目录
python
import os
import random
import torch
import dltools
1读取文件数据
python
def _read_wiki(data_dir):
#拼接文件路径
file_name = os.path.join(data_dir, 'wiki.train.tokens')
#将输入参数中的两个名字拼接成一个完整的文件路径。
with open(file_name, 'r', encoding='utf-8') as f:
#打开文件,逐行读取内容,并将每行作为一个元素添加到列表中。
lines = f.readlines()
#大写字母转换为小写字母,获取分句之后的段落列表
paragraphs = [line.strip().lower().split('.') for line in lines if len(line.split('.')) >= 2]
random.shuffle(paragraphs) #大陆那段落列表中的元素
return paragraphs
_read_wiki('./wikitext-2/') #输出过长,不展示
2.生成下一句预测任务的数据
python
def _get_next_sentence(sentence, next_sentence, paragraphs):
if random.random() < 0.5: #若50%的概率发生时
is_next = True
else:
#否则,next_sentence就不是下一个句子,是随机抽取的其他句子
#paragraphs是三重列表的嵌套
#从所有列表中随机抽取一个段落,从这个段落中又随机抽取一个句子
next_sentence = random.choice(random.choice(paragraphs))
is_next =False
return sentence, next_sentence, is_next
3.预测下一个句子
python
def _get_nsp_data_from_paragraph(paragraph, paragraphs, vocab, max_len):
nsp_data_from_paragraph = [] #创建空列表,存放下一个句子的数据
for i in range(len(paragraph) - 1): #len(paragraph) - 1是因为索引是从0开始的,左闭右开,输出段落中的每一个句子的索引
#调用函数,获取用于预测下一个句子任务的数据
tokens_a, tokens_b , is_next = _get_next_sentence(paragraph[i], paragraph[i+1], paragraphs)
#预测输入的两个句子结构是 --> <cls> tokens_a <sep> tokens_b <sep>
# +3表示考虑 1个<cls> +2个<sep>
if len(tokens_a) + len(tokens_b) + 3 > max_len:
continue #这种情况超出了序列的最大长度,不需要
#将文本数据分割成词元(tokens)和句子分段(segments)。
#这个过程通常涉及到一系列的预处理步骤,如去除标点符号、转换为小写、数字处理等,以确保输入数据的标准化和一致性
tokens, segments = dltools.get_tokens_and_segments(tokens_a, tokens_b)
nsp_data_from_paragraph.append((tokens, segments, is_next)) #三个数据以元祖的形式存放到列表中
return nsp_data_from_paragraph
4.生成遮蔽语言模型任务的数据
python
#Mask Language Modle
def _replace_mlm_tokens(tokens, candidate_pred_positions, num_mlm_preds, vocab):
"""
tokens:传入的词元
candidate_pred_positions:等待预测的词元位置索引编号(若传入句子的序列长度为100,那么它就是0-99)
num_mlm_preds:预测遮掩的数量
vocab:整体词汇表
"""
#为遮蔽语言模型的输入创建新的词元副本, 其中输入可能包含替换的<mask>或随机词元
mlm_input_tokens = [token for token in tokens] #复制词元数据,后期的替换不修改原数据
pred_positions_and_labels = [] #用于存放预测的词元位置和目标标签
#打乱顺序 等待预测的词元位置索引编号
random.shuffle(candidate_pred_positions)
for mlm_pred_position in candidate_pred_positions: #遍历
#判断存放预测词元的个数是否已经超过了需要预测的数量
if len(pred_positions_and_labels) >= num_mlm_preds:
break #若预测数量够了,就不预测了,直接退出当前for循环, continue是退出当前if判断
#否则,接着预测
mask_token = None #初始化变量:被15%抽中需要被替换的词元 为空
#80%的概率, 将抽取的15%的词元,替换成<mask>词元
if random.random() < 0.8:
msaked_token = '<mask>'
else: #否则,将剩下的其中10%的词元保持不变 从剩下的20%中抽取50%来表示
if random.random() < 0.5:
mask_token = tokens[mlm_pred_position]
else: #将剩下的其中10%的词元,用随机词替换
msaked_token = random.choice(vocab.idx_to_token)
#将获取到的msaked_token按索引赋值替换原词元
mlm_input_tokens[mlm_pred_position] = mask_token
#mlm_pred_position需要被预测的词元位置索引, tokens[mlm_pred_position]被遮掩预测的词元的标签(真实值是什么)
pred_positions_and_labels.append((mlm_pred_position, tokens[mlm_pred_position]))
return mlm_input_tokens, pred_positions_and_labels
5.从词元中得到遮掩的数据
python
#
def _get_mlm_data_from_tokens(tokens, vocab):
candidate_pred_positions = []
# tokens是一个字符串列表
for i, token in enumerate(tokens):
# 在遮蔽语言模型任务中不会预测特殊词元
if token in ['<cls>', '<sep>']:
continue
candidate_pred_positions.append(i)
# 遮蔽语言模型任务中预测15%的随机词元
num_mlm_preds = max(1, round(len(tokens) * 0.15))
mlm_input_tokens, pred_positions_and_labels = _replace_mlm_tokens(
tokens, candidate_pred_positions, num_mlm_preds, vocab)
pred_positions_and_labels = sorted(pred_positions_and_labels,
key=lambda x: x[0])
pred_positions = [v[0] for v in pred_positions_and_labels]
