freqs[:10]'''
[(('the', 'time', 'traveller'), 59),(('the', 'time', 'machine'), 30),(('the', 'medical', 'man'), 24),(('it', 'seemed', 'to'), 16),(('it', 'was', 'a'), 15),
...]
'''

实现细节：

corpus[-7:], corpus[:-2][-5:], corpus[1:-1][-5:], corpus[2:][-5:]'''
(['lived', 'on', 'in', 'the', 'heart', 'of', 'man'],['lived', 'on', 'in', 'the', 'heart'],['on', 'in', 'the', 'heart', 'of'],['in', 'the', 'heart', 'of', 'man'])
'''

2.随机抽样

  任务，给定一个corpus为所有单词拼起来的一维list，输出X，Y，尺寸为(bs,T)，实现如下的分割，注意前k个和最后若不足以配T个的就都扔了。

 2.1各bs之间随机

def seq_data_iter_random(corpus, batch_size, num_steps): #@save"""使⽤随机抽样⽣成⼀个⼩批量⼦序列"""# 从随机偏移量开始对序列进⾏分区，随机范围包括num_steps-1corpus = corpus[random.randint(0, num_steps - 1):]# 减去1，是因为我们需要考虑标签num_subseqs = (len(corpus) - 1) // num_steps# ⻓度为num_steps的⼦序列的起始索引initial_indices = list(range(0, num_subseqs * num_steps, num_steps))# 在随机抽样的迭代过程中，# 来⾃两个相邻的、随机的、⼩批量中的⼦序列不⼀定在原始序列上相邻random.shuffle(initial_indices)def data(pos):# 返回从pos位置开始的⻓度为num_steps的序列return corpus[pos: pos + num_steps]num_batches = num_subseqs // batch_sizefor i in range(0, batch_size * num_batches, batch_size):# 在这⾥，initial_indices包含⼦序列的随机起始索引initial_indices_per_batch = initial_indices[i: i + batch_size]X = [data(j) for j in initial_indices_per_batch]Y = [data(j + 1) for j in initial_indices_per_batch]yield torch.tensor(X), torch.tensor(Y)

  num_steps相当于T，表示切分的每个子块中含有多少个词
  corpus考虑对前K个，随机切除，前K个就不要了
  num_subseqs是看切后的corpus能组成多少个T的块，采用向下取整。在这里为31//5=6
  initial_indices计算每个子序列块起始位置的索引
  num_batches表示用块的个数除bs，向下取整
  for loop 里面i的分割是bs，保证后面取bs个起始位置时不会取重：(见下图例子)

 initial_indices_per_batch表示从块起始索引位置list中，抽取bs个起始位置。

my_seq = list(range(35))
for X, Y in seq_data_iter_random(my_seq, batch_size=2, num_steps=5):print('X: ', X, '\\nY:', Y)'''
X:  tensor([[22, 23, 24, 25, 26],[ 2,  3,  4,  5,  6]]) 
Y: tensor([[23, 24, 25, 26, 27],[ 3,  4,  5,  6,  7]])
X:  tensor([[17, 18, 19, 20, 21],[ 7,  8,  9, 10, 11]]) 
Y: tensor([[18, 19, 20, 21, 22],[ 8,  9, 10, 11, 12]])
X:  tensor([[12, 13, 14, 15, 16],[27, 28, 29, 30, 31]]) 
Y: tensor([[13, 14, 15, 16, 17],[28, 29, 30, 31, 32]])
'''

  X，Y均为(bs,T).

  22预测23；22，23预测24；22，23，24预测25...

2.2各bs之间连续

def seq_data_iter_sequential(corpus, batch_size, num_steps): #@save"""使⽤顺序分区⽣成⼀个⼩批量⼦序列"""# 从随机偏移量开始划分序列offset = random.randint(0, num_steps)num_tokens = ((len(corpus) - offset - 1) // batch_size) * batch_sizeXs = torch.tensor(corpus[offset: offset + num_tokens])Ys = torch.tensor(corpus[offset + 1: offset + 1 + num_tokens])Xs, Ys = Xs.reshape(batch_size, -1), Ys.reshape(batch_size, -1)num_batches = Xs.shape[1] // num_stepsfor i in range(0, num_steps * num_batches, num_steps):X = Xs[:, i: i + num_steps]Y = Ys[:, i: i + num_steps]yield X, Y

  num_batches表示能输出几个bs，后面不够bs的都扔掉：

  对应这3个：

 与random一样，核心都是块数//bs，其中块数=cor//num_step(T)

3.封装

class SeqDataLoader: #@save"""加载序列数据的迭代器"""def __init__(self, batch_size, num_steps, use_random_iter, max_tokens):if use_random_iter:self.data_iter_fn = d2l.seq_data_iter_randomelse:self.data_iter_fn = d2l.seq_data_iter_sequentialself.corpus, self.vocab = d2l.load_corpus_time_machine(max_tokens)self.batch_size, self.num_steps = batch_size, num_stepsdef __iter__(self):return self.data_iter_fn(self.corpus, self.batch_size, self.num_steps)

对于其中的iter：

def load_data_time_machine(batch_size, num_steps, #@saveuse_random_iter=False, max_tokens=10000):"""返回时光机器数据集的迭代器和词表"""data_iter = SeqDataLoader(batch_size, num_steps, use_random_iter, max_tokens)return data_iter, data_iter.vocab