Parte 2: Pre-elaborazione del testo

Traduzione automatica con Keras

Thushan Ganegedara

Data Scientist and Author

Aggiungere token di inizio/fine

La frase:

'les états-unis est parfois occupé en janvier , et il est parfois chaud en novembre .'

diventa:

'sos les états-unis est parfois occupé en janvier , et il est parfois chaud en novembre . eos',

dopo aver aggiunto i token speciali

sos - Inizio frase/sequenza
eos - Fine frase/sequenza

Padding delle frasi

I dataset reali non hanno mai lo stesso numero di parole in tutte le frasi
Importare pad_sequences

from tensorflow.keras.preprocessing.sequence import pad_sequences

Convertire frasi in sequenze

sentences = [
  'new jersey is sometimes quiet during autumn .',
  'california is never rainy during july , but it is sometimes beautiful in february .'
]
seqs = en_tok.texts_to_sequences(sentences)

Padding delle frasi

preproc_text = pad_sequences(seqs, padding='post', truncating='post', maxlen=12)

for orig, padded in zip(seqs, preproc_text):
    print(orig, ' => ', padded)

Alla prima frase vengono aggiunti cinque 0 in coda:

#  'new jersey is sometimes quiet during autumn .',
[18, 20, 2, 10, 32, 5, 46]  =>  [18 20  2 10 32  5 46  0  0  0  0  0]

Alla seconda frase viene troncata una parola in coda:

# 'california is never rainy during july , but it is sometimes beautiful in february .'
[21, 2, 11, 47, 5, 41, 7, 4, 2, 10, 30, 3, 38]  =>  [ 12 2 11 47  5 41  7  4  2 10 30  3]

In Keras, 0 non verrà mai assegnato come ID parola

Vantaggi dell'inversione delle frasi

Aiuta a creare un collegamento iniziale più forte tra encoder e decoder

Distanza con e senza inversione

Invertire le frasi

Creare sequenze con padding e invertirle sulla dimensione temporale

sentences = ["california is never rainy during july .",]
seqs = en_tok.texts_to_sequences(sentences)
pad_seq = preproc_text = pad_sequences(seqs, padding='post', truncating='post', maxlen=12)

[[21  2  9 25  5 27  0  0  0  0  0  0]]

Invertire le frasi

pad_seq

[[21  2  9 25  5 27  0  0  0  0  0  0]]

pad_seq = pad_seq[:,::-1]

[[ 0  0  0  0  0  0 27  5 25  9  2 21]]

rev_sent = [en_tok.index_word[wid] for wid in pad_seq[0][-6:]] 
print('Sentence: ', sentences[0])
print('\tReversed: ',' '.join(rev_sent))

Sentence:  california is never rainy during july .
    Reversed:  july during rainy never is california

Ayo berlatih!

Traduzione automatica con Keras