يوم مجتمع ML هو 9 نوفمبر! الانضمام إلينا للحصول على التحديثات من TensorFlow، JAX، وأكثر معرفة المزيد

تحميل النص

عرض على TensorFlow.org تشغيل في Google Colab عرض المصدر على جيثبتحميل دفتر

يوضح هذا البرنامج التعليمي طريقتين لتحميل النص ومعالجته مسبقًا.

# Be sure you're using the stable versions of both `tensorflow` and
# `tensorflow-text`, for binary compatibility.
pip uninstall -y tf-nightly keras-nightly
pip install tensorflow
pip install tensorflow-text
import collections
import pathlib

import tensorflow as tf

from tensorflow.keras import layers
from tensorflow.keras import losses
from tensorflow.keras import utils
from tensorflow.keras.layers import TextVectorization

import tensorflow_datasets as tfds
import tensorflow_text as tf_text

مثال 1: توقع علامة سؤال Stack Overflow

كمثال أول ، ستقوم بتنزيل مجموعة بيانات لأسئلة البرمجة من Stack Overflow. وصفت كل سؤال ( "كيف يمكنني فرز القاموس من حيث القيمة؟") مع علامة واحدة ( Python ، CSharp ، JavaScript ، أو Java ). مهمتك هي تطوير نموذج يتنبأ بعلامة السؤال. هذا مثال على التصنيف متعدد الفئات - وهو نوع مهم وقابل للتطبيق على نطاق واسع من مشاكل التعلم الآلي.

قم بتنزيل واستكشاف مجموعة البيانات

تبدأ عن طريق تحميل بيانات المكدس تجاوز باستخدام tf.keras.utils.get_file ، واستكشاف بنية الدليل:

data_url = 'https://storage.googleapis.com/download.tensorflow.org/data/stack_overflow_16k.tar.gz'

dataset_dir = utils.get_file(
    origin=data_url,
    untar=True,
    cache_dir='stack_overflow',
    cache_subdir='')

dataset_dir = pathlib.Path(dataset_dir).parent
Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/stack_overflow_16k.tar.gz
6053888/6053168 [==============================] - 0s 0us/step
6062080/6053168 [==============================] - 0s 0us/step
list(dataset_dir.iterdir())
[PosixPath('/tmp/.keras/train'),
 PosixPath('/tmp/.keras/README.md'),
 PosixPath('/tmp/.keras/stack_overflow_16k.tar.gz'),
 PosixPath('/tmp/.keras/test')]
train_dir = dataset_dir/'train'
list(train_dir.iterdir())
[PosixPath('/tmp/.keras/train/java'),
 PosixPath('/tmp/.keras/train/csharp'),
 PosixPath('/tmp/.keras/train/javascript'),
 PosixPath('/tmp/.keras/train/python')]

في train/csharp ، train/java ، train/python و train/javascript الدلائل تحتوي على العديد من ملفات نصية، كل واحدة منها هي مسألة تجاوز المكدس.

اطبع ملفًا نموذجيًا وافحص البيانات:

sample_file = train_dir/'python/1755.txt'

with open(sample_file) as f:
  print(f.read())
why does this blank program print true x=true.def stupid():.    x=false.stupid().print x

قم بتحميل مجموعة البيانات

بعد ذلك ، ستقوم بتحميل البيانات من القرص وإعدادها بتنسيق مناسب للتدريب. للقيام بذلك، وسوف تستخدم tf.keras.utils.text_dataset_from_directory أداة لإنشاء وصفت tf.data.Dataset . إذا كنت جديدا على tf.data ، انها مجموعة قوية من الأدوات لبناء خطوط أنابيب الإدخال. (تعرف على المزيد في tf.data: بناء خطوط أنابيب TensorFlow إدخال دليل.)

و tf.keras.utils.text_dataset_from_directory API يتوقع بنية دليل على النحو التالي:

train/
...csharp/
......1.txt
......2.txt
...java/
......1.txt
......2.txt
...javascript/
......1.txt
......2.txt
...python/
......1.txt
......2.txt

عند تشغيل تجربة تعلم الآلة، بل هو أفضل الممارسات لتقسيم مجموعة البيانات الخاصة بك إلى ثلاثة انشقاقات: التدريب ، التحقق من صحة ، و الاختبار .

تم بالفعل تقسيم مجموعة بيانات Stack Overflow إلى مجموعات تدريب واختبار ، لكنها تفتقر إلى مجموعة التحقق من الصحة.

إنشاء مجموعة المصادقة باستخدام 80:20 انقسام بيانات التدريب باستخدام tf.keras.utils.text_dataset_from_directory مع validation_split مجموعة إلى 0.2 (أي 20٪):

batch_size = 32
seed = 42

raw_train_ds = utils.text_dataset_from_directory(
    train_dir,
    batch_size=batch_size,
    validation_split=0.2,
    subset='training',
    seed=seed)
Found 8000 files belonging to 4 classes.
Using 6400 files for training.

كما يوحي إخراج الخلية السابق ، هناك 8000 مثال في مجلد التدريب ، ستستخدم 80٪ منها (أو 6400) للتدريب. سوف تتعلم في لحظة انه يمكن تدريب نموذج عن طريق تمرير tf.data.Dataset مباشرة إلى Model.fit .

أولاً ، كرر مجموعة البيانات واطبع بعض الأمثلة للتعرف على البيانات.