mlm_pred_labels = [v[1] for v in pred_positions_and_labels]
return vocab[mlm_input_tokens], pred_positions, vocab[mlm_pred_labels]
6.将文本转化为预训练数据集
python
def _pad_bert_inputs(examples, max_len, vocab):
#词源需要预测的最大数量
max_num_mlm_preds = round(max_len * 0.15)
all_tokens_ids, all_segments, valid_lens = [], [], []
all_pred_positions, all_mlm_weights, all_mlm_labels = [], [], []
nsp_labels = []
for (token_ids, pred_positions, mlm_pred_label_ids, segments, is_next) in examples:
#对原有的tokens(每句话有长有短,补充《pad》使长度一致)
all_tokens_ids.append(torch.tensor(token_ids + [vocab['<pad>']] * (max_len - len(token_ids)), dtype=torch.long))
all_segments.append(torch.tensor(segments + [0] * (max_len - len(segments)), dtype=torch.long))
#valid_lens不包括<pad>计数
valid_lens.append(torch.tensor(len(token_ids), dtype=torch.float32))
all_pred_positions.append(torch.tensor(pred_positions + [0] * (max_num_mlm_preds - len(pred_positions)), dtype=torch.long))
#填充词元的预测将通过乘以0权重在损失中过滤掉
all_mlm_weights.append(torch.tensor([1.0] * len(mlm_pred_label_ids) + [0.0] * (max_num_mlm_preds - len(pred_positions)), dtype=torch.float32))
all_mlm_labels.append(torch.tensor(mlm_pred_label_ids + [0] * (max_num_mlm_preds - len(mlm_pred_label_ids)), dtype=torch.long))
nsp_labels.append(torch.tensor(is_next, dtype=torch.long))
return (all_tokens_ids, all_segments, valid_lens, all_pred_positions, all_mlm_weights, all_mlm_labels, nsp_labels)
7.封装函数类
python
class WikiTextDataset(torch.utils.data.Dataset):
def __init__(self, paragraphs, max_len):
#输入paragraphs[i]是代表段落的句子字符串列表
#输出paragraphs[i]是代表段落的句子列表,其中每个句子都是词元列表
paragraphs = [dltools.tokenize(paragraph, token='word') for paragraph in paragraphs]
#获取句子的词元列表
sentences = [sentence for paragraph in paragraphs for sentence in paragraph]
self.vocab = dltools.Vocab(sentences, min_freq=5, reserved_tokens=['<pad>', '<mask>', '<cls>', '<sep>'])
#获取下一句子预测任务的数据
examples = []
for paragraph in paragraphs:
examples.extend(_get_nsp_data_from_paragraph(paragraph, paragraphs, self.vocab, max_len))
#获取遮蔽语言模型任务的数据
examples = [(_get_mlm_data_from_tokens(tokens, self.vocab) + (segments, is_next)) for tokens, segments, is_next in examples]
#填充输入
(self.all_token_ids, self.all_segments, self.valid_lens, self.all_pred_positions, self.all_mlm_weights, self.all_mlm_labels, self.nsp_labels) = _pad_bert_inputs(examples, max_len, self.vocab)
def __getitem__(self, idx):
return (self.all_token_ids[idx], self.all_segments[idx],
self.valid_lens[idx], self.all_pred_positions[idx],
self.all_mlm_weights[idx], self.all_mlm_labels[idx],
self.nsp_labels[idx])
def __len__(self):
return len(self.all_token_ids)
8.调用
python
def load_data_wiki(batch_size, max_len):
"""加载WikiText-2数据集"""
num_workers = dltools.get_dataloader_workers() #快速获取或设置最佳的工作线程数
data_dir = './wikitext-2/'
paragraphs = _read_wiki(data_dir)
train_set = WikiTextDataset(paragraphs, max_len)
train_iter = torch.utils.data.DataLoader(train_set, batch_size, shuffle=True, num_workers=num_workers)
return train_iter, train_set.vocab
python
batch_size, max_len = 512, 64
train_iter, vocab = load_data_wiki(batch_size, max_len)
for (tokens_X, segments_X, valid_lens_x, pred_positions_X, mlm_weights_X,
mlm_Y, nsp_y) in train_iter:
print(tokens_X.shape, segments_X.shape, valid_lens_x.shape,
pred_positions_X.shape, mlm_weights_X.shape, mlm_Y.shape,
nsp_y.shape)
break
torch.Size([512, 64]) torch.Size([512, 64]) torch.Size([512]) torch.Size([512, 10]) torch.Size([512, 10]) torch.Size([512, 10]) torch.Size([512])
python
len(vocab)
20228