O Dia da Comunidade de ML é dia 9 de novembro! Junte-nos para atualização de TensorFlow, JAX, e mais Saiba mais

Carregar texto

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHubBaixar caderno

Este tutorial demonstra duas maneiras de carregar e pré-processar texto.

# 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

Exemplo 1: prever a tag para uma pergunta do Stack Overflow

Como primeiro exemplo, você fará o download de um conjunto de dados de perguntas de programação do Stack Overflow. Cada pergunta ( "Como faço para classificar um dicionário pelo valor?") É rotulado com exatamente uma tag ( Python , CSharp , JavaScript ou Java ). Sua tarefa é desenvolver um modelo que preveja a tag para uma pergunta. Este é um exemplo de classificação de várias classes - um tipo de problema de aprendizado de máquina importante e amplamente aplicável.

Baixe e explore o conjunto de dados

Comece fazendo o download do conjunto de dados de estouro de pilha usando tf.keras.utils.get_file , e explorar a estrutura de diretórios:

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')]

O train/csharp , train/java , train/python e train/javascript diretórios contêm muitos arquivos de texto, cada um dos quais é uma questão de estouro de pilha.

Imprima um arquivo de exemplo e inspecione os dados:

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

Carregue o conjunto de dados

Em seguida, você carregará os dados do disco e os preparará em um formato adequado para treinamento. Para fazer isso, você vai usar o tf.keras.utils.text_dataset_from_directory utilitário para criar um rotulado tf.data.Dataset . Se você é novo para tf.data , é um poderoso conjunto de ferramentas para a construção de dutos de entrada. (Saiba mais no tf.data: Constituição TensorFlow dutos de entrada guia.)

O tf.keras.utils.text_dataset_from_directory API espera uma estrutura de diretórios como segue:

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

Ao executar um experimento de aprendizagem de máquina, é uma prática recomendada para dividir o conjunto de dados em três divisões: treinamento , validação e teste .

O conjunto de dados Stack Overflow já foi dividido em conjuntos de treinamento e teste, mas não possui um conjunto de validação.

Criar um conjunto de validação utilizando uma mistura 80:20 de divisão de dados de treino, utilizando tf.keras.utils.text_dataset_from_directory com validation_split conjunto para 0.2 (isto é, 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.

Como sugere o resultado da célula anterior, há 8.000 exemplos na pasta de treinamento, dos quais você usará 80% (ou 6.400) para treinamento. Você vai aprender em um momento que você pode treinar um modelo por meio de um tf.data.Dataset diretamente para Model.fit .

Primeiro, itere sobre o conjunto de dados e imprima alguns exemplos, para ter uma ideia dos dados.

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

As etiquetas são 0 , 1 , 2 ou 3 . Para verificar qual destes correspondem ao qual rótulo string, você pode inspecionar o class_names propriedade no conjunto de dados:

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

Em seguida, você irá criar uma validação e um teste definida usando tf.keras.utils.text_dataset_from_directory . Você usará as 1.600 revisões restantes do conjunto de treinamento para validação.

# 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.

Prepare o conjunto de dados para treinamento

Em seguida, você irá padronizar, tokenize e vetorizar os dados usando o tf.keras.layers.TextVectorization camada.

  • Normalização refere-se a pré-processamento de texto, normalmente para remover de pontuação ou elementos HTML para simplificar o conjunto de dados.
  • Tokenization refere-se a cadeias de divisão em fichas (por exemplo, desdobramento de uma frase em palavras individuais por divisão em espaços em branco).
  • Vectorização refere-se a conversão de fichas em números, de forma que pode ser alimentado para uma rede neural.

Todas essas tarefas podem ser realizadas com esta camada. (Você pode aprender mais sobre cada um deles nos tf.keras.layers.TextVectorization documentação da API.)

Observe que:

  • O convertidos normalização texto padrão para minúsculas e remove pontuação ( standardize='lower_and_strip_punctuation' ).
  • O padrão tokenizer racha no espaço em branco ( split='whitespace' ).
  • O modo de vetorização padrão é 'int' ( output_mode='int' ). Isso gera índices inteiros (um por token). Este modo pode ser usado para construir modelos que levam em consideração a ordem das palavras. Você também pode usar outros modos-like 'binary' -para construir saco-de-palavras modelos.

Você vai construir dois modelos para aprender mais sobre a padronização, tokenization e vetorização com TextVectorization :

  • Primeiro, você irá usar o 'binary' modo de vetorização para construir um modelo bag-of-words.
  • Então, você vai usar o 'int' modo com uma 1D ConvNet.
VOCAB_SIZE = 10000

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

Para a 'int' modo, em adição ao tamanho máximo de vocabulário, é necessário definir um comprimento explícito sequência máxima ( MAX_SEQUENCE_LENGTH ), que fará com que a camada de sequências de bloco ou trunca a exatamente output_sequence_length valores:

MAX_SEQUENCE_LENGTH = 250

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

Em seguida, chamar TextVectorization.adapt para ajustar o estado da camada de pré-processamento para o conjunto de dados. Isso fará com que o modelo construa um índice de strings para inteiros.

