सहायता Kaggle पर TensorFlow साथ ग्रेट बैरियर रीफ की रक्षा चैलेंज में शामिल हों

पाठ लोड करें

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखेंनोटबुक डाउनलोड करें

यह ट्यूटोरियल टेक्स्ट को लोड करने और प्रीप्रोसेस करने के दो तरीके दिखाता है।

  • सबसे पहले, आप केरस उपयोगिताओं और प्रीप्रोसेसिंग परतों का उपयोग करेंगे। इनमें शामिल हैं tf.keras.utils.text_dataset_from_directory एक में डेटा बारी करने के tf.data.Dataset और tf.keras.layers.TextVectorization डेटा मानकीकरण, tokenization, और vectorization के लिए। यदि आप TensorFlow में नए हैं, तो आपको इनसे शुरुआत करनी चाहिए।
  • उसके बाद, आप की तरह निचले स्तर उपयोगिताओं का उपयोग करेगा tf.data.TextLineDataset लोड पाठ फ़ाइलें, और करने के लिए TensorFlow पाठ जैसे एपीआई, text.UnicodeScriptTokenizer और text.case_fold_utf8 , महीन-अनाज नियंत्रण के लिए डेटा preprocess करने के लिए।
# 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

उदाहरण 1: स्टैक ओवरफ़्लो प्रश्न के लिए टैग की भविष्यवाणी करें

पहले उदाहरण के रूप में, आप स्टैक ओवरफ़्लो से प्रोग्रामिंग प्रश्नों का एक डेटासेट डाउनलोड करेंगे। प्रत्येक प्रश्न ( "मैं कैसे मान द्वारा एक शब्दकोश क्रमित करूं?") वास्तव में एक टैग (के साथ लेबल है Python , CSharp , JavaScript , या Java )। आपका काम एक मॉडल विकसित करना है जो किसी प्रश्न के लिए टैग की भविष्यवाणी करता है। यह बहु-श्रेणी वर्गीकरण का एक उदाहरण है - एक महत्वपूर्ण और व्यापक रूप से लागू होने वाली मशीन सीखने की समस्या।

डेटासेट डाउनलोड करें और एक्सप्लोर करें

का उपयोग कर स्टैक ओवरफ़्लो डाटासेट डाउनलोड करके शुरू tf.keras.utils.get_file , और निर्देशिका संरचना की खोज:

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')]

train/csharp , train/java , train/python और train/javascript निर्देशिका कई पाठ फ़ाइलें, एक स्टैक ओवरफ़्लो सवाल यह है जिनमें से प्रत्येक में होते हैं।

एक उदाहरण फ़ाइल प्रिंट करें और डेटा का निरीक्षण करें:

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

डेटासेट लोड करें

इसके बाद, आप डेटा को डिस्क से लोड करेंगे और इसे प्रशिक्षण के लिए उपयुक्त प्रारूप में तैयार करेंगे। ऐसा करने के लिए, आप का उपयोग करेगा tf.keras.utils.text_dataset_from_directory एक लेबल बनाने के लिए उपयोगिता tf.data.Dataset । यदि आप के लिए नए हैं tf.data , यह इनपुट पाइपलाइनों के निर्माण के लिए उपकरणों की एक शक्तिशाली संग्रहण है। (में और जानें tf.data: बिल्ड TensorFlow इनपुट पाइपलाइनों गाइड।)

tf.keras.utils.text_dataset_from_directory इस प्रकार एपीआई एक निर्देशिका संरचना की उम्मीद:

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

: जब एक मशीन सीखने प्रयोग चल रहा है, यह तीन विभाजन में अपने डाटासेट विभाजित करने के लिए सबसे अच्छा अभ्यास है प्रशिक्षण , मान्यता , और परीक्षण

स्टैक ओवरफ्लो डेटासेट को पहले से ही प्रशिक्षण और परीक्षण सेट में विभाजित किया गया है, लेकिन इसमें सत्यापन सेट का अभाव है।

का उपयोग करके प्रशिक्षण डेटा की एक 80:20 विभाजन का उपयोग कर एक मान्यता समूह बनाना होगा tf.keras.utils.text_dataset_from_directory साथ validation_split को सेट 0.2 (यानी 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.

