Tensorflow - 数据集中的字符串处理 API

Tensorflow - String processing in Dataset API

我在 <text>\t<label> 格式的目录中有 .txt 个文件。我正在使用 TextLineDataset API 来使用这些文本记录:

filenames = ["/var/data/file1.txt", "/var/data/file2.txt"]

dataset = tf.contrib.data.Dataset.from_tensor_slices(filenames)

dataset = dataset.flat_map(
    lambda filename: (
        tf.contrib.data.TextLineDataset(filename)
        .map(_parse_data)))

def _parse_data(line):   
    line_split = tf.string_split([line], '\t')
    features = {"raw_text": tf.string(line_split.values[0].strip().lower()),
                "label": tf.string_to_number(line_split.values[1], 
                    out_type=tf.int32)}
    parsed_features = tf.parse_single_example(line, features)
    return parsed_features["raw_text"], raw_features["label"]

我想在 raw_text 功能上做一些字符串 cleaning/processing。当我尝试 运行 line_split.values[0].strip().lower() 时,出现以下错误:

AttributeError: 'Tensor' object has no attribute 'strip'

对象 lines_split.values[0] 是一个 tf.Tensor 对象,代表 line 的第 0 个拆分。它不是 Python 字符串,因此它没有 .strip().lower() 方法。相反,您必须将 TensorFlow 操作应用于张量才能执行转换。

TensorFlow 目前没有很多 string operations, but you can use the tf.py_func() op 到 运行 一些 Python 代码 tf.Tensor:

def _parse_data(line):
    line_split = tf.string_split([line], '\t')

    raw_text = tf.py_func(
        lambda x: x.strip().lower(), line_split.values[0], tf.string)

    label = tf.string_to_number(line_split.values[1], out_type=tf.int32)

    return {"raw_text": raw_text, "label": label}

请注意,问题中的代码还有其他几个问题:

  • 不要使用 tf.parse_single_example()。此操作仅用于解析 tf.train.Example 协议缓冲区字符串;解析文本时不需要使用它,可以直接从_parse_data().
  • 中return提取特征
  • 使用dataset.map() instead of dataset.flat_map()。当映射函数的结果是 Dataset 对象时,您只需要使用 flat_map() (因此 return 值需要 展平 到单个数据集)。当结果是一个或多个 tf.Tensor 个对象时,您必须使用 map()