torchtext入門教程，輕鬆玩轉文本數據處理

02-16

用深度學習做nlp也有一段時間了，熟悉這塊內容的同學都知道，實踐演算法的時候，寫模型是個簡單的事，最麻煩的是數據處理，數據處理不僅會浪費我們大部分時間，而且會消耗很大的計算資源，浪費人力物力。今年開始接觸pytorch，簡潔的API，動態圖，更加靈活的編寫模式，諸多優點不用多說。最近嘗試使用torchtext工具，這裡想先說明的是，torchtext並不是pytorch所獨有的，使用其它深度學習框架，torchtext仍然可以使用。但是比較麻煩的是，並沒有很好很全面的torchtext教程，給同學們入門造成了一定麻煩，這也是我寫這篇文章的目的。

0.首先整體介紹一下torchtext的組件。

torchtext包含以下組件：

Field :主要包含以下數據預處理的配置信息，比如指定分詞方法，是否轉成小寫，起始字元，結束字元，補全字元以及詞典等等

Dataset :繼承自pytorch的Dataset，用於載入數據，提供了TabularDataset可以指點路徑，格式，Field信息就可以方便的完成數據載入。同時torchtext還提供預先構建的常用數據集的Dataset對象，可以直接載入使用，splits方法可以同時載入訓練集，驗證集和測試集。

Iterator : 主要是數據輸出的模型的迭代器，可以支持batch定製

1. Field

Field 包含一寫文本處理的通用參數的設置，同時還包含一個詞典對象，可以把文本數據表示成數字類型，進而可以把文本表示成需要的tensor類型

以下是Field對象包含的參數：

sequential: 是否把數據表示成序列，如果是False, 不能使用分詞默認值: True.

use_vocab: 是否使用詞典對象. 如果是False 數據的類型必須已經是數值類型. 默認值: True.

init_token: 每一條數據的起始字元默認值: None.

eos_token: 每條數據的結尾字元默認值: None.

fix_length: 修改每條數據的長度為該值，不夠的用pad_token補全. 默認值: None.

tensor_type: 把數據轉換成的tensor類型默認值: torch.LongTensor.

preprocessing:在分詞之後和數值化之前使用的管道默認值: None.

postprocessing: 數值化之後和轉化成tensor之前使用的管道默認值: None.

lower: 是否把數據轉化為小寫默認值: False.

tokenize: 分詞函數. 默認值: str.split.

include_lengths: 是否返回一個已經補全的最小batch的元組和和一個包含每條數據長度的列表 . 默認值: False.

batch_first: Whether to produce tensors with the batch dimension first. 默認值: False.

pad_token: 用於補全的字元. 默認值: "<pad>".

unk_token: 不存在詞典里的字元. 默認值: "<unk>".

pad_first: 是否補全第一個字元. 默認值: False.

重要的幾個方法：

pad(minibatch): 在一個batch對齊每條數據

build_vocab(): 建立詞典

numericalize(): 把文本數據數值化，返回tensor

簡單的栗子如下，建一個Field對象

TEXT = data.Field(tokenize=data.get_tokenizer(spacy), init_token=<SOS>, eos_token=<EOS>,lower=True)

2.Dataset

torchtext的Dataset是繼承自pytorch的Dataset，提供了一個可以下載壓縮數據並解壓的方法（支持.zip, .gz, .tgz）

splits方法可以同時讀取訓練集，驗證集，測試集

TabularDataset可以很方便的讀取CSV, TSV, or JSON格式的文件，例子如下：

train, val, test = data.TabularDataset.splits( path=./data/, train=train.tsv, validation=val.tsv, test=test.tsv, format=tsv, fields=[(Text, TEXT), (Label, LABEL)])

載入數據後可以建立詞典，建立詞典的時候可以使用與訓練的word vector

TEXT.build_vocab(train, vectors="glove.6B.100d")

3. Iterator

Iterator是torchtext到模型的輸出，它提供了我們對數據的一般處理方式，比如打亂，排序，等等，可以動態修改batch大小，這裡也有splits方法可以同時輸出訓練集，驗證集，測試集

參數如下：

dataset: 載入的數據集

batch_size: Batch 大小.

batch_size_fn: 產生動態的batch大小的函數

sort_key: 排序的key

train: 是否是一個訓練集

repeat: 是否在不同epoch中重複迭代

shuffle: 是否打亂數據

sort: 是否對數據進行排序

sort_within_batch: batch內部是否排序

device: 建立batch的設備 -1:CPU ；0,1 ...：對應的GPU

使用方式如下：

train_iter, val_iter, test_iter = data.Iterator.splits( (train, val, test), sort_key=lambda x: len(x.Text), batch_sizes=(32, 256, 256), device=-1)

4.其他

torchtext提供常用文本數據集，並可以直接載入使用：

train,val,test = datasets.WikiText2.splits(text_field=TEXT)

現在包含的數據集包括：

Sentiment analysis: SST and IMDb
Question classification: TREC
Entailment: SNLI
Language modeling: WikiText-2
Machine translation: Multi30k, IWSLT, WMT14

完整例子如下，短短几行就把詞典和數據batch做好了。

import spacyimport torchfrom torchtext import data, datasetsspacy_en = spacy.load(en)def tokenizer(text): # create a tokenizer function return [tok.text for tok in spacy_en.tokenizer(text)]TEXT = data.Field(sequential=True, tokenize=tokenizer, lower=True, fix_length=150)LABEL = data.Field(sequential=False, use_vocab=False)train, val, test = data.TabularDataset.splits( path=./data/, train=train.tsv, validation=val.tsv, test=test.tsv, format=tsv, fields=[(Text, TEXT), (Label, LABEL)])TEXT.build_vocab(train, vectors="glove.6B.100d")train_iter, val_iter, test_iter = data.Iterator.splits( (train, val, test), sort_key=lambda x: len(x.Text), batch_sizes=(32, 256, 256), device=-1)vocab = TEXT.vocab