# 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)

Imprima o resultado do uso dessas camadas para pré-processar os dados:

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)

Como mostrado acima, TextVectorization 's 'binary' modo regressa um denotando matriz que existem sinais pelo menos uma vez na entrada, enquanto que o 'int' modo substitui cada símbolo por um número inteiro, preservando assim a sua ordem.

Você pode consultar o token (string) que cada inteiro corresponde a chamando TextVectorization.get_vocabulary na camada:

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

Você está quase pronto para treinar seu modelo.

Como uma etapa de pré-processamento final, você vai aplicar as TextVectorization camadas que você criou anteriormente para os conjuntos de treinamento, validação e teste:

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)

Configure o conjunto de dados para desempenho

Esses são dois métodos importantes que você deve usar ao carregar dados para garantir que a E / S não se torne um bloqueio.

  • Dataset.cache mantém os dados na memória depois que ele é carregado off disco. Isso garantirá que o conjunto de dados não se torne um gargalo durante o treinamento do seu modelo. Se o seu conjunto de dados for muito grande para caber na memória, você também pode usar este método para criar um cache em disco de alto desempenho, que é mais eficiente de ler do que muitos arquivos pequenos.
  • Dataset.prefetch sobrepõe dados de pré-processamento e execução do modelo durante o treinamento.

Você pode aprender mais sobre ambos os métodos, bem como a forma de dados em cache no disco na seção Prefetching do desempenho melhor com a tf.data API guia.

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)

Treine o modelo

É hora de criar sua rede neural.

Para o 'binary' dados vectorized, definir um simples saco-de-palavras lineares modelo, em seguida, configure e treiná-lo:

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

Em seguida, você irá usar o 'int' camada vetorizado para construir uma 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

Compare os dois modelos:

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

Avalie ambos os modelos nos dados de teste:

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%

Exporte o modelo

No código acima, você aplicou tf.keras.layers.TextVectorization ao conjunto de dados antes de alimentar texto para o modelo. Se você quiser fazer o seu modelo capaz de processar seqüências de matérias (por exemplo, para simplificar a implantá-lo), você pode incluir o TextVectorization camada dentro do seu modelo.

Para fazer isso, você pode criar um novo modelo usando os pesos que acabou de treinar:

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%

Agora, o modelo pode levar cordas matérias como entrada e prever uma pontuação para cada etiqueta usando Model.predict . Defina uma função para encontrar o rótulo com a pontuação máxima:

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

Executar inferência em novos dados

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'

Incluindo a lógica de texto pré-processamento dentro do seu modelo permite exportar um modelo de produção que simplifica a implantação e reduz o potencial de trem / teste de inclinação .

Há uma diferença de desempenho para se manter em mente ao escolher onde aplicar tf.keras.layers.TextVectorization . Usá-lo fora do seu modelo permite que você faça o processamento assíncrono da CPU e o armazenamento em buffer dos seus dados durante o treinamento na GPU. Então, se você está treinando seu modelo na GPU, você provavelmente vai querer ir com esta opção para obter o melhor desempenho durante o desenvolvimento de seu modelo, em seguida, mudar para incluindo o TextVectorization camada dentro do seu modelo quando você estiver pronto para se preparar para a implantação .

Visite o Salvar e modelos de carga tutorial para aprender mais sobre como salvar modelos.

Exemplo 2: Preveja o autor das traduções da Ilíada

A seguir fornece um exemplo do uso tf.data.TextLineDataset a exemplos de carga de arquivos de texto, e TensorFlow texto para pré-processar os dados. Você usará três traduções diferentes para o inglês da mesma obra, a Ilíada de Homero, e treinará um modelo para identificar o tradutor em uma única linha de texto.

Baixe e explore o conjunto de dados

Os textos das três traduções são por:

Os arquivos de texto usados ​​neste tutorial passaram por algumas tarefas de pré-processamento típicas, como a remoção do cabeçalho e rodapé do documento, números de linha e títulos de capítulo.

Baixe esses arquivos levemente modificados localmente:

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')]

Carregue o conjunto de dados

Anteriormente, com tf.keras.utils.text_dataset_from_directory todos os conteúdos de um ficheiro foram tratados como um único exemplo. Aqui, você vai usar tf.data.TextLineDataset , que é projetado para criar um tf.data.Dataset de um arquivo de texto em que cada exemplo é uma linha de texto do arquivo original. TextLineDataset é útil para dados de texto que se baseia linha principalmente (por exemplo, a poesia ou logs de erros).

