第 2 部分：文字前處理

使用 Keras 進行機器翻譯

Thushan Ganegedara

Data Scientist and Author

加入開頭／結尾的特殊權杖

這句話：

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

會變成：

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

在加入特殊權杖之後

sos - 句子／序列開頭
eos - 句子／序列結尾

句子補齊（Padding）

真實世界的資料集中，各句子長度不會相同
匯入 pad_sequences

from tensorflow.keras.preprocessing.sequence import pad_sequences

將句子轉為序列

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)

句子補齊（Padding）

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

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

第一句在結尾補上五個 0：

#  '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]

第二句在結尾截斷一個字：

# '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]

在 Keras 中，0 永遠不會被配置為字詞 ID

反轉句子的好處

有助於在編碼器與解碼器之間建立更強的初始連結

反轉與否的距離

反轉句子

產生補齊序列，並在時間維度上反轉序列

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]]

反轉句子

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

一起來練習吧！

使用 Keras 進行機器翻譯