for text_batch, label_batch in raw_train_ds.take(1):
  for i in range(10):
    print("Question: ", text_batch.numpy()[i])
    print("Label:", label_batch.numpy()[i])
Question:  b'"my tester is going to the wrong constructor i am new to programming so if i ask a question that can be easily fixed, please forgive me. my program has a tester class with a main. when i send that to my regularpolygon class, it sends it to the wrong constructor. i have two constructors. 1 without perameters..public regularpolygon().    {.       mynumsides = 5;.       mysidelength = 30;.    }//end default constructor...and my second, with perameters. ..public regularpolygon(int numsides, double sidelength).    {.        mynumsides = numsides;.        mysidelength = sidelength;.    }// end constructor...in my tester class i have these two lines:..regularpolygon shape = new regularpolygon(numsides, sidelength);.        shape.menu();...numsides and sidelength were declared and initialized earlier in the testing class...so what i want to happen, is the tester class sends numsides and sidelength to the second constructor and use it in that class. but it only uses the default constructor, which therefor ruins the whole rest of the program. can somebody help me?..for those of you who want to see more of my code: here you go..public double vertexangle().    {.        system.out.println(""the vertex angle method: "" + mynumsides);// prints out 5.        system.out.println(""the vertex angle method: "" + mysidelength); // prints out 30..        double vertexangle;.        vertexangle = ((mynumsides - 2.0) / mynumsides) * 180.0;.        return vertexangle;.    }//end method vertexangle..public void menu().{.    system.out.println(mynumsides); // prints out what the user puts in.    system.out.println(mysidelength); // prints out what the user puts in.    gotographic();.    calcr(mynumsides, mysidelength);.    calcr(mynumsides, mysidelength);.    print(); .}// end menu...this is my entire tester class:..public static void main(string[] arg).{.    int numsides;.    double sidelength;.    scanner keyboard = new scanner(system.in);..    system.out.println(""welcome to the regular polygon program!"");.    system.out.println();..    system.out.print(""enter the number of sides of the polygon ==> "");.    numsides = keyboard.nextint();.    system.out.println();..    system.out.print(""enter the side length of each side ==> "");.    sidelength = keyboard.nextdouble();.    system.out.println();..    regularpolygon shape = new regularpolygon(numsides, sidelength);.    shape.menu();.}//end main...for testing it i sent it numsides 4 and sidelength 100."\n'
Label: 1
Question:  b'"blank code slow skin detection this code changes the color space to lab and using a threshold finds the skin area of an image. but it\'s ridiculously slow. i don\'t know how to make it faster ?    ..from colormath.color_objects import *..def skindetection(img, treshold=80, color=[255,20,147]):..    print img.shape.    res=img.copy().    for x in range(img.shape[0]):.        for y in range(img.shape[1]):.            rgbimg=rgbcolor(img[x,y,0],img[x,y,1],img[x,y,2]).            labimg=rgbimg.convert_to(\'lab\', debug=false).            if (labimg.lab_l > treshold):.                res[x,y,:]=color.            else: .                res[x,y,:]=img[x,y,:]..    return res"\n'
Label: 3
Question:  b'"option and validation in blank i want to add a new option on my system where i want to add two text files, both rental.txt and customer.txt. inside each text are id numbers of the customer, the videotape they need and the price...i want to place it as an option on my code. right now i have:...add customer.rent return.view list.search.exit...i want to add this as my sixth option. say for example i ordered a video, it would display the price and would let me confirm the price and if i am going to buy it or not...here is my current code:..  import blank.io.*;.    import blank.util.arraylist;.    import static blank.lang.system.out;..    public class rentalsystem{.    static bufferedreader input = new bufferedreader(new inputstreamreader(system.in));.    static file file = new file(""file.txt"");.    static arraylist<string> list = new arraylist<string>();.    static int rows;..    public static void main(string[] args) throws exception{.        introduction();.        system.out.print(""nn"");.        login();.        system.out.print(""nnnnnnnnnnnnnnnnnnnnnn"");.        introduction();.        string repeat;.        do{.            loadfile();.            system.out.print(""nwhat do you want to do?nn"");.            system.out.print(""n                    - - - - - - - - - - - - - - - - - - - - - - -"");.            system.out.print(""nn                    |     1. add customer    |   2. rent return |n"");.            system.out.print(""n                    - - - - - - - - - - - - - - - - - - - - - - -"");.            system.out.print(""nn                    |     3. view list       |   4. search      |n"");.            system.out.print(""n                    - - - - - - - - - - - - - - - - - - - - - - -"");.            system.out.print(""nn                                             |   5. exit        |n"");.            system.out.print(""n                                              - - - - - - - - - -"");.            system.out.print(""nnchoice:"");.            int choice = integer.parseint(input.readline());.            switch(choice){.                case 1:.                    writedata();.                    break;.                case 2:.                    rentdata();.                    break;.                case 3:.                    viewlist();.                    break;.                case 4:.                    search();.                    break;.                case 5:.                    system.out.println(""goodbye!"");.                    system.exit(0);.                default:.                    system.out.print(""invalid choice: "");.                    break;.            }.            system.out.print(""ndo another task? [y/n] "");.            repeat = input.readline();.        }while(repeat.equals(""y""));..        if(repeat!=""y"") system.out.println(""ngoodbye!"");..    }..    public static void writedata() throws exception{.        system.out.print(""nname: "");.        string cname = input.readline();.        system.out.print(""address: "");.        string add = input.readline();.        system.out.print(""phone no.: "");.        string pno = input.readline();.        system.out.print(""rental amount: "");.        string ramount = input.readline();.        system.out.print(""tapenumber: "");.        string tno = input.readline();.        system.out.print(""title: "");.        string title = input.readline();.        system.out.print(""date borrowed: "");.        string dborrowed = input.readline();.        system.out.print(""due date: "");.        string ddate = input.readline();.        createline(cname, add, pno, ramount,tno, title, dborrowed, ddate);.        rentdata();.    }..    public static void createline(string name, string address, string phone , string rental, string tapenumber, string title, string borrowed, string due) throws exception{.        filewriter fw = new filewriter(file, true);.        fw.write(""nname: ""+name + ""naddress: "" + address +""nphone no.: ""+ phone+""nrentalamount: ""+rental+""ntape no.: ""+ tapenumber+""ntitle: ""+ title+""ndate borrowed: ""+borrowed +""ndue date: ""+ due+"":rn"");.        fw.close();.    }..    public static void loadfile() throws exception{.        try{.            list.clear();.            fileinputstream fstream = new fileinputstream(file);.            bufferedreader br = new bufferedreader(new inputstreamreader(fstream));.            rows = 0;.            while( br.ready()).            {.                list.add(br.readline());.                rows++;.            }.            br.close();.        } catch(exception e){.            system.out.println(""list not yet loaded."");.        }.    }..    public static void viewlist(){.        system.out.print(""n~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");.        system.out.print("" |list of all costumers|"");.        system.out.print(""~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");.        for(int i = 0; i <rows; i++){.            system.out.println(list.get(i));.        }.    }.        public static void rentdata()throws exception.    {   system.out.print(""n~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");.        system.out.print("" |rent data list|"");.        system.out.print(""~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");.        system.out.print(""nenter customer name: "");.        string cname = input.readline();.        system.out.print(""date borrowed: "");.        string dborrowed = input.readline();.        system.out.print(""due date: "");.        string ddate = input.readline();.        system.out.print(""return date: "");.        string rdate = input.readline();.        system.out.print(""rent amount: "");.        string ramount = input.readline();..        system.out.print(""you pay:""+ramount);...    }.    public static void search()throws exception.    {   system.out.print(""n~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");.        system.out.print("" |search costumers|"");.        system.out.print(""~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");.        system.out.print(""nenter costumer name: "");.        string cname = input.readline();.        boolean found = false;..        for(int i=0; i < rows; i++){.            string temp[] = list.get(i).split("","");..            if(cname.equals(temp[0])){.            system.out.println(""search result:nyou are "" + temp[0] + "" from "" + temp[1] + "".""+ temp[2] + "".""+ temp[3] + "".""+ temp[4] + "".""+ temp[5] + "" is "" + temp[6] + "".""+ temp[7] + "" is "" + temp[8] + ""."");.                found = true;.            }.        }..        if(!found){.            system.out.print(""no results."");.        }..    }..        public static boolean evaluate(string uname, string pass){.        if (uname.equals(""admin"")&&pass.equals(""12345"")) return true;.        else return false;.    }..    public static string login()throws exception{.        bufferedreader input=new bufferedreader(new inputstreamreader(system.in));.        int counter=0;.        do{.            system.out.print(""username:"");.            string uname =input.readline();.            system.out.print(""password:"");.            string pass =input.readline();..            boolean accept= evaluate(uname,pass);..            if(accept){.                break;.                }else{.                    system.out.println(""incorrect username or password!"");.                    counter ++;.                    }.        }while(counter<3);..            if(counter !=3) return ""login successful"";.            else return ""login failed"";.            }.        public static void introduction() throws exception{..        system.out.println(""                  - - - - - - - - - - - - - - - - - - - - - - - - -"");.        system.out.println(""                  !                  r e n t a l                  !"");.        system.out.println(""                   ! ~ ~ ~ ~ ~ !  =================  ! ~ ~ ~ ~ ~ !"");.        system.out.println(""                  !                  s y s t e m                  !"");.        system.out.println(""                  - - - - - - - - - - - - - - - - - - - - - - - - -"");.        }..}"\n'
Label: 1
Question:  b'"exception: dynamic sql generation for the updatecommand is not supported against a selectcommand that does not return any key i dont know what is the problem this my code : ..string nomtable;..datatable listeetablissementtable = new datatable();.datatable listeinteretstable = new datatable();.dataset ds = new dataset();.sqldataadapter da;.sqlcommandbuilder cmdb;..private void listeinterets_click(object sender, eventargs e).{.    nomtable = ""listeinteretstable"";.    d.cnx.open();.    da = new sqldataadapter(""select nome from offices"", d.cnx);.    ds = new dataset();.    da.fill(ds, nomtable);.    datagridview1.datasource = ds.tables[nomtable];.}..private void sauvgarder_click(object sender, eventargs e).{.    d.cnx.open();.    cmdb = new sqlcommandbuilder(da);.    da.update(ds, nomtable);.    d.cnx.close();.}"\n'
Label: 0
Question:  b'"parameter with question mark and super in blank, i\'ve come across a method that is formatted like this:..public final subscription subscribe(final action1<? super t> onnext, final action1<throwable> onerror) {.}...in the first parameter, what does the question mark and super mean?"\n'
Label: 1
Question:  b'call two objects wsdl the first time i got a very strange wsdl. ..i would like to call the object (interface - invoicecheck_out) do you know how?....i would like to call the object (variable) do you know how?..try to call (it`s ok)....try to call (how call this?)\n'
Label: 0
Question:  b"how to correctly make the icon for systemtray in blank using icon sizes of any dimension for systemtray doesn't look good overall. .what is the correct way of making icons for windows system tray?..screenshots: http://imgur.com/zsibwn9..icon: http://imgur.com/vsh4zo8\n"
Label: 0
Question:  b'"is there a way to check a variable that exists in a different script than the original one? i\'m trying to check if a variable, which was previously set to true in 2.py in 1.py, as 1.py is only supposed to continue if the variable is true...2.py..import os..completed = false..#some stuff here..completed = true...1.py..import 2 ..if completed == true.   #do things...however i get a syntax error at ..if completed == true"\n'
Label: 3
Question:  b'"blank control flow i made a number which asks for 2 numbers with blank and responds with  the corresponding message for the case. how come it doesnt work  for the second number ? .regardless what i enter for the second number , i am getting the message ""your number is in the range 0-10""...using system;.using system.collections.generic;.using system.linq;.using system.text;..namespace consoleapplication1.{.    class program.    {.        static void main(string[] args).        {.            string myinput;  // declaring the type of the variables.            int myint;..            string number1;.            int number;...            console.writeline(""enter a number"");.            myinput = console.readline(); //muyinput is a string  which is entry input.            myint = int32.parse(myinput); // myint converts the string into an integer..            if (myint > 0).                console.writeline(""your number {0} is greater than zero."", myint);.            else if (myint < 0).                console.writeline(""your number {0} is  less  than zero."", myint);.            else.                console.writeline(""your number {0} is equal zero."", myint);..            console.writeline(""enter another number"");.            number1 = console.readline(); .            number = int32.parse(myinput); ..            if (number < 0 || number == 0).                console.writeline(""your number {0} is  less  than zero or equal zero."", number);.            else if (number > 0 && number <= 10).                console.writeline(""your number {0} is  in the range from 0 to 10."", number);.            else.                console.writeline(""your number {0} is greater than 10."", number);..            console.writeline(""enter another number"");..        }.    }    .}"\n'
Label: 0
Question:  b'"credentials cannot be used for ntlm authentication i am getting org.apache.commons.httpclient.auth.invalidcredentialsexception: credentials cannot be used for ntlm authentication: exception in eclipse..whether it is possible mention eclipse to take system proxy settings directly?..public class httpgetproxy {.    private static final string proxy_host = ""proxy.****.com"";.    private static final int proxy_port = 6050;..    public static void main(string[] args) {.        httpclient client = new httpclient();.        httpmethod method = new getmethod(""https://kodeblank.org"");..        hostconfiguration config = client.gethostconfiguration();.        config.setproxy(proxy_host, proxy_port);..        string username = ""*****"";.        string password = ""*****"";.        credentials credentials = new usernamepasswordcredentials(username, password);.        authscope authscope = new authscope(proxy_host, proxy_port);..        client.getstate().setproxycredentials(authscope, credentials);..        try {.            client.executemethod(method);..            if (method.getstatuscode() == httpstatus.sc_ok) {.                string response = method.getresponsebodyasstring();.                system.out.println(""response = "" + response);.            }.        } catch (ioexception e) {.            e.printstacktrace();.        } finally {.            method.releaseconnection();.        }.    }.}...exception:...  dec 08, 2017 1:41:39 pm .          org.apache.commons.httpclient.auth.authchallengeprocessor selectauthscheme.         info: ntlm authentication scheme selected.       dec 08, 2017 1:41:39 pm org.apache.commons.httpclient.httpmethoddirector executeconnect.         severe: credentials cannot be used for ntlm authentication: .           org.apache.commons.httpclient.usernamepasswordcredentials.           org.apache.commons.httpclient.auth.invalidcredentialsexception: credentials .         cannot be used for ntlm authentication: .        enter code here .          org.apache.commons.httpclient.usernamepasswordcredentials.      at org.apache.commons.httpclient.auth.ntlmscheme.authenticate(ntlmscheme.blank:332).        at org.apache.commons.httpclient.httpmethoddirector.authenticateproxy(httpmethoddirector.blank:320).      at org.apache.commons.httpclient.httpmethoddirector.executeconnect(httpmethoddirector.blank:491).      at org.apache.commons.httpclient.httpmethoddirector.executewithretry(httpmethoddirector.blank:391).      at org.apache.commons.httpclient.httpmethoddirector.executemethod(httpmethoddirector.blank:171).      at org.apache.commons.httpclient.httpclient.executemethod(httpclient.blank:397).      at org.apache.commons.httpclient.httpclient.executemethod(httpclient.blank:323).      at httpgetproxy.main(httpgetproxy.blank:31).  dec 08, 2017 1:41:39 pm org.apache.commons.httpclient.httpmethoddirector processproxyauthchallenge.  info: failure authenticating with ntlm @proxy.****.com:6050"\n'
Label: 1

