Datasets documentation
Обработка текстовых данных
Обработка текстовых данных
В этом руководстве описаны конкретные методы обработки текстовых наборов данных. Узнайте, как:
- Токенизируйте набор данных с помощью map().
- Совместите метки данных с идентификаторами меток для наборов данных NLI.
Справочник по обработке любого типа набора данных — в общем руководстве по обработке.
Карта
Функция map() поддерживает обработку примеров партиями, что ускоряет токенизацию.
Загрузите токенизатор из 🤗 Transformers:
>>> from transformers import AutoTokenizer
>>> tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")Установите параметр batched в значение True в функции map(), чтобы применить токенизатор к батчам примеров:
>>> dataset = dataset.map(lambda examples: tokenizer(examples["text"]), batched=True)
>>> dataset[0]
{'text': 'the rock is destined to be the 21st century\'s new " conan " and that he\'s going to make a splash even greater than arnold schwarzenegger , jean-claud van damme or steven segal .',
'label': 1,
'input_ids': [101, 1996, 2600, 2003, 16036, 2000, 2022, 1996, 7398, 2301, 1005, 1055, 2047, 1000, 16608, 1000, 1998, 2008, 2002, 1005, 1055, 2183, 2000, 2191, 1037, 17624, 2130, 3618, 2084, 7779, 29058, 8625, 13327, 1010, 3744, 1011, 18856, 19513, 3158, 5477, 4168, 2030, 7112, 16562, 2140, 1012, 102],
'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}Функция map() преобразует возвращаемые значения в формат, поддерживаемый PyArrow. Однако явное возвращение тензоров в виде массивов NumPy быстрее, так как это нативно поддерживаемый формат PyArrow. Установите return_tensors="np" при токенизации текста:
>>> dataset = dataset.map(lambda examples: tokenizer(examples["text"], return_tensors="np"), batched=True)Выровнять
Функция align_labels_with_mapping() сопоставляет идентификатор метки набора данных с именем метки. Не все модели 🤗 Transformers следуют предписанному сопоставлению меток исходного набора данных, особенно для наборов данных NLI. Например, набор данных MNLI использует следующее сопоставление меток:
>>> label2id = {"entailment": 0, "neutral": 1, "contradiction": 2}Чтобы привести сопоставление меток в наборе данных к тому, которое использует модель, создайте словарь с именами и идентификаторами меток для согласования:
>>> label2id = {"contradiction": 0, "neutral": 1, "entailment": 2}Передайте словарь соответствий меток в функцию align_labels_with_mapping(), а также столбец, по которому нужно выровнять данные:
>>> from datasets import load_dataset
>>> mnli = load_dataset("nyu-mll/glue", "mnli", split="train")
>>> mnli_aligned = mnli.align_labels_with_mapping(label2id, "label")Вы также можете использовать эту функцию для назначения пользовательского сопоставления меток с идентификаторами.
Update on GitHub