关于算法:根据译文片段预测翻译作者

38次阅读

共计 3398 个字符,预计需要花费 9 分钟才能阅读完成。

本教程的目标是率领大家学会,依据译文片段预测翻译作者

本次用到的数据集是三个 txt 文本,别离是 cowper.txt、derby.txt、butler.txt,该文本曾经通过一些预处理,去除了表头,页眉等

接下来咱们加载数据,这里咱们应用 tf.data.TextLineDataset API,而不是之前应用的 text_dataset_from_directory,两者的区别是,前者加载 txt 文件里的每一行作为一个样本,后者是加载整个 txt 文件作为一个样本

DIRECTORY_URL = 'https://storage.googleapis.com/download.tensorflow.org/data/illiad/'
FILE_NAMES = ['cowper.txt', 'derby.txt', 'butler.txt']

for name in FILE_NAMES:
  text_dir = utils.get_file(name, origin=DIRECTORY_URL + name)

parent_dir = pathlib.Path(text_dir).parent
list(parent_dir.iterdir())

def labeler(example, index):
  return example, tf.cast(index, tf.int64)

labeled_data_sets = []

for i, file_name in enumerate(FILE_NAMES):
  lines_dataset = tf.data.TextLineDataset(str(parent_dir/file_name))
  labeled_dataset = lines_dataset.map(lambda ex: labeler(ex, i))
  labeled_data_sets.append(labeled_dataset)

如上图所示,咱们能够看到,txt 文件里的每一行的确是一个样本,其实下面的数据曾经通过进一步解决了,变成 (example, label) pair 了

接下来咱们须要对文本进行 standardize and tokenize,而后再应用 StaticVocabularyTable,建设 tokens 到 integers 的映射

这里咱们应用 UnicodeScriptTokenizer 来 tokenize 数据集,代码如下所示

tokenizer = tf_text.UnicodeScriptTokenizer()

def tokenize(text, unused_label):
  lower_case = tf_text.case_fold_utf8(text)
  return tokenizer.tokenize(lower_case)

tokenized_ds = all_labeled_data.map(tokenize)

上图是 tokenize 的后果展现

下一步,咱们须要建设 vocabulary,依据 tokens 的频率做一个排序,并取排名靠前的 VOCAB_SIZE 个元素

tokenized_ds = configure_dataset(tokenized_ds)

vocab_dict = collections.defaultdict(lambda: 0)
for toks in tokenized_ds.as_numpy_iterator():
  for tok in toks:
    vocab_dict[tok] += 1

vocab = sorted(vocab_dict.items(), key=lambda x: x[1], reverse=True)
vocab = [token for token, count in vocab]
vocab = vocab[:VOCAB_SIZE]
vocab_size = len(vocab)
print("Vocab size:", vocab_size)
print("First five vocab entries:", vocab[:5])

接下来,咱们须要用 vocab 创立 StaticVocabularyTable,因为 0 被保留用于表明 padding,1 被保留用于表明 OOV token,所以咱们的理论 map tokens 的 integer 是 [2, vocab_size+2],代码如下所示

keys = vocab
values = range(2, len(vocab) + 2)  # reserve 0 for padding, 1 for OOV

init = tf.lookup.KeyValueTensorInitializer(keys, values, key_dtype=tf.string, value_dtype=tf.int64)

num_oov_buckets = 1
vocab_table = tf.lookup.StaticVocabularyTable(init, num_oov_buckets)

最初咱们要封装一个函数用于 standardize, tokenize and vectorize 数据集,通过 tokenizer and lookup table

def preprocess_text(text, label):
  standardized = tf_text.case_fold_utf8(text)
  tokenized = tokenizer.tokenize(standardized)
  vectorized = vocab_table.lookup(tokenized)
  return vectorized, label

上图是对于把 raw text 转化成 tokens 的展现后果

接下来,咱们须要对数据集进行划分,而后再创立模型,最初就能够开始训练了,代码如下所示

all_encoded_data = all_labeled_data.map(preprocess_text)

train_data = all_encoded_data.skip(VALIDATION_SIZE).shuffle(BUFFER_SIZE)
validation_data = all_encoded_data.take(VALIDATION_SIZE)

train_data = train_data.padded_batch(BATCH_SIZE)
validation_data = validation_data.padded_batch(BATCH_SIZE)

vocab_size += 2

train_data = configure_dataset(train_data)
validation_data = configure_dataset(validation_data)

model = create_model(vocab_size=vocab_size, num_labels=3)
model.compile(
    optimizer='adam',
    loss=losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=['accuracy'])
history = model.fit(train_data, validation_data=validation_data, epochs=3)

上图是训练的后果展现,在验证集上的准确率达到了 84.18%

inputs = [
    "Join'd to th'Ionians with their flowing robes,",  # Label: 1
    "the allies, and his armour flashed about him so that he seemed to all",  # Label: 2
    "And with loud clangor of his arms he fell.",  # Label: 0
]
predicted_scores = export_model.predict(inputs)
predicted_labels = tf.argmax(predicted_scores, axis=1)
for input, label in zip(inputs, predicted_labels):
  print("Question:", input)
  print("Predicted label:", label.numpy())

最初咱们用训练后的模型进行预测,后果如下图所示

预测后果和理论标签都对应上了

代码地址: https://codechina.csdn.net/cs…

正文完
 0