python - tf.keras.preprocessing.text.Tokenizer() 和 tfds.features.text.Tokenizer() 的比较

Question

作为一些背景知识，我最近越来越关注 NLP 和文本处理。我更熟悉计算机视觉。我完全理解标记化的想法。

我的困惑源于 Tokenizer 的各种实现。可以在 Tensorflow 中找到的 类 生态系统。

有一个 Tokenizer在 Tensorflow Datasets 中找到 类 ( tfds ) 以及 Tensorflow 中的一个 正确: tfds.features.text.Tokenizer() & tf.keras.preprocessing.text.Tokenizer() 分别。

我查看了源代码(链接如下)，但无法收集到任何有用的见解

• tfds implementation
• tf implementation... line 18 links to the next link
• text data summarization function

---

这里的 tl;dr 问题是:您使用哪个库来做什么？一个库比另一个库有什么好处？

---

注意

我跟着 Tensorflow In Practice Specialization 以及这个 tutorial 。 TF in Practice Specialization 使用 tf.Keras.preprocessing.text.Tokenizer() 实现和文本加载教程使用 tfds.features.text.Tokenizer()

Answer 1

有许多包已经开始提供自己的 API 来进行文本预处理，但是，每个包都有自己的细微差别。

tf.keras.preprocessing.text.Tokenizer() 由 Keras 实现，并作为高级 API 被 Tensorflow 支持。

tfds.features.text.Tokenizer() 由 tensorflow 自己开发和维护。

两者都有自己的方式来对 token 进行编码。您可以通过下面的示例进行说明。

import tensorflow as tf
from tensorflow.keras.preprocessing.text import Tokenizer
import tensorflow_datasets as tfds  

让我们获取一些样本数据并查看这两个 API 的编码输出:

text_data = ["4. Kurt Betschart - Bruno Risi ( Switzerland ) 22",
            "Israel approves Arafat 's flight to West Bank .",
            "Moreau takes bronze medal as faster losing semifinalist .",
            "W D L G / F G / A P",
            "-- Helsinki newsroom +358 - 0 - 680 50 248",
            "M'bishi Gas sets terms on 7-year straight ."]  

首先，让我们看看 tf.keras.Tokenizer() 的结果:

tf_keras_tokenizer = Tokenizer()
tf_keras_tokenizer.fit_on_texts(text_data)
tf_keras_encoded = tf_keras_tokenizer.texts_to_sequences(text_data)
tf_keras_encoded = pad_sequences(tf_keras_encoded, padding="post") 

对于我们输入数据中的第一句话，结果将是:

tf_keras_encoded[0]  

array([2, 3, 4, 5, 6, 7, 8, 0], dtype=int32)

如果我们查看单词到索引的映射。

tf_keras_tokenizer.index_word  


{1: 'g',
 2: '4',
 3: 'kurt',
 4: 'betschart',
 5: 'bruno',
 6: 'risi',
 7: 'switzerland',
 8: '22',
 9: 'israel',
 10: 'approves',
 11: 'arafat',
 12: "'s",
 13: 'flight',
 14: 'to',
 15: 'west',
 16: 'bank',
 17: 'moreau',
 18: 'takes',
 19: 'bronze',
 20: 'medal',
 21: 'as',
 22: 'faster',
 23: 'losing',
 24: 'semifinalist',
 25: 'w',
 26: 'd',
 27: 'l',
 28: 'f',
 29: 'a',
 30: 'p',
 31: 'helsinki',
 32: 'newsroom',
 33: '358',
 34: '0',
 35: '680',
 36: '50',
 37: '248',
 38: "m'bishi",
 39: 'gas',
 40: 'sets',
 41: 'terms',
 42: 'on',
 43: '7',
 44: 'year',
 45: 'straight'}  

现在让我们试试 tfds.features.text.Tokenizer():

text_vocabulary_set = set()
for text in text_data:
    text_tokens = tfds_tokenizer.tokenize(text)
    text_vocabulary_set.update(text_tokens) 

tfds_text_encoder = tfds.features.text.TokenTextEncoder(text_vocabulary_set, tokenizer=tfds_tokenizer)  

对于我们输入数据中的第一句话，结果将是:

tfds_text_encoder.encode(text_data[0]) 

[35, 19, 44, 38, 32, 2, 14]

如果我们查看单词到索引的映射(注意索引从 0 开始)。

tfds_text_encoder._token_to_id  

{'0': 0,
 '22': 13,
 '248': 17,
 '358': 23,
 '4': 34,
 '50': 9,
 '680': 6,
 '7': 26,
 'A': 19,
 'Arafat': 39,
 'Bank': 35,
 'Betschart': 43,
 'Bruno': 37,
 'D': 15,
 'F': 20,
 'G': 28,
 'Gas': 29,
 'Helsinki': 38,
 'Israel': 3,
 'Kurt': 18,
 'L': 44,
 'M': 5,
 'Moreau': 22,
 'P': 10,
 'Risi': 31,
 'Switzerland': 1,
 'W': 30,
 'West': 33,
 'approves': 4,
 'as': 7,
 'bishi': 2,
 'bronze': 12,
 'faster': 8,
 'flight': 27,
 'losing': 42,
 'medal': 32,
 'newsroom': 11,
 'on': 25,
 's': 24,
 'semifinalist': 40,
 'sets': 36,
 'straight': 45,
 'takes': 41,
 'terms': 16,
 'to': 14,
 'year': 21}  

您可以看到两个结果中的编码差异以及两个 API 都提供了一些可以根据需要使用和更改的超参数。