जैसा कि पिछले सेल आउटपुट से पता चलता है, प्रशिक्षण फ़ोल्डर में 8,000 उदाहरण हैं, जिनमें से आप प्रशिक्षण के लिए 80% (या 6,400) का उपयोग करेंगे। आप एक पल में सीखना होगा यदि आप एक पास करके एक मॉडल प्रशिक्षित कर सकते हैं कि tf.data.Dataset के लिए सीधे Model.fit

सबसे पहले, डेटासेट पर पुनरावृति करें और डेटा को महसूस करने के लिए कुछ उदाहरणों का प्रिंट आउट लें।

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

लेबल हैं 0 , 1 , 2 या 3 । जांच करने के लिए है जो इन अनुरूप की जो स्ट्रिंग लेबल करने के लिए, आप निरीक्षण कर सकते हैं class_names डेटासेट पर संपत्ति:

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

इसके बाद, आप एक सत्यापन पैदा करेगा और एक परीक्षण का उपयोग कर सेट tf.keras.utils.text_dataset_from_directory । आप सत्यापन के लिए प्रशिक्षण सेट से शेष 1,600 समीक्षाओं का उपयोग करेंगे।

# 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.

प्रशिक्षण के लिए डेटासेट तैयार करें

इसके बाद, आप मानकीकृत जाएगा, tokenize, और का उपयोग कर डेटा vectorize tf.keras.layers.TextVectorization परत।

  • मानकीकरण डाटासेट आसान बनाने के लिए विराम चिह्न या HTML तत्वों को दूर करने के पाठ preprocessing, आम तौर पर करने के लिए संदर्भित करता है।
  • Tokenization बंटवारे तार करने के लिए टोकन में (उदाहरण के लिए, बंटवारे अलग-अलग शब्दों में एक वाक्य बंटवारे से खाली स्थान के पर) संदर्भित करता है।
  • Vectorization संख्या में टोकन परिवर्तित ताकि वे एक तंत्रिका नेटवर्क में खिलाया जा सकता है को दर्शाता है।

इन सभी कार्यों को इस परत से पूरा किया जा सकता है। (आप इनमें से प्रत्येक के बारे में अधिक सीख सकते हैं tf.keras.layers.TextVectorization एपीआई डॉक्स।)

ध्यान दें कि:

  • डिफ़ॉल्ट मानकीकरण धर्मान्तरित पाठ को लोअरकेस में और हटा देगा विराम चिह्न ( standardize='lower_and_strip_punctuation' )।
  • डिफ़ॉल्ट खाली स्थान के पर विभाजन tokenizer ( split='whitespace' )।
  • डिफ़ॉल्ट vectorization विधा है 'int' ( output_mode='int' )। यह पूर्णांक सूचकांक (प्रति टोकन एक) आउटपुट करता है। इस मोड का उपयोग ऐसे मॉडल बनाने के लिए किया जा सकता है जो शब्द क्रम को ध्यान में रखते हैं। तुम भी अन्य साधनों की तरह उपयोग कर सकते हैं 'binary' करने वाली निर्माण बैग कई शब्द मॉडल।

आप दो मॉडलों के साथ मानकीकरण, tokenization, और vectorization के बारे में अधिक जानने के लिए का निर्माण करेगा TextVectorization :

  • सबसे पहले, आप का उपयोग करेगा 'binary' एक बैग कई शब्द मॉडल बनाने के लिए vectorization मोड।
  • उसके बाद, आप का उपयोग करेगा 'int' एक -1 डी ConvNet साथ मोड।
VOCAB_SIZE = 10000

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

के लिए 'int' मोड, अधिकतम शब्दावली आकार के अलावा, आप एक स्पष्ट अधिकतम अनुक्रम लंबाई (निर्धारित करने की आवश्यकता MAX_SEQUENCE_LENGTH ) है, जो वास्तव में करने के लिए पैड या truncate दृश्यों को परत कारण होगा output_sequence_length मान:

MAX_SEQUENCE_LENGTH = 250

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

इसके बाद, फोन TextVectorization.adapt डाटासेट preprocessing परत की स्थिति के अनुरूप हों। यह मॉडल को पूर्णांकों के लिए स्ट्रिंग्स की अनुक्रमणिका बनाने का कारण बनेगा।

# 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)

डेटा को प्रीप्रोसेस करने के लिए इन परतों का उपयोग करने का परिणाम प्रिंट करें:

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)

ऊपर दिखाया गया है, TextVectorization की 'binary' मोड रिटर्न एक सरणी को संकेतित करते जो टोकन, इनपुट में एक बार कम से कम मौजूद है, जबकि 'int' मोड एक पूर्णांक द्वारा प्रत्येक टोकन बदल देता है, इस प्रकार अपने आदेश संरक्षण।

आप टोकन (स्ट्रिंग) देखने के कर सकते हैं कि फोन करके करने के लिए प्रत्येक पूर्णांक मेल खाती TextVectorization.get_vocabulary परत पर:

