在 TensorFlow 之中使用文本数据

在之前的学习之中，我们曾经学习过如何进行文本分类，但是归根结底我们都是采用 TensorFlow 内置的 API 来直接获取数据集的 Dataset ，而没有真正的从文本文件中加载数据集。

在实际的机器学习任务之中，我们的数据集不可能每个都由 TensorFlow 提供，大多数的数据都是我们自行加载的。而对于文本数据，我们使用最多的数据格式就是 txt 数据格式，因此这节课我们来学习如何从文本文件中使用文本数据。

要使用文本数据，我们大致可以分为两个步骤：

• 使用 tf.data.TextLineDataset 加载文本数据；
• 使用编码将数据进行编码。

1. 使用 tf.data.TextLineDataset 加载文本数据

在 TensorFlow 之中加载文本数据最常用的方式就是采用 TensorFlow 中的内置函数使用 tf.data.TextLineDataset 加载文本数据进行加载。

由于该 API 的存在，在 TensorFlow 之中加载数据变得非常简单、快捷。

在这里，我们先使用谷歌仓库中的 txt 作为一个示例，大家可以使用自己的 txt 文件进行测试。

import tensorflow as tf
import os

txt_path = tf.keras.utils.get_file('derby.txt', origin='https://storage.googleapis.com/download.tensorflow.org/data/illiad/derby.txt')

dataset = tf.data.TextLineDataset(txt_path).map(lambda x: (x, 0))
dataset.shuffle(1000).batch(32)

print(dataset)
for data in labeled_dataset.take(4):
  print(data)

在这里，我们要注意以下几点：

• 首先我们使用 tf.data.TextLineDataset 函数来加载 txt 文件，该函数会将其自动转化为 tf.data.Dataset 对象；
• 然后我们对每条数据进行了映射处理，因为数据集需要含有标签，而我们的 txt 不含标签，因此我们使用 0 作为暂时的标签；
• 再者我们使用 shuffle 对数据集进行了随机化处理，然后又进行了分批的处理，这里的批大小为 32 ；
• 最后我们查看了前四条数据。

于是我们可以得到结果：

<MapDataset shapes: ((), ()), types: (tf.string, tf.int32)>
(<tf.Tensor: shape=(), dtype=string, numpy=b"xefxbbxbfOf Peleus' son, Achilles, sing, O Muse,">, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=string, numpy=b'The vengeance, deep and deadly; whence to Greece'>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=string, numpy=b'Unnumbered ills arose; which many a soul'>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=string, numpy=b'Of mighty warriors to the viewless shades'>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

可以发现，我们已经成功创建了数据集，但是没有进行编码处理，这显然是不适合直接进行机器学习的。

2. 使用编码将数据进行编码

我们可以使用 tensorflow_dataset.features.text.Tokenizer 对象进行编码处理，该对象能够将接收到的句子进行编码。同时，我们可以通过 tensorflow_dataset.features.text.TokenTextEncoder 函数进行编码器的构建。

import tensorflow_datasets as tfds

tokenizer = tfds.features.text.Tokenizer()

vocab = set()
for text, l in dataset:
  token = tokenizer.tokenize(text.numpy())
  vocab.update(token)

print(len(vocab))

于是我们可以得到输出：

9703

然后我们可以进行编码操作（以下映射方式参考于 TensorFlow 官方文档）：

# 定义编码器
encoder = tfds.features.text.TokenTextEncoder(vocab)

def encode(text, label):
  encoded_text = encoder.encode(text.numpy())
  return encoded_text, label

# 使用tf.py_function进行映射
def encode_map_fn(text, label):
  encoded_text, label = tf.py_function(encode, inp=[text, label], Tout=(tf.int32, tf.int32))

  # 手动设置形状Shape
  encoded_text.set_shape([None])
  label.set_shape([])

  return encoded_text, label

# 进行编码处理
encoded_data_set = dataset.map(encode_map_fn)
print(encoded_data_set)
for data in encoded_data_set.take(4):
  print(data)

在这里，我们进行了以下几步操作：

• 我们首先使用 tfds.features.text.TokenTextEncoder 对象构造了编码器；
• 然后我们对每个数据进行了映射处理；
• 在每个映射操作之中，我们使用 tf.py_function 函数进行映射操作；这是因为，如果在 map 函数之中调用 Tensor.numpy() 函数会报错，因此需要使用 tf.py_function 进行映射操作；
• 最后，因为 tf.py_function 不会设置数据的形状 Shape ，因此我们需要手动设置 Shape 。

于是，我们可以得到输出：

<MapDataset shapes: ((None,), ()), types: (tf.int32, tf.int32)>
(<tf.Tensor: shape=(7,), dtype=int32, numpy=array([7755, 4839, 4383, 5722, 4996, 2065, 8059], dtype=int32)>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(8,), dtype=int32, numpy=array([ 855, 5184,  700, 8356, 5931, 5665, 4634, 7127], dtype=int32)>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(7,), dtype=int32, numpy=array([1620, 6817, 5649, 5461, 5505,  209, 3146], dtype=int32)>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(7,), dtype=int32, numpy=array([7755, 1810, 3656, 4634, 4920, 1136, 6789], dtype=int32)>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

于是我们可以发现，我们的数据集已经成功编码，现在可以便可以使用该数据集进行模型的训练了。

3. 小结

在这节课之中，我们学习了如何在 TensorFlow 之中使用文本数据。总体而言，在大多数的学习任务之中都需要我们手动载入文本数据，我们一方面可以通过 tf.data.TextLineDataset 加载文本数据，另外一方面我们需要使用 tensorflow_dataset.features.text.Tokenizer 进行文本的编码处理。