mindspore.dataset.text.Vocab
- class mindspore.dataset.text.Vocab[源代码]
用于查找单词的Vocab对象。
它包含一个映射,将每个单词(str)映射到一个ID(int)。
- from_dataset(dataset, columns=None, freq_range=None, top_k=None, special_tokens=None, special_first=True)[源代码]
通过数据集构建Vocab对象。
获得数据集中的所有唯一单词,并在 freq_range 中用户指定的频率范围内返回一个vocab。如果没有单词在该频率上,用户将收到预警信息。 vocab中的单词按最高频率到最低频率的顺序进行排列。具有相同频率的单词将按词典顺序进行排列。
- 参数:
dataset (Dataset) - 表示要从中构建vocab的数据集。
columns (list[str],可选) - 表示要从中获取单词的列名。它可以是列名的列表,默认值:None。
freq_range (tuple,可选) - 表示整数元组(min_frequency,max_frequency)。频率范围内的单词将被保留。0 <= min_frequency <= max_frequency <= total_words。min_frequency=0等同于min_frequency=1。max_frequency > total_words等同于max_frequency = total_words。min_frequency和max_frequency可以为None,分别对应于0和total_words,默认值:None。
top_k (int,可选) - top_k 大于0。要在vocab中 top_k 建立的单词数量表示取用最频繁的单词。 top_k 在 freq_range 之后取用。如果没有足够的 top_k ,所有单词都将被取用,默认值:None。
special_tokens (list,可选) - 特殊分词列表,如常用的”<pad>”、”<unk>”等。默认值:None,表示不添加特殊分词(token)。
special_first (bool,可选) - 表示是否将 special_tokens 中的特殊分词添加到词典的最前面。如果为True则将 special_tokens 添加到词典的最前,否则添加到词典的最后。默认值:True。
- 返回:
Vocab,从数据集构建的Vocab对象。
样例:
>>> dataset = ds.TextFileDataset("/path/to/sentence/piece/vocab/file", shuffle=False) >>> vocab = text.Vocab.from_dataset(dataset, "text", freq_range=None, top_k=None, ... special_tokens=["<pad>", "<unk>"], ... special_first=True) >>> dataset = dataset.map(operations=text.Lookup(vocab, "<unk>"), input_columns=["text"])
- from_dict(word_dict)[源代码]
通过字典构建Vocab对象。
- 参数:
word_dict (dict) - 字典包含word和ID对,其中 word 应是string类型, ID 应是int类型。至于 ID ,建议从0开始并且不断续。如果 ID 为负数,将引发ValueError。
- 返回:
Vocab,从字典构建的Vocab对象。
样例:
>>> vocab = text.Vocab.from_dict({"home": 3, "behind": 2, "the": 4, "world": 5, "<unk>": 6})
- from_file(file_path, delimiter='', vocab_size=None, special_tokens=None, special_first=True)[源代码]
通过文件构建Vocab对象。
- 参数:
file_path (str) - 表示包含vocab文件路径的一个列表。
delimiter (str,可选) - 表示用来分隔文件中每一行的分隔符。第一个元素被视为单词,默认值:””。
vocab_size (int,可选) - 表示要从 file_path 读取的字数,默认值:None,表示读取所有的字。
special_tokens (list,可选) - 特殊分词列表,如常用的”<pad>”、”<unk>”等。默认值:None,表示不添加特殊分词(token)。
special_first (bool,可选) - 表示是否将 special_tokens 中的特殊分词添加到词典的最前面。如果为True则将 special_tokens 添加到词典的最前,否则添加到词典的最后。默认值:True。
- 返回:
Vocab,从文件构建的Vocab对象。
样例:
>>> # Assume vocab file contains the following content: >>> # --- begin of file --- >>> # apple,apple2 >>> # banana, 333 >>> # cat,00 >>> # --- end of file --- >>> >>> # Read file through this API and specify "," as delimiter. >>> # The delimiter will break up each line in file, then the first element is taken to be the word. >>> vocab = text.Vocab.from_file("/path/to/simple/vocab/file", ",", None, ["<pad>", "<unk>"], True) >>> >>> # Finally, there are 5 words in the vocab: "<pad>", "<unk>", "apple", "banana", "cat". >>> vocabulary = vocab.vocab()
- from_list(word_list, special_tokens=None, special_first=True)[源代码]
从单词列表构建一个vocab对象。
- 参数:
word_list (list) - 输入单词列表,每个单词需要为字符串类型。
special_tokens (list,可选) - 特殊分词列表,如常用的”<pad>”、”<unk>”等。默认值:None,表示不添加特殊分词(token)。
special_first (bool,可选) - 表示是否将 special_tokens 中的特殊分词添加到词典的最前面。如果为True则将 special_tokens 添加到词典的最前,否则添加到词典的最后。默认值:True。
- 返回:
Vocab,从单词列表构建的Vocab对象。
样例:
>>> vocab = text.Vocab.from_list(["w1", "w2", "w3"], special_tokens=["<unk>"], special_first=True)
- ids_to_tokens(ids)[源代码]
将输入索引转换为对应的分词,支持传入单个索引或一个包含多个索引的序列。如果索引不存在,则返回空字符串。
- 参数:
ids (Union[int, list[int]]) - 要转换为分词的分词索引(或分词的索引序列)。
- 返回:
解码的分词(token)。
样例:
>>> vocab = text.Vocab.from_list(["w1", "w2", "w3"], special_tokens=["<unk>"], special_first=True) >>> token = vocab.ids_to_tokens(0)
- tokens_to_ids(tokens)[源代码]
将输入分词(token)转换为对应的索引(id),支持传入单个分词或一个包含多个分词的列表。如果分词不存在,则返回-1。
- 参数:
tokens (Union[str, list[str]]) - 一个或多个要转换为分词(token)id(s)的分词(token)。
- 返回:
分词(token)id或分词(token)id列表。
样例:
>>> vocab = text.Vocab.from_list(["w1", "w2", "w3"], special_tokens=["<unk>"], special_first=True) >>> ids = vocab.tokens_to_ids(["w1", "w3"])