如何在nlp问题中定义自己的数据集

我之前大致写了一篇在pytorch中如何自己定义数据集合，在这里如何自定义数据集

不过这个例子使用的是image，也就是图像。如果我们用到的是文本呢，处理的是NLP问题呢？

在解决这个问题的时候，我在网上无意间搜索到这样一篇文章PyTorch 入门实战（三）——Dataset和DataLoader

在这篇博文中，作者从dataset和dataloader一步步讲解，让我有了很大的感悟。然后我根据自己之前那篇文章，总结了一下如何在nlp问题中自定义数据集。

首先上一个简单的例子,

import torch
from torch.utils.data import Dataset, DataLoader
import numpy as np
 
Data = np.array([[1, 2], [3, 4],[5, 6], [7, 8]])
Label = np.array([[0], [1], [0], [2]])
#创建子类
class subDataset(Dataset):
    #初始化，定义数据内容和标签
    def __init__(self, Data, Label):
        self.Data = Data
        self.Label = Label
    #返回数据集大小
    def __len__(self):
        return len(self.Data)
    #得到数据内容和标签
    def __getitem__(self, index):
        data = torch.Tensor(self.Data[index])
        label = torch.IntTensor(self.Label[index])
        return data, label

dataset = subDataset(Data, Label)
print(dataset)
print('dataset大小为：', dataset.__len__())
print(dataset.__getitem__(0))
print(dataset[0])

#创建DataLoader迭代器
dataloader =DataLoader(dataset,batch_size= 2, shuffle = False, num_workers= 4)
for i, item in enumerate(dataloader):
    print('i:', i)
    data, label = item
    print('data:', data)
    print('label:', label)



result:

<__main__.subDataset object at 0x10b697198>
dataset大小为： 4
(tensor([1., 2.]), tensor([0], dtype=torch.int32))
(tensor([1., 2.]), tensor([0], dtype=torch.int32))
i: 0
data: tensor([[1., 2.],
        [3., 4.]])
label: tensor([[0],
        [1]], dtype=torch.int32)
i: 1
data: tensor([[5., 6.],
        [7., 8.]])
label: tensor([[0],
        [2]], dtype=torch.int32)

在上面这个例子中，需要特别注意的是我们定义的数据，使用的是数组形式。当我看到这一点的时候，我就很自然的联想到了这不不就是文本的数据形式吗？
每个句子通过一个向量代表，每个向量是一个数组的元素。
而且区别于图像，我们需要得到图像的路径，然后得到图像的数据，在文本这里，我们对句子向量化之后，这个数据可以直接被使用进来。
这就是为啥在子类中的__init__函数和__getitem__函数比较简单的原因。

所以我们只需要类别，把我们的句子向量转化为类似上面例子中Data的格式，Label转化为上面例子中的格式就好了。

接下来我们进入实践环节。
首先，我们从[这里(https://github.com/DA-southampton/cnn-lstm-bilstm-deepcnn-clstm-in-pytorch/tree/master/Data)中的训练数据中截取了2000条保存下来，作为我们的训练数据，命名为train.txt。

数据形式大概是这样的：A lovely film for the holiday season . ||| 3

接下来上代码：

#首先读取数据集合，并且构建词汇表格
file = open('train.txt','r')

i = 0
data,tag,sentence_lst = [],[],[]
word_to_idx,idx_to_word = {},{}


for line in file:
    lst=line.strip().split('|||')
    if len(lst)!=2: #确保上一步拆分成句子和类别的元素才进行下面的操作，保证成功
            continue
    sentence,label= lst[0],lst[1] #提取出句子和类别
    words=sentence.split(' ')#在中文中，这一步可以使用结巴分词操作
    for word in words:
        if word not in word_to_idx:
            word_to_idx[word] = i
            idx_to_word[i] = word
            i=i+1
        sentence_lst.append(word_to_idx[word])
        if (len(sentence_lst)>=50):
            break
    for j in range(50-len(sentence_lst)):
        sentence_lst.append(0) #这之上的操作完成了两件事情，一个是构建词汇表，二就是将句子向量化
    data.append(sentence_lst)
    tag.append([int(label)])
    sentence_lst = []


