Python、TensorFlow、Keras：tf.data.Dataset 仅将分词器应用于一个轴，下降轴

Question

我正在尝试构建一个 tf.data.Dataset 管道来读取 16 个制表符分隔的 .gzip 文件，其中包括一个句子、一个无用的文件指示符和一个标签。我只想将分词器应用于数据集的第一轴。另外，我想放下中轴这是我的代码：

ds = tf.data.Dataset.list_files("references/reads/*.txt.gz")
ds = tf.data.TextLineDataset(filenames=ds, compression_type="GZIP", num_parallel_reads=tf.data.experimental.AUTOTUNE)
ds = ds.map(lambda x: tf.strings.split(x, "\t"), num_parallel_calls=tf.data.experimental.AUTOTUNE)

这是数据：

>>> [print(a) for a in ds.take(2)]
tf.Tensor([b'Happy little sentence.'  b'Useless Text'  b'Label'], shape=(3,), dtype=string)

我只想将分词器应用于张量的第一个轴 ('Happy little sentence.') 如果我可以删除 'Useless Text' 加分。这是我不成功的方法：

with open('my_tokenizer.model', 'rb') as f_in:
    model = f_in.read()
s = text.SentencepieceTokenizer(model=model)
ds = ds.map(lambda x: s.tokenize(x), num_parallel_calls=tf.data.experimental.AUTOTUNE)

这会标记一切！

Answer 1

假设你在每个张量中总是有 3 个元素（一个句子、一个无用的文件指示器和一个标签），你可以尝试索引第一个和最后一个元素：

import tensorflow as tf
import tensorflow_text as tf_text
import requests

url = "https://github.com/tensorflow/text/blob/master/tensorflow_text/python/ops/test_data/test_oss_model.model?raw=true"
model = requests.get(url).content

ds = tf.data.Dataset.from_tensor_slices(([['Happy little sentence.',  'Useless Text',  'Faust'],
                                        ['Happy little sentence1.',  'Useless Text1',  'Faust1'],
                                        ['Happy little sentence2.',  'Useless Text2',  'Faust2']]))

s = tf_text.SentencepieceTokenizer(model=model)
def transform_data(x):
  return s.tokenize(x[0]), x[2]

ds = ds.map(transform_data, num_parallel_calls=tf.data.experimental.AUTOTUNE)

for d in ds:
  print(d)

(<tf.Tensor: shape=(11,), dtype=int32, numpy=array([  4, 165,  19,  29,  29,  34, 544, 331,  15, 256,   6], dtype=int32)>, <tf.Tensor: shape=(), dtype=string, numpy=b'Faust'>)
(<tf.Tensor: shape=(12,), dtype=int32, numpy=
array([  4, 165,  19,  29,  29,  34, 544, 331,  15, 256, 357,   6],
      dtype=int32)>, <tf.Tensor: shape=(), dtype=string, numpy=b'Faust1'>)
(<tf.Tensor: shape=(12,), dtype=int32, numpy=
array([  4, 165,  19,  29,  29,  34, 544, 331,  15, 256, 596,   6],
      dtype=int32)>, <tf.Tensor: shape=(), dtype=string, numpy=b'Faust2'>)

Python、TensorFlow、Keras：tf.data.Dataset 仅将分词器应用于一个轴，下降轴

Python, TensorFlow, Keras: tf.data.Dataset apply tokenizer to only one axis, drop axis

python

tensorflow

keras

tensorflow-datasets

tf.data.dataset