التسميات هي 0 ، 1 ، 2 أو 3 . للتحقق أي من هذه تتوافق الذي التسمية سلسلة، يمكنك تفقد class_names الملكية على مجموعة البيانات:

for i, label in enumerate(raw_train_ds.class_names):
  print("Label", i, "corresponds to", label)
Label 0 corresponds to csharp
Label 1 corresponds to java
Label 2 corresponds to javascript
Label 3 corresponds to python

بعد ذلك، سوف تقوم بإنشاء التحقق من صحة وتعيين اختبار باستخدام tf.keras.utils.text_dataset_from_directory . ستستخدم المراجعات المتبقية البالغ عددها 1600 من مجموعة التدريب للتحقق من صحتها.

# Create a validation set.
raw_val_ds = utils.text_dataset_from_directory(
    train_dir,
    batch_size=batch_size,
    validation_split=0.2,
    subset='validation',
    seed=seed)
Found 8000 files belonging to 4 classes.
Using 1600 files for validation.
test_dir = dataset_dir/'test'

# Create a test set.
raw_test_ds = utils.text_dataset_from_directory(
    test_dir,
    batch_size=batch_size)
Found 8000 files belonging to 4 classes.

جهز مجموعة البيانات للتدريب

بعد ذلك، سوف توحيد، tokenize، وvectorize البيانات باستخدام tf.keras.layers.TextVectorization طبقة.

  • يشير توحيد لتجهيزها النص، وعادة لإزالة علامات الترقيم أو HTML عناصر لتبسيط البيانات.
  • يشير Tokenization إلى سلاسل تنقسم الى الرموز (على سبيل المثال، تقسيم الجملة إلى كلمات فردية من خلال تقسيم على مسافة بيضاء).
  • يشير كمية موجهة إلى تحويل الرموز إلى أرقام بحيث يمكن إدخالها في الشبكة العصبية.

يمكن إنجاز كل هذه المهام باستخدام هذه الطبقة. (يمكنك معرفة المزيد حول كل من هذه في tf.keras.layers.TextVectorization مستندات API).

لاحظ أن:

  • المتحولين توحيد النص الافتراضي إلى أحرف صغيرة ويزيل علامات الترقيم ( standardize='lower_and_strip_punctuation' ).
  • الافتراضي tokenizer انشقاقات في البيضاء ( split='whitespace' ).
  • وضع كمية موجهة الافتراضي هو 'int' ( output_mode='int' ). ينتج عن ذلك مؤشرات عدد صحيح (واحد لكل رمز). يمكن استخدام هذا الوضع لبناء نماذج تأخذ ترتيب الكلمات في الاعتبار. يمكنك أيضا استخدام وسائط مثل غيرها 'binary' -to بناء حقيبة من بين الكلمات النماذج.