#将list转化为数组
data=np.array(data)
tag=np.array(tag)  #这个步骤很重要，就是把我们生成的list转化为数组的形式


import torch
from torch.utils.data import Dataset, DataLoader
import numpy as np
 
Data =data
Label = tag
#创建子类
class subDataset(Dataset):
    #初始化，定义数据内容和标签
    def __init__(self, Data, Label):
        self.Data = Data
        self.Label = Label
    #返回数据集大小
    def __len__(self):
        return len(self.Data)
    #得到数据内容和标签
    def __getitem__(self, index):
        data = torch.Tensor(self.Data[index])
        label = torch.IntTensor(self.Label[index])
        return data, label


dataset = subDataset(Data, Label)
print(dataset)
print('dataset大小为：', dataset.__len__())
print(dataset.__getitem__(0))
print(dataset[0])

#创建DataLoader迭代器
dataloader =DataLoader(dataset,batch_size= 100, shuffle = False, num_workers= 4)
for i, item in enumerate(dataloader):
    print('i:', i)
    data, label = item
    print('data:', data)
    print('label:', label)

这样，我们就自己定义了一个数据集合并且使用dataloader将其切分。

data.size()
torch.Size([99, 50])#为啥是99呢，因为切分到最后不够100个了。这里不用纠结，大小就是batch_size * seq_length

label.size()
torch.Size([99, 1]) # 

我们知道这里data就是我们在训练模型的时候的输入，对于这个输入我们的维度是这样的batch_size * seq_length，这一点时参考的How to correctly give inputs to Embedding, LSTM and Linear layers in PyTorch?

这里我们得到的data正合适是符合这个size的，所以我可以把这个数据带入到模型中去。

textcnn 模型

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable

class Textcnn(nn.Module):
    def __init__(self,vocabulary_size,embedding_dim,kernel_num,batch_size,class_size,dropout):
        super(Textcnn,self).__init__()
        self.embedding = nn.Embedding(vocabulary_size,embedding_dim)
        self.conv1 = nn.Conv2d(1,kernel_num,(3,embedding_dim))
        self.conv2 = nn.Conv2d(1,kernel_num,(4,embedding_dim))
        self.conv3 = nn.Conv2d(1,kernel_num,(5,embedding_dim))
        self.dropout = nn.Dropout(dropout)
        self.fc = nn.Linear(3*kernel_num,class_size)

    def conv_maxplooing1(self,x):
        x = F.relu(self.conv1(x)) #(batch_size*kernel_num*(vocabulary_len-3+1)*1)
        x = x.squeeze(3)  #(batch_size*kernel_num*(vocabulary_len-3+1))
        x = F.max_pool1d(x,x.size(2)).squeeze(2) #(batch_size*kernel_num)
        return x
    def conv_maxplooing2(self,x):
        x = F.relu(self.conv2(x)) #(batch_size*kernel_num*(vocabulary_len-3+1)*1)
        x = x.squeeze(3)  #(batch_size*kernel_num*(vocabulary_len-3+1))
        x = F.max_pool1d(x,x.size(2)).squeeze(2) #(batch_size*kernel_num)
        return x
    def conv_maxplooing3(self,x):
        x = F.relu(self.conv3(x)) #(batch_size*kernel_num*(vocabulary_len-3+1)*1)
        x = x.squeeze(3)  #(batch_size*kernel_num*(vocabulary_len-3+1))
        x = F.max_pool1d(x,x.size(2)).squeeze(2) #(batch_size*kernel_num)
        return x

    def forward(self,x):
        emb = self.embedding(x) #(batch_size*vocabulary_len*embedding_dim)
        emb = emb.unsqueeze(1)  #(batch_size*1*vocabulary_len*embedding_dim)
        out1 = self.conv_maxplooing1(emb) #(batch_size*kernel_num)
        out2 = self.conv_maxplooing2(emb)
        out3 = self.conv_maxplooing3(emb)
        out = torch.cat((out1,out2,out3),1) #(batch_size*(kernel_num*3))
        out = self.dropout(out)
        result = self.fc(out)  #(batch_size*class_size)
        return result

但是令人惊讶的是，在带入data的时候，出现了错误，错误代码大致是这样的:Expected tensor for argument #1 'indices' to have scalar type Long; but got CPUFloatTensor instead (while checking arguments for embedding)

就是讲，你这个输入tesor格式不对，应该long，而不是float
于是我要进行一个操作

data=data.long()
label=label.squeeze(1).long() ##注意这里我们把label去除了一个维度，通过上面我们知道，label维度本来是99*1，也就是这样的[[1],[2],[3]...],我们需要把它转化为这种[1,2,3...]才能在模型中使用

for i, item in enumerate(dataloader):
    data, label = item
    data=data.long()
    label=label.squeeze(1).long()
    outputs = model(sentence.long())
    loss = criterion(outputs, label.squeeze(1).long())

具体详细的展示我会弄一个ipynb