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

आप अपने मॉडल को प्रशिक्षित करने के लिए लगभग तैयार हैं।

एक अंतिम preprocessing कदम के रूप में, आप लागू होगी TextVectorization परतों आप प्रशिक्षण, मान्यता, और परीक्षण सेट करने के लिए पूर्व में बनाया गया:

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)

प्रदर्शन के लिए डेटासेट कॉन्फ़िगर करें

ये दो महत्वपूर्ण तरीके हैं जिनका उपयोग आपको डेटा लोड करते समय यह सुनिश्चित करने के लिए करना चाहिए कि I/O अवरुद्ध न हो जाए।

  • Dataset.cache के बाद यह डिस्क बंद लोड की स्मृति में डेटा रखता है। यह सुनिश्चित करेगा कि आपके मॉडल को प्रशिक्षित करते समय डेटासेट एक अड़चन न बने। यदि आपका डेटासेट मेमोरी में फ़िट होने के लिए बहुत बड़ा है, तो आप इस पद्धति का उपयोग एक प्रदर्शनकारी ऑन-डिस्क कैश बनाने के लिए भी कर सकते हैं, जो कई छोटी फ़ाइलों की तुलना में पढ़ने में अधिक कुशल है।
  • Dataset.prefetch preprocessing डेटा और मॉडल निष्पादन करते हुए प्रशिक्षण चढ़ जाता है।

आप दोनों विधियों के बारे में अधिक सीख सकते हैं, साथ ही कैश डेटा के लिए कैसे की प्रीफेचिंग खंड में डिस्क के लिए tf.data एपीआई के साथ बेहतर प्रदर्शन गाइड।

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)

मॉडल को प्रशिक्षित करें

यह आपका तंत्रिका नेटवर्क बनाने का समय है।

के लिए 'binary' vectorized डेटा, एक साधारण बैग कई शब्द रेखीय मॉडल है, तो कॉन्फ़िगर को परिभाषित करने और ट्रेन:

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

इसके बाद, आप का उपयोग करेगा 'int' एक -1 डी ConvNet निर्माण करने के लिए vectorized परत:

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

दो मॉडलों की तुलना करें:

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

परीक्षण डेटा पर दोनों मॉडलों का मूल्यांकन करें:

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%

मॉडल निर्यात करें

उपरोक्त कोड में, आप लागू किया tf.keras.layers.TextVectorization मॉडल के लिए पाठ को खिलाने से पहले डाटासेट करने के लिए। आप अपने मॉडल कच्चे तार प्रसंस्करण (उदाहरण के लिए तो उसे लागू करने को आसान बनाने की) करने में सक्षम बनाना चाहते हैं, तो आप शामिल कर सकते हैं TextVectorization अपने मॉडल के अंदर परत।

ऐसा करने के लिए, आप अभी-अभी प्रशिक्षित किए गए वज़न का उपयोग करके एक नया मॉडल बना सकते हैं:

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%

अब, अपने मॉडल इनपुट के रूप में कच्चे तार लेने के लिए और का उपयोग कर प्रत्येक लेबल के लिए एक स्कोर भविष्यवाणी कर सकते हैं Model.predict । अधिकतम स्कोर वाले लेबल को खोजने के लिए फ़ंक्शन को परिभाषित करें:

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

नए डेटा पर अनुमान चलाएँ

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'

अपने मॉडल के अंदर का पाठ preprocessing तर्क भी शामिल है आप उत्पादन है कि सरल तैनाती के लिए एक मॉडल के निर्यात करने के लिए सक्षम बनाता है, और के लिए क्षमता को कम कर देता ट्रेन / परीक्षण तिरछा

वहाँ एक प्रदर्शन अंतर जब जहां लागू करने के लिए चुनने को ध्यान में रखना है tf.keras.layers.TextVectorization । अपने मॉडल के बाहर इसका उपयोग करने से आप GPU पर प्रशिक्षण के दौरान एसिंक्रोनस सीपीयू प्रोसेसिंग और अपने डेटा की बफरिंग कर सकते हैं। इसलिए, यदि आप GPU पर अपने मॉडल को प्रशिक्षण कर रहे हैं, तो आप शायद सबसे अच्छा प्रदर्शन प्राप्त करने के लिए, जबकि अपने मॉडल को विकसित करने के लिए इस विकल्प के साथ जाना चाहते हैं, तो सहित करने के लिए स्विच TextVectorization अपने मॉडल के अंदर परत जबकि आप तैनाती के लिए तैयार करने के लिए तैयार .

