-
Notifications
You must be signed in to change notification settings - Fork 0
/
vocab.py
280 lines (243 loc) · 9.94 KB
/
vocab.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
#!/usr/bin/env python
# @Time : 2019/4/7 20:38
# @Author : wb
# @File : vocab.py
# 将单词转换成id,将id转换成单词
import numpy as np
from config import Config
'''
实现生成词表,读取预训练词向量
用于将字符转换成id,将id转换成字符
输入initial_tokens,返回embeddings
'''
class Vocab(object):
config = Config()
def __init__(self, filename=None, initial_tokens=None, lower=False):
# 分为word和char
# word
# id->token 存放的是id:token
self.id2word = {}
# token->id 存放的是token:id
self.word2id = {}
# token的统计词数
self.word_cnt = {}
# char
self.id2char = {}
self.char2id = {}
self.char_cnt = {}
self.lower = lower
# 填充标签,将question和passage填充到一定的长度
self.pad_token = '<pad>'
# 如果在词表中不存在,返回UNK
self.unk_token = '<unk>'
# 词向量维度、词表长度
self.word_embed_size = self.config.get_default_params().word_embed_size
self.char_embed_size = self.config.get_default_params().char_embed_size
self.word_embeddings = None
self.char_embeddings = None
# 这个initial_tokens应该是初始传入的tokens
# 如果为空就是空,不为空就是这个
self.initial_tokens = initial_tokens if initial_tokens is not None else []
# 添加补全和空
self.initial_tokens.extend([self.pad_token, self.unk_token])
# 所以只要输入initial_tokens,就能自己把tokens和ids存入词典中
for token in self.initial_tokens:
self.add_word(token)
self.add_char(token)
if filename is not None:
self.load_from_file(filename)
# 载入文件
def load_from_file(self, file_path):
for line in open(file_path, 'r'):
token = line.rstrip('\n')
self.add_word(token)
[self.add_char(ctoken) for ctoken in token]
# 获取词典的大小
def get_vocab_size(self):
return len(self.id2word)
# 获取char的大小
def get_char_size(self):
return len(self.id2char)
# 获取token的id
def get_id_byword(self, token):
token = token.lower() if self.lower else token
try:
return self.word2id[token]
except KeyError:
return self.word2id[self.unk_token]
# 获取id对应的token
def get_word_byid(self, idx):
try:
return self.id2word[idx]
except KeyError:
return self.unk_token
# 获取char的id
def get_id_bychar(self, token):
token = token.lower() if self.lower else token
try:
return self.char2id[token]
except KeyError:
return self.char2id[self.unk_token]
# 添加word到词典
def add_word(self, token, cnt=1):
# 需要小写就小写
token = token.lower() if self.lower else token
# 如果有就查询出id
if token in self.word2id:
idx = self.word2id[token]
# 没有就在词表中添加
else:
idx = len(self.id2word)
self.id2word[idx] = token
self.word2id[token] = idx
# 如果词表中有这个token,那么就把这个次数加上去
# 如果没有,赋值为1
if cnt > 0:
if token in self.word_cnt:
self.word_cnt[token] += cnt
else:
self.word_cnt[token] = cnt
return idx
# 添加char到词典
def add_char(self, token, cnt=1):
token = token.lower() if self.lower else token
if token in self.char2id:
idx = self.char2id[token]
else:
idx = len(self.id2char)
self.id2char[idx] = token
self.char2id[token] = idx
if cnt > 0:
if token in self.char_cnt:
self.char_cnt[token] += cnt
else:
self.char_cnt[token] = cnt
return idx
# 按计数过滤词汇中的标记
def filter_words_by_cnt(self, min_cnt):
filtered_tokens = [token for token in self.word2id if self.word_cnt[token] >= min_cnt]
# rebuild the token x id map
self.word2id = {}
self.id2word = {}
for token in self.initial_tokens:
self.add_word(token, cnt=0)
for token in filtered_tokens:
self.add_word(token, cnt=0)
# 按计数过滤词汇中的标记
def filter_chars_by_cnt(self, min_cnt):
filtered_tokens = [token for token in self.char2id if self.char_cnt[token] >= min_cnt]
# rebuild the token x id map
self.char2id = {}
self.id2char = {}
for token in self.initial_tokens:
