subword好像在tensorflow2.3被弃用了

来源：10-15 数据预处理与dataset生成

qq_慕前端4252840

2021-08-05

用keras里的tokenizer重写了生成数据集这部分的代码，大家可以参考一下：

import tensorflow_datasets as tfds
examples,info=tfds.load('ted_hrlr_translate/pt_to_en',with_info=True,
      as_supervised=True)
train_examples,val_examples=examples['train'],examples['validation']
en_tokenizer=keras.preprocessing.text.Tokenizer(num_words=None,filters='',
      split=' ')
en_tokenizer.fit_on_texts(repr(en.numpy()).split(' ') for pt,en in
      train_examples)

pt_tokenizer=keras.preprocessing.text.Tokenizer(num_words=None,
      filters='',split=' ')
pt_tokenizer.fit_on_texts(repr(pt.numpy()).split(' ') for pt,en in
      train_examples)
      
buffer_size=20000
batch_size=64
max_length=40

def encode_to_id(pt_sentence,en_sentence): 
    pt_sentence=pt_tokenizer.texts_to_sequences(repr(pt_sentence.numpy()).split(' '))
    pt_sentence=tf.convert_to_tensor(pt_sentence,dtype=tf.int64)  
    pt_sentence=tf.reshape(pt_sentence,shape=(len(pt_sentence),)) 
    
    en_sentence=en_tokenizer.texts_to_sequences(repr(en_sentence.numpy()).split(' '))
    en_sentence=tf.convert_to_tensor(en_sentence,dtype=tf.int64)
    en_sentence=tf.reshape(en_sentence,shape=(len(en_sentence),))
    return pt_sentence,en_sentence
def filter_by_maxlen(pt,en):
    return tf.logical_and(tf.size(pt)<=max_length,tf.size(en)<=max_length)

def tf_encode_to_id(pt_sentence,en_sentence):
    return tf.py_function(encode_to_id,[pt_sentence,en_sentence],[tf.int64,tf.int64])

train_dataset=train_examples.map(tf_encode_to_id)
train_dataset=train_dataset.filter(filter_by_maxlen)
train_dataset=train_dataset.shuffle(buffer_size).padded_batch(batch_size,padded_shapes=([-1],[-1]))

写回答

1回答

正十七

2021-08-07

已采纳

是的，这个API在tensorflow_datasets里被遗弃了，https://www.tensorflow.org/datasets/api_docs/python/tfds/deprecated/text/SubwordTextEncoder

看这里的描述：https://github.com/tensorflow/datasets/issues/2879

这个功能是被移到了tensorflow_text里，https://www.tensorflow.org/text

tensorflow_text里就有subword的example：

import tensorflow as tf
import tensorflow_text as tf_text

def preprocess(vocab_table, example_text):

  # Normalize text
  tf_text.normalize_utf8(example_text)

  # Tokenize into words
  word_tokenizer = tf_text.WhitespaceTokenizer()
  tokens = word_tokenizer.tokenize(example_text)

  # Tokenize into subwords
  subword_tokenizer = tf_text.WordpieceTokenizer(
       lookup_table, token_out_type=tf.int64)
  subtokens = subword_tokenizer.tokenize(tokens).merge_dims(1, -1)

  # Apply padding
  padded_inputs = tf_text.pad_model_inputs(subtokens, max_seq_length=16)
  return padded_inputs

Google老师亲授 TensorFlow2.0 入门到进阶

Tensorflow2.0实战—以实战促理论的方式学习深度学习

1849 学习 · 896 问题

查看课程

相似问题

subword and tokenizer

回答 1

customized_mse在compile时不用传参数吗？

回答 1

哭了啊，弃用 experimental_run_v2 方法。

回答 1

cifar10采用resnet50效果不好

回答 1

10:40分听不清一个关键词。。“因为在0.5的时候。。它的（？？？）是最大的”

回答 2

打开慕课网App查看更多内容