LineFlow 开源：比 PyTorch 简洁数倍，适用任何框架的 NLP 数据集处理程序

2020 年 1 月 6 日 InfoQ

作者丨Yasufumi TANIGUCHI

译者丨Sambodhi

策划丨赵钰莹

一般来讲，用 PyTorch 处理自然语言比较繁琐。于是，国外一位开发者 Yasufumi TANIGUCHI 开发了 LineFlow，为了尽可能减轻编码的痛苦，并保证完成同样的任务。Yasufumi TANIGUCHI 表示，LineFlow 要比 PyTorch 简洁数倍，让我们来看看 LineFlow 究竟能简洁到什么地步？

对自然语言处理任务来说，你可能需要在预处理中对文本进行词法分析或构建词汇表。因为这个过程非常痛苦，所以我创建了 LineFlow ，尽可能让整个过程干净整洁。真正的代码看起来是什么样子？请看下面的图，预处理包括词法分析、词汇表构建和索引。

左边部分是来自 PyTorch 官方示例仓库的示例代码，它对文本数据进行常见的预处理。右边部分是用 LineFolw 编写的，实现了完全相同的处理。看完对比之后，你应该明白 LineFlow 是如何减轻痛苦的。要查看完整的代码，可以访问此链接。

在本文中，我将详细解释上图右边部分的代码，并讲解 LineFlow 的用法。

1. 加载文本数据

文本数据的加载，是通过上面代码中的第 8 行完成的，我稍后会详细解释这个 map。lf.TextDataset 将文本文件的路径作为参数并进行加载。

dataset = lf.TextDataset(path, encoding='utf-8').map(...)

lf.TextDataset 要求的数据格式是每行对应一个数据。如果文本数据满足此条件，则可以加载任何类型的文本数据。

加载之后，它将文本数据转换为列表。列表中的项对应于文本数据中的行。请看下图，这是 lf.TextDataset 的直观图像。图中的 d 代表代码中的 dataset。

LineFlow 已经提供了一些公开可用的数据集。所以你可以马上使用它。要查看提供的数据集，请访问此链接。

2. 标记化

文本标记化也是通过第 8 行完成的。map 将作为参数传递的处理应用到文本数据的每一行。

dataset = lf.TextDataset(...).map(lambda x: x.split() + ['<eos>'])

请看下图。这是 lf.TextDataset.map 的直观图像。图中的 d 代表代码中的 dataset。

让我们深入了解下面的实际处理过程。

lambda x: x.split() + ['<eos>']

我们将文本数据中的每一行按空格拆分为标记，然后将添加到这些标记的末尾。我们遵循 WikiText 官方页面上的处理方式。

此时，我们使用 str.split 进行标记化。我们可以使用其他的标记化方法，如 spaCy 、 StanfordNLP 、 Bling Fire 等。例如，如果你想使用 Bling Fire，我们将得到以下代码。

>>> from blingfire import text_to_words>>> d = lf.TextDataset('/path/to/your/text')>>> d.map(text_to_words).map(str.split)

另外，只要我们的处理将每行文本数据作为参数，就可以执行任何我们想要的处理。例如，我们可以计算标记的数量。在下面的代码中，标记的数量是在第二个元素中定义的。

>>> d = lf.TextDataset('/path/to/text')>>> d.map(tokenize).map(lambda x: (x, len(x)))

当我们想要制作用于注意力机制或长短期记忆网络的掩码时，这种处理就很有用。

3. 索引

索引是由第 9 行到第 12 行完成的。这些行如下图所示。在这个代码块中，我们构建了词汇表和索引。让我们按顺序来查看这些内容。

for word in dataset.flat_map(lambda x: x):    self.dictionary.add_word(word)return torch.LongTensor(dataset.flat_map(...))

首先我们将看到构建词汇表的代码块。在下面的代码块中，我们构建了词汇表。flat_map 将作为参数传递的处理应用于数据中的每一行，然后对其进行扁平化。因此，我们将在 dataset.flat_map(lambda x: x) 之后获取单个标记。

for word in dataset.flat_map(lambda x: x):    self.dictionary.add_word(word)

请看下图。这是 dataset.flat_map(lambda x: x) 的直观图像。图中的 d 代表代码中的 'dataset`。

flat_map 有点令人困惑，但它等同于下面的代码。

>>> from itertools import chain>>> chain.from_iterable(map(lambda x: x, dataset))>>>>>> dataset.flat_map(lambda x: x) # same as above

在使用 flat_map 提取每个标记之后，我们将标记传递给 self.dictionary.add_word 来构建词汇表。我将不会解释它是如何工作的，因为这与本文无关。但如果你对它的内部实现感兴趣的话，请查看此链接。

self.dictionary.add_word(word)

接下来，我们将看到索引的代码块。索引是由一下的代码块来完成的。我们还使用 flat_map 来索引每个标记并使其扁平化。这是因为 PyTorch 的示例需要扁平化标记的张量，所以我们就这么做了。

dataset.flat_map(    [lambda x: self.dictionary.word2idx[token] for token in x)])

请看下图。这是 dataset.flat_map(indexer) 的直观图像。图中的 d 代表代码中的 dataset。

此代码等同于以下代码。

>>> from itertools import chain>>> chain.from_iterable(map(indexer, dataset))>>>>>> dataset.flat_map(indexer) # same as above

最后，我们用 torch.LongTensor 将它包起来，把它变成张量。至此就完成了文本数据的加载。

return torch.LongTensor(dataset.flat_map(...))

现在我们可以阅读完整的代码了，如下所示：

import osimport torchimport lineflow as lfclass Dictionary(object):    def __init__(self):        self.word2idx = {}        self.idx2word = []    def add_word(self, word):        if word not in self.word2idx:            self.idx2word.append(word)            self.word2idx[word] = len(self.idx2word) - 1        return self.word2idx[word]    def __len__(self):        return len(self.idx2word)class Corpus(object):    def __init__(self, path):        self.dictionary = Dictionary()        self.train = self.tokenize(os.path.join(path, 'train.txt'))        self.valid = self.tokenize(os.path.join(path, 'valid.txt'))        self.test = self.tokenize(os.path.join(path, 'test.txt'))    def tokenize(self, path):        assert os.path.exists(path)        dataset = lf.TextDataset(path, encoding='utf-8').map(lambda x: x.split() + ['<eos>'])        for word in dataset.flat_map(lambda x: x):            self.dictionary.add_word(word)        return torch.LongTensor(dataset.flat_map(            lambda x: [self.dictionary.word2idx[token] for token in x]))