Faça a iteração por meio desses arquivos, carregando cada um em seu próprio conjunto de dados. Cada exemplo precisa ser marcada individualmente, assim usar Dataset.map para aplicar uma função rotulador para cada um. Isto irá iterar sobre cada exemplo do conjunto de dados, retornando ( example, label ) pares.

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)

Em seguida, você combinar esses conjuntos de dados marcados em um único conjunto de dados usando Dataset.concatenate , e shuffle com 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)

Imprima alguns exemplos como antes. O conjunto de dados não tiver sido ainda em lote, portanto, cada entrada em all_labeled_data corresponde a um ponto de dados:

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

Prepare o conjunto de dados para treinamento

Em vez de usar tf.keras.layers.TextVectorization para pré-processar o conjunto de dados de texto, agora você vai usar as APIs TensorFlow texto para padronizar e tokenizar os dados, construir um vocabulário e usar tf.lookup.StaticVocabularyTable para mapear tokens, até inteiros de alimentação para a modelo. (Saiba mais sobre TensorFlow texto ).

Defina uma função para converter o texto em minúsculas e tokenizá-lo:

  • O TensorFlow Text oferece vários tokenizers. Neste exemplo, você irá utilizar o text.UnicodeScriptTokenizer tokenizar o conjunto de dados.
  • Você vai usar Dataset.map para aplicar o uso de token para o conjunto de dados.
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.

Você pode iterar no conjunto de dados e imprimir alguns exemplos tokenizados:

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']

Em seguida, você vai construir um vocabulário classificando fichas de freqüência e mantendo as principais VOCAB_SIZE fichas:

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']

Para converter as fichas em números inteiros, use o vocab definido para criar um tf.lookup.StaticVocabularyTable . Você irá mapear tokens, até inteiros no intervalo [ 2 , vocab_size + 2 ]. Tal como acontece com o TextVectorization camada, 0 é reservado para denotar preenchimento e 1 é reservada para denotar um out-of-vocabulário (OOV) token.

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)

Por fim, defina uma função para padronizar, tokenizar e vetorizar o conjunto de dados usando o tokenizer e a tabela de pesquisa:

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

Você pode tentar isso em um único exemplo para imprimir a saída:

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]

Agora execute a função de pré-processamento no conjunto de dados usando Dataset.map :

all_encoded_data = all_labeled_data.map(preprocess_text)

Divida o conjunto de dados em conjuntos de treinamento e teste

O Keras TextVectorization camada também lotes e as almofadas de dados vectorized. O preenchimento é necessário porque os exemplos dentro de um lote precisam ter o mesmo tamanho e formato, mas os exemplos nesses conjuntos de dados não são todos do mesmo tamanho - cada linha de texto tem um número diferente de palavras.

tf.data.Dataset suporta dividir e acolchoada-dosagem conjuntos de dados:

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)

Agora, validation_data e train_data não são coleções de ( example, label pares), mas coleções de lotes. Cada lote é um par de (muitos exemplos, muitos etiquetas) representados como matrizes.

Para ilustrar isso:

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)

Desde que você use 0 para preenchimento e 1 de tokens (OOV) fora de vocabulário, o tamanho do vocabulário aumentou em dois:

vocab_size += 2

Configure os conjuntos de dados para um melhor desempenho como antes:

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

Treine o modelo

Você pode treinar um modelo neste conjunto de dados como antes:

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%

Exporte o modelo

Para tornar o modelo capaz de tomar raw strings como entrada, você irá criar uma Keras TextVectorization camada que executa os mesmos passos como sua função de pré-processamento personalizado. Desde que você já treinou um vocabulário, você pode usar TextVectorization.set_vocabulary (em vez de TextVectorization.adapt ), que treina um novo vocabulário.

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%

A perda e a precisão para o modelo no conjunto de validação codificado e o modelo exportado no conjunto de validação bruto são as mesmas, conforme o esperado.

Executar inferência em novos dados

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

Baixe mais conjuntos de dados usando TensorFlow Datasets (TFDS)

Você pode baixar muito mais conjuntos de dados de TensorFlow conjuntos de dados .

Neste exemplo, você irá usar o IMDB grande conjunto de dados Movie Review para treinar um modelo para a classificação sentimento:

# 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)

Imprima alguns exemplos:

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

Agora você pode pré-processar os dados e treinar um modelo como antes.

Prepare o conjunto de dados para treinamento

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)

Crie, configure e treine o modelo

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%

Exporte o modelo

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

Conclusão

Este tutorial demonstrou várias maneiras de carregar e pré-processar texto. Como próximo passo, você pode explorar texto adicional pré-processamento de texto TensorFlow tutoriais, tais como:

Você também pode encontrar novos conjuntos de dados sobre TensorFlow conjuntos de dados . E, para aprender mais sobre tf.data , confira o guia de construção de dutos de entrada .