Keras Tokenizer方法到底能做什么?
keras
nlp
python
7
0

有时,我们需要执行以下操作:

from keras.preprocessing.text import Tokenizer
tokenizer = Tokenizer(num_words=my_max)

然后,我们总是吟诵此咒语:

tokenizer.fit_on_texts(text) 
sequences = tokenizer.texts_to_sequences(text)

尽管我(或多或少)了解了总的效果,但无论我做了多少研究(显然包括文档),我都无法弄清楚每个人分别做什么。我认为我从未见过一个没有另一个。

那么,每个都做什么?在任何情况下,您会使用其中一个而不使用另一个吗?如果不是,为什么不将它们简单地组合成类似以下内容:

sequences = tokenizer.fit_on_texts_to_sequences(text)

抱歉,如果我缺少明显的内容,但是我对此很陌生。

参考资料:
Stack Overflow
收藏
评论
共 3 个回答
高赞 时间 活跃

通过示例在上述答案中添加更多内容,有助于更好地理解:

范例1

t  = Tokenizer()
fit_text = "The earth is an awesome place live"
t.fit_on_texts(fit_text)
test_text = "The earth is an great place live"
sequences = t.texts_to_sequences(test_text)

print("sequences : ",sequences,'\n')

print("word_index : ",t.word_index)
#[] specifies : 1. space b/w the words in the test_text    2. letters that have not occured in fit_text

Output :

       sequences :  [[3], [4], [1], [], [1], [2], [8], [3], [4], [], [5], [6], [], [2], [9], [], [], [8], [1], [2], [3], [], [13], [7], [2], [14], [1], [], [7], [5], [15], [1]] 

       word_index :  {'e': 1, 'a': 2, 't': 3, 'h': 4, 'i': 5, 's': 6, 'l': 7, 'r': 8, 'n': 9, 'w': 10, 'o': 11, 'm': 12, 'p': 13, 'c': 14, 'v': 15}

范例2

t  = Tokenizer()
fit_text = ["The earth is an awesome place live"]
t.fit_on_texts(fit_text)

#fit_on_texts fits on sentences when list of sentences is passed to fit_on_texts() function. 
#ie - fit_on_texts( [ sent1, sent2, sent3,....sentN ] )

#Similarly, list of sentences/single sentence in a list must be passed into texts_to_sequences.
test_text1 = "The earth is an great place live"
test_text2 = "The is my program"
sequences = t.texts_to_sequences([test_text1, test_text2])

print('sequences : ',sequences,'\n')

print('word_index : ',t.word_index)
#texts_to_sequences() returns list of list. ie - [ [] ]

Output:

        sequences :  [[1, 2, 3, 4, 6, 7], [1, 3]] 

        word_index :  {'the': 1, 'earth': 2, 'is': 3, 'an': 4, 'awesome': 5, 'place': 6, 'live': 7}
收藏
评论

让我们看看这行代码的作用。

tokenizer.fit_on_texts(文本)

例如,考虑句子“地球是一个很棒的生活场所”

tokenizer.fit_on_texts("The earth is an awesome place live")适合[[1,2,3,4,5,6,7]]其中3->“ is”,6->“ place”,依此类推。

sequences = tokenizer.texts_to_sequences("The earth is an great place live")

返回[[1,2,3,4,6,7]]。

你看这里发生了什么。单词“ great”最初不适合使用,因此无法识别单词“ great”。意思是,可以在火车数据上单独使用fit_on_text,然后可以使用拟合的词汇索引来表示一组全新的单词序列。这是两个不同的过程。因此,这两行代码。

收藏
评论

源代码

  1. fit_on_texts 根据文本列表更新内部词汇。该方法根据词频创建词汇索引。因此,如果您给它类似“猫坐在垫子上”的字样。它将创建一个字典st word_index["the"] = 1; word_index["cat"] = 2这是单词->索引字典,因此每个单词都会获得唯一的整数值。 0保留用于填充。因此,较低的整数意味着频率更高的单词(通常前几个是停用词,因为它们出现的次数很多)。
  2. texts_to_sequences 将文本中的每个文本转换为整数序列。因此,它基本上接受文本中的每个单词,并将其替换为word_index词典中相应的整数值。仅此而已,当然也不会涉及任何魔术。

为什么不合并它们?因为您几乎总是适合一次多次转换为序列。您将适合您的训练语料库,并在训练/评估/测试/预测时使用完全相同的word_index词典将实际文本转换为序列,以将其输入网络。因此,将这些方法分开是有意义的。

收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号