forked from mindspore-Ecosystem/mindspore
108 lines
4.0 KiB
ReStructuredText
108 lines
4.0 KiB
ReStructuredText
mindspore.dataset.text
|
||
======================
|
||
|
||
此模块用于文本数据增强，包括 `transforms` 和 `utils` 两个子模块。
|
||
|
||
`transforms` 是一个高性能文本数据增强模块，支持常见的文本数据增强处理。
|
||
|
||
`utils` 提供了一些文本处理的工具方法。
|
||
|
||
在API示例中，常用的模块导入方法如下：
|
||
|
||
.. code-block::
|
||
|
||
import mindspore.dataset as ds
|
||
from mindspore.dataset import text
|
||
|
||
更多详情请参考 `文本数据变换 <https://www.mindspore.cn/tutorials/zh-CN/master/beginner/transforms.html#text-transforms>`_。
|
||
|
||
常用数据处理术语说明如下：
|
||
|
||
- TensorOperation，所有C++实现的数据处理操作的基类。
|
||
- TextTensorOperation，所有文本数据处理操作的基类，派生自TensorOperation。
|
||
|
||
数据增强操作可以放入数据处理Pipeline中执行，也可以Eager模式执行：
|
||
|
||
- Pipeline模式一般用于处理数据集，示例可参考 `数据处理Pipeline介绍 <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore.dataset.html#数据处理pipeline介绍>`_。
|
||
- Eager模式一般用于零散样本，文本预处理举例如下：
|
||
|
||
.. code-block::
|
||
|
||
from mindspore.dataset import text
|
||
from mindspore.dataset.text import NormalizeForm
|
||
|
||
# 构造词汇表
|
||
vocab_list = {"床": 1, "前": 2, "明": 3, "月": 4, "光": 5, "疑": 6,
|
||
"是": 7, "地": 8, "上": 9, "霜": 10, "举": 11, "头": 12,
|
||
"望": 13, "低": 14, "思": 15, "故": 16, "乡": 17, "繁": 18,
|
||
"體": 19, "字": 20, "嘿": 21, "哈": 22, "大": 23, "笑": 24,
|
||
"嘻": 25, "UNK": 26}
|
||
vocab = text.Vocab.from_dict(vocab_list)
|
||
tokenizer_op = text.BertTokenizer(vocab=vocab, suffix_indicator='##', max_bytes_per_token=100,
|
||
unknown_token='[UNK]', lower_case=False, keep_whitespace=False,
|
||
normalization_form=NormalizeForm.NONE, preserve_unused_token=True,
|
||
with_offsets=False)
|
||
# 分词
|
||
tokens = tokenizer_op("床前明月光，疑是地上霜，举头望明月，低头思故乡。")
|
||
print("token: {}".format(tokens), flush=True)
|
||
|
||
# 根据单词查找id
|
||
ids = vocab.tokens_to_ids(tokens)
|
||
print("token to id: {}".format(ids), flush=True)
|
||
|
||
# 根据id查找单词
|
||
tokens_from_ids = vocab.ids_to_tokens([15, 3, 7])
|
||
print("token to id: {}".format(tokens_from_ids), flush=True)
|
||
|
||
变换
|
||
-----
|
||
|
||
.. mscnnoteautosummary::
|
||
:toctree: dataset_text
|
||
:nosignatures:
|
||
:template: classtemplate.rst
|
||
|
||
mindspore.dataset.text.BasicTokenizer
|
||
mindspore.dataset.text.BertTokenizer
|
||
mindspore.dataset.text.CaseFold
|
||
mindspore.dataset.text.FilterWikipediaXML
|
||
mindspore.dataset.text.JiebaTokenizer
|
||
mindspore.dataset.text.Lookup
|
||
mindspore.dataset.text.Ngram
|
||
mindspore.dataset.text.NormalizeUTF8
|
||
mindspore.dataset.text.PythonTokenizer
|
||
mindspore.dataset.text.RegexReplace
|
||
mindspore.dataset.text.RegexTokenizer
|
||
mindspore.dataset.text.SentencePieceTokenizer
|
||
mindspore.dataset.text.SlidingWindow
|
||
mindspore.dataset.text.ToNumber
|
||
mindspore.dataset.text.ToVectors
|
||
mindspore.dataset.text.TruncateSequencePair
|
||
mindspore.dataset.text.UnicodeCharTokenizer
|
||
mindspore.dataset.text.UnicodeScriptTokenizer
|
||
mindspore.dataset.text.WhitespaceTokenizer
|
||
mindspore.dataset.text.WordpieceTokenizer
|
||
|
||
|
||
工具
|
||
-----
|
||
|
||
.. mscnnoteautosummary::
|
||
:toctree: dataset_text
|
||
:nosignatures:
|
||
:template: classtemplate.rst
|
||
|
||
mindspore.dataset.text.CharNGram
|
||
mindspore.dataset.text.FastText
|
||
mindspore.dataset.text.GloVe
|
||
mindspore.dataset.text.JiebaMode
|
||
mindspore.dataset.text.NormalizeForm
|
||
mindspore.dataset.text.SentencePieceModel
|
||
mindspore.dataset.text.SentencePieceVocab
|
||
mindspore.dataset.text.SPieceTokenizerLoadType
|
||
mindspore.dataset.text.SPieceTokenizerOutType
|
||
mindspore.dataset.text.Vectors
|
||
mindspore.dataset.text.Vocab
|
||
mindspore.dataset.text.to_bytes
|
||
mindspore.dataset.text.to_str
|