पर जाएं सहेजें और लोड मॉडल मॉडल की बचत के बारे में अधिक जानने के लिए ट्यूटोरियल।

उदाहरण 2: इलियड अनुवादों के लेखक की भविष्यवाणी करें

निम्नलिखित का उपयोग करने का एक उदाहरण देता है tf.data.TextLineDataset पाठ फ़ाइलों से लोड उदाहरण है, और करने के लिए TensorFlow पाठ डेटा preprocess करने के लिए। आप एक ही काम के तीन अलग-अलग अंग्रेजी अनुवादों का उपयोग करेंगे, होमर इलियड, और पाठ की एक पंक्ति दिए गए अनुवादक की पहचान करने के लिए एक मॉडल को प्रशिक्षित करेंगे।

डेटासेट डाउनलोड करें और एक्सप्लोर करें

तीन अनुवादों के ग्रंथ इस प्रकार हैं:

इस ट्यूटोरियल में उपयोग की जाने वाली टेक्स्ट फाइलों में कुछ विशिष्ट प्रीप्रोसेसिंग कार्य हैं जैसे दस्तावेज़ शीर्षलेख और पाद लेख, लाइन नंबर और अध्याय शीर्षक हटाना।

इन हल्की-फुल्की फाइलों को स्थानीय रूप से डाउनलोड करें:

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')]

डेटासेट लोड करें

इससे पहले, साथ tf.keras.utils.text_dataset_from_directory एक फ़ाइल की सभी सामग्री एक भी उदाहरण के रूप में इलाज किया गया। यहाँ, आप का उपयोग करेगा tf.data.TextLineDataset है, जो एक बनाने के लिए डिज़ाइन किया गया है tf.data.Dataset एक पाठ फ़ाइल जहां प्रत्येक उदाहरण के मूल फ़ाइल से पाठ की एक पंक्ति है। TextLineDataset (उदाहरण, कविता या त्रुटि लॉग के लिए) पाठ डेटा है कि मुख्य रूप से लाइन पर आधारित के लिए उपयोगी है।

इन फ़ाइलों के माध्यम से पुनरावृति करें, प्रत्येक को अपने स्वयं के डेटासेट में लोड करें। प्रत्येक उदाहरण व्यक्तिगत रूप से लेबल किए जाने की आवश्यकता है, इसलिए का उपयोग Dataset.map हर एक को एक लेबलर समारोह लागू करने के लिए। यह डेटासेट में हर उदाहरण से अधिक पुनरावृति जाएगा, लौटने ( example, label ) जोड़े।

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)

इसके बाद, आप का उपयोग कर एक भी डाटासेट में इन लेबल डेटासेट एक साथ कर देंगे Dataset.concatenate , और साथ यह शफ़ल 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)

पहले की तरह कुछ उदाहरण प्रिंट करें। डाटासेट अभी तक batched नहीं किया गया है, में इसलिए प्रत्येक प्रविष्टि all_labeled_data एक डेटा बिंदु से मेल खाती है:

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

प्रशिक्षण के लिए डेटासेट तैयार करें

उपयोग करने के बजाय tf.keras.layers.TextVectorization पाठ डाटासेट preprocess करने के लिए, आप अब मानकीकृत करने के लिए और डेटा tokenize, एक शब्दावली का निर्माण और प्रयोग TensorFlow पाठ एपीआई का उपयोग करेगा tf.lookup.StaticVocabularyTable लिए फ़ीड करने के लिए पूर्णांक के लिए टोकन मैप करने के लिए आदर्श। (बारे में और जानें TensorFlow पाठ )।

टेक्स्ट को लोअर-केस में बदलने के लिए एक फ़ंक्शन को परिभाषित करें और इसे टोकन करें:

  • TensorFlow Text विभिन्न टोकन प्रदान करता है। इस उदाहरण में, आप का उपयोग करेगा text.UnicodeScriptTokenizer डाटासेट tokenize करने के लिए।
  • आप का उपयोग करेगा Dataset.map डाटासेट tokenization लागू करने के लिए।
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.