وسوف تقوم بناء نموذجين لمعرفة المزيد عن التوحيد، tokenization، وكمية موجهة مع TextVectorization :

  • أولا، سوف تستخدم 'binary' وضع كمية موجهة لبناء نموذج حقيبة من بين الكلمات.
  • بعد ذلك، سوف تستخدم 'int' الوضع مع 1D ConvNet.
VOCAB_SIZE = 10000

binary_vectorize_layer = TextVectorization(
    max_tokens=VOCAB_SIZE,
    output_mode='binary')

ل 'int' واسطة، بالإضافة إلى الحد الأقصى لحجم المفردات، تحتاج إلى تعيين صريح طول أقصى تسلسل ( MAX_SEQUENCE_LENGTH )، والذي يؤدي إلى طبقة سادة أو اقتطاع تسلسل بالضبط output_sequence_length القيم:

MAX_SEQUENCE_LENGTH = 250

int_vectorize_layer = TextVectorization(
    max_tokens=VOCAB_SIZE,
    output_mode='int',
    output_sequence_length=MAX_SEQUENCE_LENGTH)

بعد ذلك، ندعو TextVectorization.adapt لتناسب حالة طبقة تجهيزها لمجموعة البيانات. سيؤدي هذا إلى قيام النموذج ببناء فهرس من السلاسل إلى أعداد صحيحة.

# Make a text-only dataset (without labels), then call `TextVectorization.adapt`.
train_text = raw_train_ds.map(lambda text, labels: text)
binary_vectorize_layer.adapt(train_text)
int_vectorize_layer.adapt(train_text)

اطبع نتيجة استخدام هذه الطبقات للمعالجة المسبقة للبيانات:

def binary_vectorize_text(text, label):
  text = tf.expand_dims(text, -1)
  return binary_vectorize_layer(text), label
def int_vectorize_text(text, label):
  text = tf.expand_dims(text, -1)
  return int_vectorize_layer(text), label
# Retrieve a batch (of 32 reviews and labels) from the dataset.
text_batch, label_batch = next(iter(raw_train_ds))
first_question, first_label = text_batch[0], label_batch[0]
print("Question", first_question)
print("Label", first_label)
Question tf.Tensor(b'"what is the difference between these two ways to create an element? var a = document.createelement(\'div\');..a.id = ""mydiv"";...and..var a = document.createelement(\'div\').id = ""mydiv"";...what is the difference between them such that the first one works and the second one doesn\'t?"\n', shape=(), dtype=string)
Label tf.Tensor(2, shape=(), dtype=int32)
print("'binary' vectorized question:",
      binary_vectorize_text(first_question, first_label)[0])
'binary' vectorized question: tf.Tensor([[1. 1. 0. ... 0. 0. 0.]], shape=(1, 10000), dtype=float32)
print("'int' vectorized question:",
      int_vectorize_text(first_question, first_label)[0])
'int' vectorized question: tf.Tensor(
[[ 55   6   2 410 211 229 121 895   4 124  32 245  43   5   1   1   5   1
    1   6   2 410 211 191 318  14   2  98  71 188   8   2 199  71 178   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0]], shape=(1, 250), dtype=int64)

كما هو مبين أعلاه، TextVectorization الصورة 'binary' يعود وضع وتدل مجموعة التي توجد الرموز على الأقل مرة واحدة في المدخلات، في حين أن 'int' وضع يستبدل كل رمز من قبل عدد صحيح، وبالتالي الحفاظ على ترتيبها.

يمكنك البحث الرمز المميز (سلسلة) أن كل عدد صحيح يتوافق مع بالدعوة TextVectorization.get_vocabulary على طبقة:

print("1289 ---> ", int_vectorize_layer.get_vocabulary()[1289])
print("313 ---> ", int_vectorize_layer.get_vocabulary()[313])
print("Vocabulary size: {}".format(len(int_vectorize_layer.get_vocabulary())))
1289 --->  roman
313 --->  source
Vocabulary size: 10000

أنت جاهز تقريبًا لتدريب نموذجك.

كخطوة تجهيزها النهائية، وتطبيق TextVectorization الطبقات التي تم إنشاؤها في وقت سابق إلى مجموعات تدريبية، والمصادقة، والاختبار:

binary_train_ds = raw_train_ds.map(binary_vectorize_text)
binary_val_ds = raw_val_ds.map(binary_vectorize_text)
binary_test_ds = raw_test_ds.map(binary_vectorize_text)

int_train_ds = raw_train_ds.map(int_vectorize_text)
int_val_ds = raw_val_ds.map(int_vectorize_text)
int_test_ds = raw_test_ds.map(int_vectorize_text)

تكوين مجموعة البيانات للأداء

هاتان طريقتان مهمتان يجب عليك استخدامهما عند تحميل البيانات للتأكد من أن الإدخال / الإخراج لا يصبح محظورًا.

  • Dataset.cache يبقي البيانات في الذاكرة بعد محملة تشغيله القرص. سيضمن ذلك عدم تحول مجموعة البيانات إلى عنق زجاجة أثناء تدريب نموذجك. إذا كانت مجموعة البيانات الخاصة بك كبيرة جدًا بحيث لا يمكن وضعها في الذاكرة ، فيمكنك أيضًا استخدام هذه الطريقة لإنشاء ذاكرة تخزين مؤقت على القرص ذات أداء فعال ، وهي أكثر كفاءة في القراءة من العديد من الملفات الصغيرة.
  • Dataset.prefetch تداخل البيانات وتجهيزها وتنفيذ نموذج في حين أن التدريب.

يمكنك معرفة المزيد حول كلتا الطريقتين، وكذلك كيفية بيانات ذاكرة التخزين المؤقت على القرص في قسم الجلب المسبق لل أداء أفضل مع tf.data API دليل.

AUTOTUNE = tf.data.AUTOTUNE

def configure_dataset(dataset):
  return dataset.cache().prefetch(buffer_size=AUTOTUNE)
binary_train_ds = configure_dataset(binary_train_ds)
binary_val_ds = configure_dataset(binary_val_ds)
binary_test_ds = configure_dataset(binary_test_ds)

int_train_ds = configure_dataset(int_train_ds)
int_val_ds = configure_dataset(int_val_ds)
int_test_ds = configure_dataset(int_test_ds)

تدريب النموذج

حان الوقت لإنشاء شبكتك العصبية.

ل 'binary' vectorized البيانات، وتحديد بسيط حقيبة من بين الكلمات الخطية نموذج، ثم تكوين وتدريب ما يلي:

binary_model = tf.keras.Sequential([layers.Dense(4)])

binary_model.compile(
    loss=losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer='adam',
    metrics=['accuracy'])

history = binary_model.fit(
    binary_train_ds, validation_data=binary_val_ds, epochs=10)
Epoch 1/10
200/200 [==============================] - 2s 5ms/step - loss: 1.1204 - accuracy: 0.6480 - val_loss: 0.9132 - val_accuracy: 0.7819
Epoch 2/10
200/200 [==============================] - 0s 2ms/step - loss: 0.7799 - accuracy: 0.8194 - val_loss: 0.7490 - val_accuracy: 0.7956
Epoch 3/10
200/200 [==============================] - 0s 2ms/step - loss: 0.6284 - accuracy: 0.8614 - val_loss: 0.6635 - val_accuracy: 0.8081
Epoch 4/10
200/200 [==============================] - 0s 2ms/step - loss: 0.5349 - accuracy: 0.8861 - val_loss: 0.6102 - val_accuracy: 0.8200
Epoch 5/10
200/200 [==============================] - 0s 2ms/step - loss: 0.4688 - accuracy: 0.9036 - val_loss: 0.5736 - val_accuracy: 0.8306
Epoch 6/10
200/200 [==============================] - 0s 2ms/step - loss: 0.4185 - accuracy: 0.9173 - val_loss: 0.5471 - val_accuracy: 0.8331
Epoch 7/10
200/200 [==============================] - 0s 2ms/step - loss: 0.3782 - accuracy: 0.9291 - val_loss: 0.5270 - val_accuracy: 0.8356
Epoch 8/10
200/200 [==============================] - 0s 2ms/step - loss: 0.3449 - accuracy: 0.9366 - val_loss: 0.5115 - val_accuracy: 0.8406
Epoch 9/10
200/200 [==============================] - 0s 2ms/step - loss: 0.3166 - accuracy: 0.9430 - val_loss: 0.4993 - val_accuracy: 0.8419
Epoch 10/10
200/200 [==============================] - 0s 2ms/step - loss: 0.2922 - accuracy: 0.9484 - val_loss: 0.4896 - val_accuracy: 0.8413