self.add_char(token, cnt=0)
for token in filtered_tokens:
self.add_char(token, cnt=0)
# 随机初始化token的词向量
def randomly_init_word_embeddings(self, word_embed_size):
self.word_embed_size = word_embed_size
self.word_embeddings = np.random.rand(self.get_vocab_size(), self.word_embed_size)
# 当单词不在词典中
for token in [self.pad_token, self.unk_token]:
self.word_embeddings[self.get_id_byword(token)] = np.zeros([self.word_embed_size])
# 随机初始化char的词向量
def randomly_init_char_embeddings(self, char_embed_size):
self.char_embed_size = char_embed_size
self.char_embeddings = np.random.rand(self.get_char_size(), char_embed_size)
for token in [self.pad_token, self.unk_token]:
self.char_embeddings[self.get_id_bychar(token)] = np.zeros([self.char_embed_size])
# 读取预训练的中文词向量
def load_pretrained_word_embeddings(self, word_vector_filepath):
trained_embeddings = {}
with open(word_vector_filepath, 'r', encoding='utf-8') as f:
# 跳过第一行,因为第一行是词表的元信息
next(f)
while True:
line = f.readline() # 逐行读取
if not line: # 如果读取到文件末尾
break
contents = line.strip().split()
token = contents[0]
if token not in self.word2id:
continue
# 存入字典,token为key,词向量为value
trained_embeddings[token] = list(map(float, contents[1:]))
if self.word_embed_size is None:
self.word_embed_size = len(contents) - 1
filtered_tokens = trained_embeddings.keys()
# 重新构建token到id的映射
self.word2id = {}
self.id2word = {}
# 把initial_tokens里面的token放进词典中
for token in self.initial_tokens:
self.add_word(token, cnt=0)
# 把预训练词向量中的token也放入词表
for token in filtered_tokens:
self.add_word(token, cnt=0)
# embeddings
self.word_embeddings = np.zeros([self.get_vocab_size(), self.word_embed_size])
# 在词表中的token
for token in self.word2id.keys():
# 如果token在预训练的词向量的token中
if token in trained_embeddings.keys():
# 获取词表中该token的id
# 把这个id和预训练词向量中的token的词向量存入embeddings中
self.word_embeddings[self.get_id_byword(token)] = trained_embeddings[token]
# char的embedding
def load_pretrained_char_embeddings(self, char_vector_filepath):
trained_embeddings = {}
with open(char_vector_filepath, 'r', encoding='utf-8') as f:
# 跳过第一行,因为第一行是词表的元信息
next(f)
while True:
line = f.readline() # 逐行读取
if not line: # 如果读取到文件末尾
break
contents = line.strip().split()
token = contents[0]
if token not in self.char2id:
continue
# 存入字典,token为key,词向量为value
trained_embeddings[token] = list(map(float, contents[1:]))
if self.char_embed_size is None:
self.char_embed_size = len(contents) - 1
filtered_chars = trained_embeddings.keys()
# 重新构建char到id的映射
self.char2id = {}
self.id2char = {}
# 把initial_tokens里面的token放进词典中
for token in self.initial_tokens:
self.add_char(token, cnt=0)
# 把预训练词向量中的token也放入词表
for token in filtered_chars:
self.add_char(token, cnt=0)
# embeddings
self.char_embeddings = np.zeros([self.get_char_size(), self.char_embed_size])
# 在词表中的token
for token in self.char2id.keys():
# 如果token在预训练的词向量的token中
if token in trained_embeddings.keys():
# 获取词表中该token的id
# 把这个id和预训练词向量中的token的词向量存入embeddings中
self.char_embeddings[self.get_id_bychar(token)] = trained_embeddings[token]
# 将tokens转换成id,如果token不在词典,使用unk
def convert_word_to_ids(self, tokens):
vec = [self.get_id_byword(label) for label in tokens]
return vec
# 将char转换成id
def convert_char_to_ids(self, tokens):
vec = []
for token in tokens:
char_vec = []
for char in token:
char_vec.append(self.get_id_bychar(char))
vec.append(char_vec)
return vec
# 将id转换成token,如果遇到停止符就停止转换
def recover_word_from_ids(self, ids, stop_id=None):
tokens = []
for i in ids:
tokens += [self.get_word_byid(i)]
if stop_id is not None and i == stop_id:
break
return tokens