Часть 2: Предобработка текста

Машинный перевод с Keras

Thushan Ganegedara

Data Scientist and Author

Добавление специальных токенов начала и конца

Предложение:

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

преобразуется в:

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

после добавления специальных токенов

sos - начало предложения/последовательности
eos - конец предложения/последовательности

Дополнение предложений (padding)

В реальных наборах данных предложения редко содержат одинаковое количество слов
Импорт pad_sequences

from tensorflow.keras.preprocessing.sequence import pad_sequences

Преобразование предложений в последовательности

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)

Дополнение предложений (padding)

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

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

Первое предложение дополняется пятью нулями в конце:

#  '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]

Второе предложение обрезается на одно слово с конца:

# '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]

В Keras идентификатор 0 никогда не присваивается словам

Преимущество переворота предложений

Помогает установить более тесную начальную связь между энкодером и декодером

Расстояние с переворотом и без

Переворот предложений

Создание дополненных последовательностей и их переворот по временному измерению

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]]

Переворот предложений

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

Давайте потренируемся!

Машинный перевод с Keras