بعد ذلك، سوف تستخدم 'int' طبقة vectorized لبناء 1D ConvNet:

def create_model(vocab_size, num_labels):
  model = tf.keras.Sequential([
      layers.Embedding(vocab_size, 64, mask_zero=True),
      layers.Conv1D(64, 5, padding="valid", activation="relu", strides=2),
      layers.GlobalMaxPooling1D(),
      layers.Dense(num_labels)
  ])
  return model
# `vocab_size` is `VOCAB_SIZE + 1` since `0` is used additionally for padding.
int_model = create_model(vocab_size=VOCAB_SIZE + 1, num_labels=4)
int_model.compile(
    loss=losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer='adam',
    metrics=['accuracy'])
history = int_model.fit(int_train_ds, validation_data=int_val_ds, epochs=5)
Epoch 1/5
200/200 [==============================] - 3s 4ms/step - loss: 1.1914 - accuracy: 0.4891 - val_loss: 0.7911 - val_accuracy: 0.6869
Epoch 2/5
200/200 [==============================] - 1s 3ms/step - loss: 0.6364 - accuracy: 0.7548 - val_loss: 0.5485 - val_accuracy: 0.7975
Epoch 3/5
200/200 [==============================] - 1s 3ms/step - loss: 0.3837 - accuracy: 0.8802 - val_loss: 0.4838 - val_accuracy: 0.8075
Epoch 4/5
200/200 [==============================] - 1s 3ms/step - loss: 0.2152 - accuracy: 0.9483 - val_loss: 0.4821 - val_accuracy: 0.8156
Epoch 5/5
200/200 [==============================] - 1s 3ms/step - loss: 0.1084 - accuracy: 0.9820 - val_loss: 0.5071 - val_accuracy: 0.8125

قارن بين النموذجين:

print("Linear model on binary vectorized data:")
print(binary_model.summary())
Linear model on binary vectorized data:
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 4)                 40004     
=================================================================
Total params: 40,004
Trainable params: 40,004
Non-trainable params: 0
_________________________________________________________________
None
print("ConvNet model on int vectorized data:")
print(int_model.summary())
ConvNet model on int vectorized data:
Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
embedding (Embedding)        (None, None, 64)          640064    
_________________________________________________________________
conv1d (Conv1D)              (None, None, 64)          20544     
_________________________________________________________________
global_max_pooling1d (Global (None, 64)                0         
_________________________________________________________________
dense_1 (Dense)              (None, 4)                 260       
=================================================================
Total params: 660,868
Trainable params: 660,868
Non-trainable params: 0
_________________________________________________________________
None

قم بتقييم كلا النموذجين على بيانات الاختبار:

binary_loss, binary_accuracy = binary_model.evaluate(binary_test_ds)
int_loss, int_accuracy = int_model.evaluate(int_test_ds)

print("Binary model accuracy: {:2.2%}".format(binary_accuracy))
print("Int model accuracy: {:2.2%}".format(int_accuracy))
250/250 [==============================] - 1s 3ms/step - loss: 0.5174 - accuracy: 0.8146
250/250 [==============================] - 1s 2ms/step - loss: 0.5146 - accuracy: 0.8131
Binary model accuracy: 81.46%
Int model accuracy: 81.31%

تصدير النموذج

في رمز أعلاه، قمت بتطبيق tf.keras.layers.TextVectorization إلى مجموعة البيانات قبل تغذية النص إلى النموذج. إذا كنت تريد أن تجعل النموذج الخاص بك قادر على معالجة السلاسل الخام (على سبيل المثال، لتبسيط نشر ذلك)، يمكنك تضمين TextVectorization طبقة داخل النموذج الخاص بك.

للقيام بذلك ، يمكنك إنشاء نموذج جديد باستخدام الأوزان التي قمت بتدريبها للتو:

export_model = tf.keras.Sequential(
    [binary_vectorize_layer, binary_model,
     layers.Activation('sigmoid')])

export_model.compile(
    loss=losses.SparseCategoricalCrossentropy(from_logits=False),
    optimizer='adam',
    metrics=['accuracy'])

# Test it with `raw_test_ds`, which yields raw strings
loss, accuracy = export_model.evaluate(raw_test_ds)
print("Accuracy: {:2.2%}".format(binary_accuracy))
250/250 [==============================] - 1s 4ms/step - loss: 0.5174 - accuracy: 0.8146
Accuracy: 81.46%

الآن، يمكن للنموذج الخاص بك تأخذ سلاسل الخام والمدخلات ويتوقع درجة لكل تسمية باستخدام Model.predict . حدد وظيفة للعثور على التسمية ذات الدرجة القصوى:

def get_string_labels(predicted_scores_batch):
  predicted_int_labels = tf.argmax(predicted_scores_batch, axis=1)
  predicted_labels = tf.gather(raw_train_ds.class_names, predicted_int_labels)
  return predicted_labels

تشغيل الاستدلال على البيانات الجديدة

inputs = [
    "how do I extract keys from a dict into a list?",  # 'python'
    "debug public static void main(string[] args) {...}",  # 'java'
]
predicted_scores = export_model.predict(inputs)
predicted_labels = get_string_labels(predicted_scores)
for input, label in zip(inputs, predicted_labels):
  print("Question: ", input)
  print("Predicted label: ", label.numpy())
Question:  how do I extract keys from a dict into a list?
Predicted label:  b'python'
Question:  debug public static void main(string[] args) {...}
Predicted label:  b'java'

بما في ذلك منطق النص تجهيزها داخل النموذج الخاص بك يتيح لك تصدير نموذج للإنتاج أن يبسط نشر، ويقلل من احتمالات قطار / اختبار الانحراف .

هناك فرق الأداء أن نأخذ في الاعتبار عند اختيار مكان لتطبيق tf.keras.layers.TextVectorization . يتيح لك استخدامه خارج النموذج الخاص بك القيام بمعالجة غير متزامنة لوحدة المعالجة المركزية وتخزين بياناتك مؤقتًا عند التدريب على وحدة معالجة الرسومات. لذا، إذا كنت تدريب النموذج الخاص بك على GPU، وتريد على الارجح للذهاب مع هذا الخيار للحصول على أفضل أداء مع تطوير النموذج الخاص بك، ثم قم بالتبديل إلى بما في ذلك TextVectorization طبقة داخل النموذج الخاص بك عندما كنت على استعداد للتحضير للنشر .

زيارة حفظ ونماذج تحميل البرنامج التعليمي لمعرفة المزيد حول حفظ النماذج.

مثال 2: توقع مؤلف ترجمات الإلياذة

وفيما يلي مثال باستخدام tf.data.TextLineDataset إلى أمثلة تحميل من الملفات النصية، و النص TensorFlow إلى المعالجة المسبقة البيانات. ستستخدم ثلاث ترجمات إنجليزية مختلفة لنفس العمل ، إلياذة هوميروس ، وستقوم بتدريب نموذج للتعرف على المترجم في سطر واحد من النص.

قم بتنزيل واستكشاف مجموعة البيانات

نصوص الترجمات الثلاث هي:

خضعت الملفات النصية المستخدمة في هذا البرنامج التعليمي لبعض مهام المعالجة المسبقة النموذجية مثل إزالة رأس المستند وتذييله وأرقام الأسطر وعناوين الفصول.

