如何在 pytorch 中为机器翻译任务加载 torchtext 数据集?

如何解决如何在 pytorch 中为机器翻译任务加载 torchtext 数据集?

我是 torchtext 的新手我一直在使用 Multi30k 数据集来学习基础知识。在学习基础知识的过程中,我想使用其他数据集,例如 IWSLT2017。我阅读了文档,他们向我展示了如何加载数据。

这就是我加载 Multi30k 数据集的方式

# creating the fields

SRC = data.Field(
    tokenize = tokenize_de,lower= True,init_token = "<sos>",eos_token = "<eos>"
)
TRG = data.Field(
    tokenize = tokenize_en,eos_token = "<eos>"
)

### Splitting the sets
train_data,valid_data,test_data = datasets.Multi30k.splits(
    exts=('.de','.en'),fields = (SRC,TRG)
)

当我运行这个时:

print(vars(train_data.examples[0]))

我明白了:

{'src': ['zwei','junge','weiße','männer','sind','im','freien','in','der','nähe','vieler','büsche','.'],'trg': ['two','young',','white','males','are','outside','near','many','bushes','.']}

我的问题是如何在调用 IWSLT2017 时加载 print(vars(train_data.examples[0])) 以获得类似的结果。

这是我尝试过的:

from torchtext.datasets import IWSLT2017
train_iter,valid_iter,test_iter = IWSLT2017(
    root='.data',split=('train','valid','test'),language_pair=('it','en')
)
src_sentence,tgt_sentence = next(train_iter)

它返回一个元组,如下所示:

('Sono impressionato da questa conferenza,e voglio ringraziare tutti voi per i tanti,lusinghieri commenti,anche perché... Ne ho bisogno!!!\n','I have been blown away by this conference,and I want to thank all of you for the many nice comments\n')

我的问题是我怎样才能从这一步移动到获得这样的东西的步骤:

{'src': ['zwei','.']}

任何帮助输入将不胜感激。

解决方法

为此,您可以使用例如 spacy 的 processing_pipeline。 一个示例如下所示:

import spacy
from torchtext.data.utils import get_tokenizer
from torchtext.datasets import IWSLT2017

train_iter,valid_iter,test_iter = IWSLT2017(root='.data',split=('train','valid','test'),language_pair=('it','en'))

src_sentence,tgt_sentence = next(train_iter)
print(src_sentence,tgt_sentence)

nlp = spacy.load("it_core_news_sm")
for doc in nlp.pipe([src_sentence]):
    # Do something with the doc here
    print([(ent.text) for ent in doc])

nlp = spacy.load("en_core_web_sm")
for doc in nlp.pipe([tgt_sentence]):
    # Do something with the doc here
    print([(ent.text) for ent in doc])

第一个例句的输出:

Grazie mille,Chris. E’ veramente un grande onore venire su questo palco due volte. Vi sono estremamente grato.
Thank you so much,Chris. And it's truly a great honor to have the opportunity to come to this stage twice; I'm extremely grateful.

标记化句子的输出:

['Grazie','mille',','Chris','.','E','’','veramente','un','grande','onore','venire','su','questo','palco','due','volte','Vi','sono','estremamente','grato','\n']
['Thank','you','so','much','And','it',"'s",'truly','a','great','honor','to','have','the','opportunity','come','this','stage','twice',';','I',"'m",'extremely','grateful','\n']

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


Selenium Web驱动程序和Java。元素在(x,y)点处不可单击。其他元素将获得点击?
Python-如何使用点“。” 访问字典成员?
Java 字符串是不可变的。到底是什么意思?
Java中的“ final”关键字如何工作?(我仍然可以修改对象。)
“loop:”在Java代码中。这是什么,为什么要编译?
java.lang.ClassNotFoundException:sun.jdbc.odbc.JdbcOdbcDriver发生异常。为什么?
这是用Java进行XML解析的最佳库。
Java的PriorityQueue的内置迭代器不会以任何特定顺序遍历数据结构。为什么?
如何在Java中聆听按键时移动图像。
Java“Program to an interface”。这是什么意思?
Java在半透明框架/面板/组件上重新绘画。
Java“ Class.forName()”和“ Class.forName()。newInstance()”之间有什么区别?
在此环境中不提供编译器。也许是在JRE而不是JDK上运行?
Java用相同的方法在一个类中实现两个接口。哪种接口方法被覆盖?
Java 什么是Runtime.getRuntime()。totalMemory()和freeMemory()?
java.library.path中的java.lang.UnsatisfiedLinkError否*****。dll
JavaFX“位置是必需的。” 即使在同一包装中
Java 导入两个具有相同名称的类。怎么处理?
Java 是否应该在HttpServletResponse.getOutputStream()/。getWriter()上调用.close()?
Java RegEx元字符(。)和普通点?