文章目录
上一篇： 《nlp入门+实战：第八章：使用Pytorch实现手写数字识别》
本章代码链接：
目标：
- 1.知道token和tokenization
- 2.知道N-gram的概念和作用
- 3.知道文本向量化表示的方法
1.文本的tokenization
1.1 概念和工具的介绍
tokenization就是通常所说的分词，分出的每一个词语我们把它称为token。
常见的分词工具很多，比如:
- jieba分词: https://github.com/fxsjy/jieba
- 清华大学的分词工具THULAC: https://github.com/thunlp/THULAC-Python
1.2 中英文分词的方法
- 把句子转化为词语
- 比如:我爱深度学习可以分为[我，爱，深度学习]
- 把句子转化为单个字
- 比如:我爱深度学习的token是[我,爱，深，度，学，习]
2.N-garm表示方法
前面我们说，句子可以用单个字，词来表示，但是有的时候，我们可以用2个、3个或者多个词来表示。
N-gram 一组一组的词语，其中的N表示能够被一起使用的词的数量
例如:
import jieba
text = "深度学习(英语: deep learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。"
cuted = jieba.lcut(text)
[print(cuted[i:i + 2]) for i in range(len(cuted) - 1)]
在传统的机器学习中，使用N-gram方法往往能够取得非常好的效果，但是在深度学习比如RNN中会白带N-gram的效果。
3.向量化
因为文本不能够直接被模型计算,所以需要将其转化为向量
把文本转化为向量有两种方法:
- 1.转化为one-hot编码
- 2.转化为word embedding
3.1 one-hot编码
在one-hot编码中，每一个token使用一个长度为N的向量表示，N表示词典的数量
即:把待处理的文档进行分词或者是N-gram处理，然后进行去重得到词典，假设我们有一个文档:深度学习,那么进行one-hot处理后的结果如下:
one-hot使用稀疏的向量表示文本，占用空间比较多
3.2 word embedding
word embedding是深度学习中表示文本常用的一种方法。和one-hot编码不同，word embedding使用了浮点型的稠密矩阵来表示token。
根据词典的大小，我们的向量通常使用不同的维度，例如100,256,300等。其中向量中的每一个值是一个超参数，其初始值是随机生成的，之后会在训练的过程中进行学习而获得。
如果我们文本中有20000个词语，如果使用one-hot编码，那么我们会有20000*20000的矩阵，其中大多数的位置都为0，但是如果我们使用word embedding来表示的话，只需要20000*维度，比如20000*300
形象的表示就是:
我们会把所有的文本转化为向量，把句子用向量来表示。
但是在这中间，我们会先把token使用数字来表示。再把数字使用向量来表示。
即: token—> num ---->-vector
上图的过程就是：我们输入一个形状为：[batch_size,N]的数据，经过word embedding向量化之后就会转化为一个三阶的[batch_size,N,4]的形状
3.3 word embedding APl
torch.nn.Embedding(num_embeddings, embedding_dim)参数介绍:
- 1.num_embeddings :词典的大小（指不重复词语的个数）
- 2.embedding_din : embedding的维度
使用方法:
embedding = nn. Embedding(vocab_size,300) #实例化
input_embeded = embedding(input) #进行embedding的操作
3.4数据的形状变化
思考:每个batch中的每个句子有10个词语，经过形状为[20，4]的Word emebedding之后，原来的句子会变成什么形状?
每个词语用长度为4的向量表示，所以，最终句子会变为[batch_size, 10,4]的形状。
增加了一个维度，这个维度是embedding的dim。