قم بتنزيل هذه الملفات المنغمسة بشكل خفيف محليًا:

DIRECTORY_URL = 'https://storage.googleapis.com/download.tensorflow.org/data/illiad/'
FILE_NAMES = ['cowper.txt', 'derby.txt', 'butler.txt']

for name in FILE_NAMES:
  text_dir = utils.get_file(name, origin=DIRECTORY_URL + name)

parent_dir = pathlib.Path(text_dir).parent
list(parent_dir.iterdir())
Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/illiad/cowper.txt
819200/815980 [==============================] - 0s 0us/step
827392/815980 [==============================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/illiad/derby.txt
811008/809730 [==============================] - 0s 0us/step
819200/809730 [==============================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/illiad/butler.txt
811008/807992 [==============================] - 0s 0us/step
819200/807992 [==============================] - 0s 0us/step
[PosixPath('/home/kbuilder/.keras/datasets/derby.txt'),
 PosixPath('/home/kbuilder/.keras/datasets/flower_photos.tar.gz'),
 PosixPath('/home/kbuilder/.keras/datasets/butler.txt'),
 PosixPath('/home/kbuilder/.keras/datasets/flower_photos'),
 PosixPath('/home/kbuilder/.keras/datasets/image.jpg'),
 PosixPath('/home/kbuilder/.keras/datasets/cowper.txt'),
 PosixPath('/home/kbuilder/.keras/datasets/ImageNetLabels.txt')]

قم بتحميل مجموعة البيانات

سابقا، مع tf.keras.utils.text_dataset_from_directory تم علاج جميع محتويات ملف كمثال واحد. هنا، سوف تستخدم tf.data.TextLineDataset ، الذي يهدف إلى إنشاء tf.data.Dataset من ملف نصي حيث كل مثال على ذلك هو سطر من النص من الملف الأصلي. TextLineDataset هو مفيد للبيانات النص الذي يتم في المقام الأول على أساس خط (على سبيل المثال، الشعر أو سجلات الخطأ).

كرر من خلال هذه الملفات ، وتحميل كل واحد في مجموعة البيانات الخاصة به. يحتاج كل سبيل المثال ليكون المسمى بشكل فردي، وذلك باستخدام Dataset.map لتطبيق وظيفة اضع لكل واحد. وهذا أعاد على كل سبيل المثال في ورقة العمل، والعودة ( example, label ) أزواج.

def labeler(example, index):
  return example, tf.cast(index, tf.int64)
labeled_data_sets = []

for i, file_name in enumerate(FILE_NAMES):
  lines_dataset = tf.data.TextLineDataset(str(parent_dir/file_name))
  labeled_dataset = lines_dataset.map(lambda ex: labeler(ex, i))
  labeled_data_sets.append(labeled_dataset)

بعد ذلك، عليك أن الجمع بين هذه المجموعات وصفت في مجموعة بيانات واحدة باستخدام Dataset.concatenate ، وخلط مع Dataset.shuffle :

BUFFER_SIZE = 50000
BATCH_SIZE = 64
VALIDATION_SIZE = 5000
all_labeled_data = labeled_data_sets[0]
for labeled_dataset in labeled_data_sets[1:]:
  all_labeled_data = all_labeled_data.concatenate(labeled_dataset)

all_labeled_data = all_labeled_data.shuffle(
    BUFFER_SIZE, reshuffle_each_iteration=False)

اطبع بعض الأمثلة كما كان من قبل. لم يتم دفعات مجموعة البيانات بعد، وبالتالي كل دخول في all_labeled_data يتوافق مع نقطة بيانات واحدة:

for text, label in all_labeled_data.take(10):
  print("Sentence: ", text.numpy())
  print("Label:", label.numpy())
Sentence:  b'By hostile hands laid prostrate in the dust,'
Label: 1
Sentence:  b"Watch over her no longer; all are gain'd"
Label: 1
Sentence:  b"Her home, and parents; o'er her head she threw"
Label: 1
Sentence:  b'Diomed himself with glory.'
Label: 2
Sentence:  b'therefore, the Trojans and Lycians on the one hand, and the Myrmidons'
Label: 2
Sentence:  b'Though now in blissful ignorance they feast."'
Label: 1
Sentence:  b'rich with bronze and his panting steeds in charge of Eurymedon, son of'
Label: 2
Sentence:  b'In thine esteem, and sin against the Gods."'
Label: 1
Sentence:  b'Him Hebe bathed, and with divine attire'
Label: 0
Sentence:  b"The host all seated, and the benches fill'd,"
Label: 0

جهز مجموعة البيانات للتدريب

بدلا من استخدام tf.keras.layers.TextVectorization إلى المعالجة المسبقة لمجموعة البيانات النص، سوف الآن استخدام واجهات برمجة التطبيقات TensorFlow نص لتوحيد وtokenize البيانات، وبناء المفردات واستخدام tf.lookup.StaticVocabularyTable إلى خريطة الرموز إلى أعداد صحيحة لتغذية ل نموذج. (تعرف على المزيد عن نص TensorFlow ).

حدد وظيفة لتحويل النص إلى أحرف صغيرة وترميزها:

  • يوفر نص TensorFlow العديد من الرموز المميزة. في هذا المثال، سوف تستخدم text.UnicodeScriptTokenizer إلى tokenize مجموعة البيانات.
  • سوف تستخدم Dataset.map لتطبيق tokenization إلى مجموعة البيانات.
tokenizer = tf_text.UnicodeScriptTokenizer()
def tokenize(text, unused_label):
  lower_case = tf_text.case_fold_utf8(text)
  return tokenizer.tokenize(lower_case)
tokenized_ds = all_labeled_data.map(tokenize)
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/util/dispatch.py:206: batch_gather (from tensorflow.python.ops.array_ops) is deprecated and will be removed after 2017-10-25.
Instructions for updating:
`tf.batch_gather` is deprecated, please use `tf.gather` with `batch_dims=-1` instead.

يمكنك التكرار عبر مجموعة البيانات وطباعة بعض الأمثلة المميزة:

for text_batch in tokenized_ds.take(5):
  print("Tokens: ", text_batch.numpy())
Tokens:  [b'by' b'hostile' b'hands' b'laid' b'prostrate' b'in' b'the' b'dust' b',']
Tokens:  [b'watch' b'over' b'her' b'no' b'longer' b';' b'all' b'are' b'gain' b"'"
 b'd']
Tokens:  [b'her' b'home' b',' b'and' b'parents' b';' b'o' b"'" b'er' b'her' b'head'
 b'she' b'threw']
Tokens:  [b'diomed' b'himself' b'with' b'glory' b'.']
Tokens:  [b'therefore' b',' b'the' b'trojans' b'and' b'lycians' b'on' b'the' b'one'
 b'hand' b',' b'and' b'the' b'myrmidons']

بعد ذلك، سوف بناء المفردات عن طريق فرز الرموز حسب التردد والحفاظ على أعلى VOCAB_SIZE الرموز:

tokenized_ds = configure_dataset(tokenized_ds)

vocab_dict = collections.defaultdict(lambda: 0)
for toks in tokenized_ds.as_numpy_iterator():
  for tok in toks:
    vocab_dict[tok] += 1

vocab = sorted(vocab_dict.items(), key=lambda x: x[1], reverse=True)
vocab = [token for token, count in vocab]
vocab = vocab[:VOCAB_SIZE]
vocab_size = len(vocab)
print("Vocab size: ", vocab_size)
print("First five vocab entries:", vocab[:5])
Vocab size:  10000
First five vocab entries: [b',', b'the', b'and', b"'", b'of']

لتحويل الرموز إلى أعداد صحيحة، استخدم vocab المقرر أن إنشاء tf.lookup.StaticVocabularyTable . سوف خريطة الرموز إلى أعداد صحيحة في نطاق [ 2 ، vocab_size + 2 ]. كما هو الحال مع TextVectorization طبقة، 0 محجوز للدلالة على الحشو و 1 محجوز للدلالة على الخروج من المفردات (OOV) رمزية.

keys = vocab
values = range(2, len(vocab) + 2)  # Reserve `0` for padding, `1` for OOV tokens.

