語言模型
n元語法
數據稀疏:是因爲很多數據算出來都是0
語言模型數據集
讀取數據集
with open('/home/kesci/input/jaychou_lyrics4703/jaychou_lyrics.txt') as f:
corpus_chars = f.read()##返回整個文件
print(len(corpus_chars))
print(corpus_chars[: 40])
corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ')#替代換行和回車
corpus_chars = corpus_chars[: 10000]
結果:
63282
想要有直升機
想要和你飛到宇宙去
想要和你融化在一起
融化在宇宙裏
我每天每天每
建立字符索引
idx_to_char = list(set(corpus_chars)) # 去重,得到索引到字符的映射
char_to_idx = {char: i for i, char in enumerate(idx_to_char)} # 字符到索引的映射
vocab_size = len(char_to_idx)
print(vocab_size)
corpus_indices = [char_to_idx[char] for char in corpus_chars] # 將每個字符轉化爲索引,得到一個索引的序列
sample = corpus_indices[: 20]
print('chars:', ''.join([idx_to_char[idx] for idx in sample]))
print('indices:', sample)
1027
chars: 想要有直升機 想要和你飛到宇宙去 想要和
indices: [1022, 648, 1025, 366, 208, 792, 199, 1022, 648, 641, 607, 625, 26, 155, 130, 5, 199, 1022, 648, 641]
定義函數load_data_jay_lyrics
,在後續章節中直接調用。
def load_data_jay_lyrics():
with open('/home/kesci/input/jaychou_lyrics4703/jaychou_lyrics.txt') as f:
corpus_chars = f.read()
corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ')
corpus_chars = corpus_chars[0:10000]
idx_to_char = list(set(corpus_chars))
char_to_idx = dict([(char, i) for i, char in enumerate(idx_to_char)])
vocab_size = len(char_to_idx)
corpus_indices = [char_to_idx[char] for char in corpus_chars]
return corpus_indices, char_to_idx, idx_to_char, vocab_size
隨機採樣
下面的代碼每次從數據裏隨機採樣一個小批量。其中批量大小batch_size
是每個小批量的樣本數,num_steps
是每個樣本所包含的時間步數。 在隨機採樣中,每個樣本是原始序列上任意截取的一段序列,相鄰的兩個隨機小批量在原始序列上的位置不一定相毗鄰。
def data_iter_random(corpus_indices, batch_size, num_steps, device=None):
# 減1是因爲對於長度爲n的序列,X最多隻有包含其中的前n - 1個字符
num_examples = (len(corpus_indices) - 1) // num_steps # 下取整,得到不重疊情況下的樣本個數
example_indices = [i * num_steps for i in range(num_examples)] # 每個樣本的第一個字符在corpus_indices中的下標
random.shuffle(example_indices)#打亂每一個樣本第一個字符的下標
def _data(i):
# 返回從i開始的長爲num_steps的序列
return corpus_indices[i: i + num_steps]
if device is None:
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
for i in range(0, num_examples, batch_size):#控制迭代的次數
# 每次選出batch_size個隨機樣本
batch_indices = example_indices[i: i + batch_size] # 當前batch的各個樣本的首字符的下標
X = [_data(j) for j in batch_indices]
Y = [_data(j + 1) for j in batch_indices]
yield torch.tensor(X, device=device), torch.tensor(Y, device=device)
測試一下這個函數,我們輸入從0到29的連續整數作爲一個人工序列,設批量大小和時間步數分別爲2和6,打印隨機採樣每次讀取的小批量樣本的輸入X
和標籤Y
。
my_seq = list(range(30))
for X, Y in data_iter_random(my_seq, batch_size=2, num_steps=6):
print('X: ', X, '\nY:', Y, '\n')
結果:
X: tensor([[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17]])
Y: tensor([[ 7, 8, 9, 10, 11, 12],
[13, 14, 15, 16, 17, 18]])
X: tensor([[ 0, 1, 2, 3, 4, 5],
[18, 19, 20, 21, 22, 23]])
Y: tensor([[ 1, 2, 3, 4, 5, 6],
[19, 20, 21, 22, 23, 24]])
相鄰採樣
在相鄰採樣中,相鄰的兩個隨機小批量在原始序列上的位置相毗鄰。
def data_iter_consecutive(corpus_indices, batch_size, num_steps, device=None):
if device is None:
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
corpus_len = len(corpus_indices) // batch_size * batch_size # 保留下來的序列的長度
corpus_indices = corpus_indices[: corpus_len] # 僅保留前corpus_len個字符
indices = torch.tensor(corpus_indices, device=device)
indices = indices.view(batch_size, -1) # resize成(batch_size, )
batch_num = (indices.shape[1] - 1) // num_steps#得到迭代的次數
for i in range(batch_num):
i = i * num_steps
X = indices[:, i: i + num_steps]
Y = indices[:, i + 1: i + num_steps + 1]
yield X, Y
同樣的設置下,打印相鄰採樣每次讀取的小批量樣本的輸入X
和標籤Y
。相鄰的兩個隨機小批量在原始序列上的位置相毗鄰。
for X, Y in data_iter_consecutive(my_seq, batch_size=2, num_steps=6):
print('X: ', X, '\nY:', Y, '\n')
結果:
X: tensor([[ 0, 1, 2, 3, 4, 5],
[15, 16, 17, 18, 19, 20]])
Y: tensor([[ 1, 2, 3, 4, 5, 6],
[16, 17, 18, 19, 20, 21]])
X: tensor([[ 6, 7, 8, 9, 10, 11],
[21, 22, 23, 24, 25, 26]])
Y: tensor([[ 7, 8, 9, 10, 11, 12],
[22, 23, 24, 25, 26, 27]])
更多知識,可關注公衆號“AI算法與數學之美”