आप डेटासेट पर पुनरावृति कर सकते हैं और कुछ टोकन वाले उदाहरणों का प्रिंट आउट ले सकते हैं:

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']

इसके बाद, आप आवृत्ति द्वारा टोकन छंटाई और शीर्ष रखकर एक शब्दावली का निर्माण होगा VOCAB_SIZE टोकन:

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']

पूर्णांकों में टोकन बदलने के लिए, का उपयोग vocab एक बनाने के लिए सेट tf.lookup.StaticVocabularyTable । आप रेंज [में पूर्णांक के लिए टोकन मैप कर देगा 2 , vocab_size + 2 ]। साथ के रूप में TextVectorization परत, 0 निरूपित गद्दी के लिए आरक्षित है और 1 एक बाहर के शब्द संग्रह (OOV) टोकन निरूपित करने के लिए आरक्षित है।

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)

अंत में, टोकननाइज़र और लुकअप टेबल का उपयोग करके डेटासेट को मानकीकृत, टोकननाइज़ और वेक्टराइज़ करने के लिए एक फ़ंक्शन को परिभाषित करें:

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

आउटपुट को प्रिंट करने के लिए आप इसे एक उदाहरण पर आज़मा सकते हैं:

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]

अब डाटासेट के प्रयोग पर preprocess समारोह चलाने Dataset.map :

all_encoded_data = all_labeled_data.map(preprocess_text)

डेटासेट को प्रशिक्षण और परीक्षण सेट में विभाजित करें

Keras TextVectorization परत भी बैचों और पैड vectorized डेटा। पैडिंग की आवश्यकता होती है क्योंकि बैच के अंदर के उदाहरण समान आकार और आकार के होने चाहिए, लेकिन इन डेटासेट में उदाहरण सभी समान आकार के नहीं होते हैं—पाठ की प्रत्येक पंक्ति में शब्दों की संख्या भिन्न होती है।

tf.data.Dataset बंटवारे और गद्देदार-बैचिंग डेटासेट का समर्थन करता है:

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)

अब, validation_data और train_data (का संग्रह नहीं कर रहे हैं example, label ) जोड़े, लेकिन बैचों के संग्रह। प्रत्येक बैच (कई उदाहरण, कई लेबल) सरणियों के रूप में प्रतिनिधित्व की एक जोड़ी है।

इसे स्पष्ट करने के लिए:

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)

के बाद से आप का उपयोग 0 गद्दी के लिए और 1 के बाहर के शब्द संग्रह (OOV) टोकन, शब्दावली आकार दो की वृद्धि हुई है:

vocab_size += 2

पहले की तरह बेहतर प्रदर्शन के लिए डेटासेट कॉन्फ़िगर करें:

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

मॉडल को प्रशिक्षित करें

आप इस डेटासेट पर पहले की तरह एक मॉडल को प्रशिक्षित कर सकते हैं:

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%

मॉडल निर्यात करें

मॉडल इनपुट के रूप में कच्चे तार उठाने में सक्षम बनाने के लिए, आप एक Keras पैदा करेगा TextVectorization परत है कि अपने कस्टम preprocessing समारोह के रूप में एक ही चरणों का प्रदर्शन करती है। जब से तुम पहले से ही एक शब्दावली को प्रशिक्षित किया है, तो आप उपयोग कर सकते हैं TextVectorization.set_vocabulary (के बजाय TextVectorization.adapt ) है, जो एक नया शब्दावली प्रशिक्षण देता है।

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%

एन्कोडेड सत्यापन सेट पर मॉडल के लिए हानि और सटीकता और कच्चे सत्यापन सेट पर निर्यात किए गए मॉडल समान हैं, जैसा कि अपेक्षित था।

नए डेटा पर अनुमान चलाएँ

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

TensorFlow डेटासेट (TFDS) का उपयोग करके अधिक डेटासेट डाउनलोड करें

आप से कई और अधिक डेटासेट डाउनलोड कर सकते हैं TensorFlow डेटासेट

इस उदाहरण में, आप का उपयोग करेगा बड़े फिल्म समीक्षा डाटासेट IMDB भावना वर्गीकरण के लिए एक मॉडल को प्रशिक्षित करने के:

# 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)

कुछ उदाहरण प्रिंट करें:

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

अब आप डेटा को प्रीप्रोसेस कर सकते हैं और मॉडल को पहले की तरह प्रशिक्षित कर सकते हैं।

प्रशिक्षण के लिए डेटासेट तैयार करें

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)

मॉडल बनाएं, कॉन्फ़िगर करें और प्रशिक्षित करें

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%

मॉडल निर्यात करें

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

निष्कर्ष

इस ट्यूटोरियल ने टेक्स्ट को लोड करने और प्रीप्रोसेस करने के कई तरीकों का प्रदर्शन किया। अगले कदम के रूप में, आप preprocessing अतिरिक्त पाठ तलाश कर सकते हैं TensorFlow पाठ जैसे ट्यूटोरियल,:

तुम भी पर नए डेटासेट पा सकते हैं TensorFlow डेटासेट । और, के बारे में अधिक जानने के लिए tf.data , पर गाइड की जाँच इनपुट पाइपलाइनों का निर्माण