init = tf.lookup.KeyValueTensorInitializer(
    keys, values, key_dtype=tf.string, value_dtype=tf.int64)

num_oov_buckets = 1
vocab_table = tf.lookup.StaticVocabularyTable(init, num_oov_buckets)

أخيرًا ، حدد وظيفة لتوحيد مجموعة البيانات وترميزها وتوجيهها باستخدام الرمز المميز وجدول البحث:

def preprocess_text(text, label):
  standardized = tf_text.case_fold_utf8(text)
  tokenized = tokenizer.tokenize(standardized)
  vectorized = vocab_table.lookup(tokenized)
  return vectorized, label

يمكنك تجربة هذا في مثال واحد لطباعة الإخراج:

example_text, example_label = next(iter(all_labeled_data))
print("Sentence: ", example_text.numpy())
vectorized_text, example_label = preprocess_text(example_text, example_label)
print("Vectorized sentence: ", vectorized_text.numpy())
Sentence:  b'By hostile hands laid prostrate in the dust,'
Vectorized sentence:  [  26 1007  146  339 1560   13    3  317    2]

الآن تشغيل وظيفة المعالجة المسبقة على مجموعة البيانات باستخدام Dataset.map :

all_encoded_data = all_labeled_data.map(preprocess_text)

قسّم مجموعة البيانات إلى مجموعات تدريب واختبار

وKeras TextVectorization طبقة أيضا دفعات، ومنصات البيانات vectorized. الحشو مطلوب لأن الأمثلة الموجودة داخل الدُفعة يجب أن تكون بالحجم والشكل نفسه ، لكن الأمثلة في مجموعات البيانات هذه ليست كلها بنفس الحجم - كل سطر من النص له عدد مختلف من الكلمات.

tf.data.Dataset تدعم تقسيم ومبطن-تجزئة قواعد البيانات:

train_data = all_encoded_data.skip(VALIDATION_SIZE).shuffle(BUFFER_SIZE)
validation_data = all_encoded_data.take(VALIDATION_SIZE)
train_data = train_data.padded_batch(BATCH_SIZE)
validation_data = validation_data.padded_batch(BATCH_SIZE)

الآن، validation_data و train_data ليسوا مجموعات من ( example, label ) أزواج، ولكن مجموعات من دفعات. كل دفعة هو زوج من (أمثلة كثيرة، العديد من التسميات) ممثلة المصفوفات.

لتوضيح هذا:

sample_text, sample_labels = next(iter(validation_data))
print("Text batch shape: ", sample_text.shape)
print("Label batch shape: ", sample_labels.shape)
print("First text example: ", sample_text[0])
print("First label example: ", sample_labels[0])
Text batch shape:  (64, 19)
Label batch shape:  (64,)
First text example:  tf.Tensor(
[  26 1007  146  339 1560   13    3  317    2    0    0    0    0    0
    0    0    0    0    0], shape=(19,), dtype=int64)
First label example:  tf.Tensor(1, shape=(), dtype=int64)

منذ كنت تستخدم 0 لحشية و 1 للخارج مفردات (OOV) الرموز، ازداد حجم المفردات من قبل اثنين:

vocab_size += 2

قم بتكوين مجموعات البيانات للحصول على أداء أفضل كما كان من قبل:

train_data = configure_dataset(train_data)
validation_data = configure_dataset(validation_data)

تدريب النموذج

يمكنك تدريب نموذج على مجموعة البيانات هذه كما في السابق:

model = create_model(vocab_size=vocab_size, num_labels=3)

model.compile(
    optimizer='adam',
    loss=losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=['accuracy'])

history = model.fit(train_data, validation_data=validation_data, epochs=3)
Epoch 1/3
697/697 [==============================] - 26s 8ms/step - loss: 0.5180 - accuracy: 0.7704 - val_loss: 0.3602 - val_accuracy: 0.8434
Epoch 2/3
697/697 [==============================] - 2s 3ms/step - loss: 0.2801 - accuracy: 0.8854 - val_loss: 0.3480 - val_accuracy: 0.8538
Epoch 3/3
697/697 [==============================] - 2s 3ms/step - loss: 0.1896 - accuracy: 0.9269 - val_loss: 0.3800 - val_accuracy: 0.8500
loss, accuracy = model.evaluate(validation_data)

print("Loss: ", loss)
print("Accuracy: {:2.2%}".format(accuracy))
79/79 [==============================] - 1s 2ms/step - loss: 0.3800 - accuracy: 0.8500
Loss:  0.3800220191478729
Accuracy: 85.00%

تصدير النموذج

لجعل نموذج قادرة على اتخاذ سلاسل الخام والمدخلات، وسوف تقوم بإنشاء Keras TextVectorization طبقة التي تنفذ نفس الخطوات الخاصة بك وظيفة تجهيزها حسب الطلب. منذ كنت قد دربت بالفعل المفردات، يمكنك استخدام TextVectorization.set_vocabulary (بدلا من TextVectorization.adapt ) التي تدرب مفردات جديدة.

preprocess_layer = TextVectorization(
    max_tokens=vocab_size,
    standardize=tf_text.case_fold_utf8,
    split=tokenizer.tokenize,
    output_mode='int',
    output_sequence_length=MAX_SEQUENCE_LENGTH)

preprocess_layer.set_vocabulary(vocab)
export_model = tf.keras.Sequential(
    [preprocess_layer, model,
     layers.Activation('sigmoid')])

export_model.compile(
    loss=losses.SparseCategoricalCrossentropy(from_logits=False),
    optimizer='adam',
    metrics=['accuracy'])
# Create a test dataset of raw strings.
test_ds = all_labeled_data.take(VALIDATION_SIZE).batch(BATCH_SIZE)
test_ds = configure_dataset(test_ds)

loss, accuracy = export_model.evaluate(test_ds)

print("Loss: ", loss)
print("Accuracy: {:2.2%}".format(accuracy))
2021-10-14 01:25:02.750371: W tensorflow/core/grappler/optimizers/loop_optimizer.cc:907] Skipping loop optimization for Merge node with control input: sequential_4/text_vectorization_2/UnicodeScriptTokenize/Assert_1/AssertGuard/branch_executed/_185
79/79 [==============================] - 6s 15ms/step - loss: 0.4715 - accuracy: 0.8116
Loss:  0.4715384840965271
Accuracy: 81.16%

الخسارة والدقة للنموذج في مجموعة التحقق من الصحة المشفرة والنموذج المُصدَّر على مجموعة التحقق الأولية هي نفسها ، كما هو متوقع.

تشغيل الاستدلال على البيانات الجديدة

inputs = [
    "Join'd to th' Ionians with their flowing robes,",  # Label: 1
    "the allies, and his armour flashed about him so that he seemed to all",  # Label: 2
    "And with loud clangor of his arms he fell.",  # Label: 0
]

predicted_scores = export_model.predict(inputs)
predicted_labels = tf.argmax(predicted_scores, axis=1)

for input, label in zip(inputs, predicted_labels):
  print("Question: ", input)
  print("Predicted label: ", label.numpy())
2021-10-14 01:25:06.331899: W tensorflow/core/grappler/optimizers/loop_optimizer.cc:907] Skipping loop optimization for Merge node with control input: sequential_4/text_vectorization_2/UnicodeScriptTokenize/Assert_1/AssertGuard/branch_executed/_185
Question:  Join'd to th' Ionians with their flowing robes,
Predicted label:  1
Question:  the allies, and his armour flashed about him so that he seemed to all
Predicted label:  2
Question:  And with loud clangor of his arms he fell.
Predicted label:  0

تنزيل المزيد من مجموعات البيانات باستخدام TensorFlow Datasets (TFDS)

يمكنك تحميل العديد من قواعد البيانات أكثر من TensorFlow مجموعات البيانات .

