用tf的VocabularyProcessor创建词汇表vocab

学习tf的时候用到的一个词汇创建工具，比较方便，记录其使用方法。

---

1. 导入

from tensorflow.contrib import learnvp = learn.preprocessing.VocabularyProcessor(100, 0, tokenizer_fn=chinese_tokenizer)

其中VocabularyProcessor（max_document_length,min_frequency=0,vocabulary=None, tokenizer_fn=None)的构造函数中有4个参数

max_document_length是文档的最大长度。如果文本的长度大于最大长度，那么它会被剪切，反之则用0填充

min_frequency词频的最小值，出现次数>最小词频 的词才会被收录到词表中

vocabulary CategoricalVocabulary 对象，不太清楚使用方法
tokenizer_fn tokenizer function，讲句子或给定文本格式 token化得函数，可以理解为分词函数

2.token化

vp = learn.preprocessing.VocabularyProcessor(10, tokenizer_fn=list) x = list(vp.fit_transform(["abc", "bbd"])) print(x)

创建一个长为10的词表，然后将字符串token化得到结果为

 

也可以结合中文来做，当然tokenizer_fn要与文本相适应，可以实现自己的tokenizer function，如

from jieba import cut from tensorflow.contrib import learn import numpy as npDOCUMENTS = ['这是一条测试1','这是一条测试2','这是一条测试3','这是其他测试', ]def chinese_tokenizer(docs):for doc in docs:yield list(cut(doc))vocab = learn.preprocessing.VocabularyProcessor(10, 0, tokenizer_fn=chinese_tokenizer) x = list(vocab.fit_transform(DOCUMENTS)) print(np.array(x))

这里中文引入了jieba分词，实现了自己的tokenizer函数，输出结果如下：

 

CategoricalVocabulary 对象可以先构建一个词典，再做token化，还是不太熟，但是有一个小demo可以示范：

vocab = learn.preprocessing.CategoricalVocabulary() vocab.get("A") vocab.get("B") vocab.freeze() vocab_processor = learn.preprocessing.VocabularyProcessor(max_document_length=4,vocabulary=vocab,tokenizer_fn=list) tokens = vocab_processor.fit_transform(["ABC", "CBABAF"]) print(np.array(list(tokens)))

这里预先创建了一个词典，添加了"A","B" 进去，并且设置最大文本长度为4，结果如下

 

我们可以还可以观察得到的词典，以dict的形式输出 这是一个 词--->词表id的映射

vocab_dict = vocab.vocabulary_._mapping print(vocab_dict)

分别输出以上的中文词表，和通过CategoricalVocabulary构建的词表如下

 

反向的索引 即 词表id--->词的映射 这是一个列表

print(vocab_dict) print(vocab.vocabulary_._reverse_mapping)

可以通过id索引到词

vocab.vocabulary_.reverse(3)

输出 在词表中id为3的词

3.存储和加载

vocab.save('vocab.pickle') vocab = VocabularyProcessor.restore('vocab.pickle')

 

作者：NLP幼儿园
链接：https://www.jianshu.com/p/db400a569730
来源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

总结

以上是生活随笔为你收集整理的用tf的VocabularyProcessor创建词汇表vocab的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。