في هذا المثال، سوف تستخدم IMDB كبير بيانات الفيلم الاستعراضي لتدريب نموذجا للتصنيف المشاعر:

# Training set.
train_ds = tfds.load(
    'imdb_reviews',
    split='train[:80%]',
    batch_size=BATCH_SIZE,
    shuffle_files=True,
    as_supervised=True)
# Validation set.
val_ds = tfds.load(
    'imdb_reviews',
    split='train[80%:]',
    batch_size=BATCH_SIZE,
    shuffle_files=True,
    as_supervised=True)

اطبع بعض الأمثلة:

for review_batch, label_batch in val_ds.take(1):
  for i in range(5):
    print("Review: ", review_batch[i].numpy())
    print("Label: ", label_batch[i].numpy())
Review:  b"Instead, go to the zoo, buy some peanuts and feed 'em to the monkeys. Monkeys are funny. People with amnesia who don't say much, just sit there with vacant eyes are not all that funny.<br /><br />Black comedy? There isn't a black person in it, and there isn't one funny thing in it either.<br /><br />Walmart buys these things up somehow and puts them on their dollar rack. It's labeled Unrated. I think they took out the topless scene. They may have taken out other stuff too, who knows? All we know is that whatever they took out, isn't there any more.<br /><br />The acting seemed OK to me. There's a lot of unfathomables tho. It's supposed to be a city? It's supposed to be a big lake? If it's so hot in the church people are fanning themselves, why are they all wearing coats?"
Label:  0
Review:  b'I remember stumbling upon this special while channel-surfing in 1965. I had never heard of Barbra before. When the show was over, I thought "This is probably the best thing on TV I will ever see in my life." 42 years later, that has held true. There is still nothing so amazing, so honestly astonishing as the talent that was displayed here. You can talk about all the super-stars you want to, this is the most superlative of them all!<br /><br />You name it, she can do it. Comedy, pathos, sultry seduction, ballads, Barbra is truly a story-teller. Her ability to pull off anything she attempts is legendary. But this special was made in the beginning, and helped to create the legend that she quickly became. In spite of rising so far in such a short time, she has fulfilled the promise, revealing more of her talents as she went along. But they are all here from the very beginning. You will not be disappointed in viewing this.'
Label:  1
Review:  b"I'm sorry but I didn't like this doc very much. I can think of a million ways it could have been better. The people who made it obviously don't have much imagination. The interviews aren't very interesting and no real insight is offered. The footage isn't assembled in a very informative way, either. It's too bad because this is a movie that really deserves spellbinding special features. One thing I'll say is that Isabella Rosselini gets more beautiful the older she gets. All considered, this only gets a '4.'"
Label:  0
Review:  b'This movie had all the elements to be a smart, sparkling comedy, but for some reason it took the dumbass route. Perhaps it didn\'t really know who its audience was: but it\'s hardly a man\'s movie given the cast and plot, yet is too slapstick and dumb-blonde to appeal fully to women.<br /><br />If you have seen Legally Blonde and its sequel, then this is like the bewilderingly awful sequel. Great actors such as Luke Wilson should expect better material. Jessica Simpson could also have managed so much more. Rachael Leigh Cook and Penelope Anne Miller languish in supporting roles that are silly rather than amusing.<br /><br />Many things in this movie were paint-by-numbers, the various uber-clich\xc3\xa9 montages, the last minute "misunderstanding", even the kids\' party chaos. This just suggests lazy scriptwriting.<br /><br />It should be possible to find this movie enjoyable if you don\'t take it seriously, but it\'s such a glaring could-do-better than you\'ll likely feel frustrated and increasingly disappointed as the scenes roll past.'
Label:  0
Review:  b'There is absolutely no plot in this movie ...no character development...no climax...nothing. But has a few good fighting scenes that are actually pretty good. So there you go...as a movie overall is pretty bad, but if you like a brainless flick that offer nothing but just good action scene then watch this movie. Do not expect nothing more that just that.Decent acting and a not so bad direction..A couple of cameos from Kimbo and Carano...I was looking to see Carano a little bit more in this movie..she is a good fighter and a really hot girl.... White is a great martial artist and a decent actor. I really hope he can land a better movie in the future so we can really enjoy his art..Imagine a film with White and Jaa together...that would be awesome'
Label:  0

يمكنك الآن معالجة البيانات مسبقًا وتدريب نموذج كما كان من قبل.

جهز مجموعة البيانات للتدريب

vectorize_layer = TextVectorization(
    max_tokens=VOCAB_SIZE,
    output_mode='int',
    output_sequence_length=MAX_SEQUENCE_LENGTH)

# Make a text-only dataset (without labels), then call `TextVectorization.adapt`.
train_text = train_ds.map(lambda text, labels: text)
vectorize_layer.adapt(train_text)
def vectorize_text(text, label):
  text = tf.expand_dims(text, -1)
  return vectorize_layer(text), label
train_ds = train_ds.map(vectorize_text)
val_ds = val_ds.map(vectorize_text)
# Configure datasets for performance as before.
train_ds = configure_dataset(train_ds)
val_ds = configure_dataset(val_ds)

إنشاء النموذج وتكوينه وتدريبه

model = create_model(vocab_size=VOCAB_SIZE + 1, num_labels=1)
model.summary()
Model: "sequential_5"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
embedding_2 (Embedding)      (None, None, 64)          640064    
_________________________________________________________________
conv1d_2 (Conv1D)            (None, None, 64)          20544     
_________________________________________________________________
global_max_pooling1d_2 (Glob (None, 64)                0         
_________________________________________________________________
dense_3 (Dense)              (None, 1)                 65        
=================================================================
Total params: 660,673
Trainable params: 660,673
Non-trainable params: 0
_________________________________________________________________
model.compile(
    loss=losses.BinaryCrossentropy(from_logits=True),
    optimizer='adam',
    metrics=['accuracy'])
history = model.fit(train_ds, validation_data=val_ds, epochs=3)
Epoch 1/3
313/313 [==============================] - 3s 6ms/step - loss: 0.5411 - accuracy: 0.6645 - val_loss: 0.3777 - val_accuracy: 0.8310
Epoch 2/3
313/313 [==============================] - 1s 3ms/step - loss: 0.2992 - accuracy: 0.8698 - val_loss: 0.3194 - val_accuracy: 0.8592
Epoch 3/3
313/313 [==============================] - 1s 3ms/step - loss: 0.1811 - accuracy: 0.9298 - val_loss: 0.3261 - val_accuracy: 0.8622
loss, accuracy = model.evaluate(val_ds)

print("Loss: ", loss)
print("Accuracy: {:2.2%}".format(accuracy))
79/79 [==============================] - 0s 1ms/step - loss: 0.3261 - accuracy: 0.8622
Loss:  0.3261321783065796
Accuracy: 86.22%

تصدير النموذج

export_model = tf.keras.Sequential(
    [vectorize_layer, model,
     layers.Activation('sigmoid')])

export_model.compile(
    loss=losses.SparseCategoricalCrossentropy(from_logits=False),
    optimizer='adam',
    metrics=['accuracy'])
# 0 --> negative review
# 1 --> positive review
inputs = [
    "This is a fantastic movie.",
    "This is a bad movie.",
    "This movie was so bad that it was good.",
    "I will never say yes to watching this movie.",
]

predicted_scores = export_model.predict(inputs)
predicted_labels = [int(round(x[0])) for x in predicted_scores]

for input, label in zip(inputs, predicted_labels):
  print("Question: ", input)
  print("Predicted label: ", label)
Question:  This is a fantastic movie.
Predicted label:  1
Question:  This is a bad movie.
Predicted label:  0
Question:  This movie was so bad that it was good.
Predicted label:  0
Question:  I will never say yes to watching this movie.
Predicted label:  0

استنتاج

أظهر هذا البرنامج التعليمي عدة طرق لتحميل النص ومعالجته مسبقًا. وكخطوة تالية، يمكنك استكشاف النص الإضافي تجهيزها نص TensorFlow الدروس، مثل:

يمكنك أيضا العثور على مجموعات البيانات الجديدة على TensorFlow مجموعات البيانات . و، لمعرفة المزيد عن tf.data ، تحقق من دليل على بناء خطوط أنابيب المدخلات .