如何格式化textsum data_convert_example的输入数据

时间:2016-10-06 03:08:31

标签: tensorflow textsum

我希望有人能够看到我在这里失败的地方。所以我从buzzfeed中删除了一些数据,现在我正在尝试格式化一个文本文件,然后我可以将其发送到data_convert_examples text_to_data格式化程序。

我以为我得到了几次答案,但是当我将其作为二进制处理,然后尝试对数据进行训练时,我仍然遇到了一堵砖墙。

我所做的是在玩具数据集上运行binary_to_text,然后在Windows下的notepad ++中打开文件,显示所有字符,并匹配我认为的格式。

我为下面的长期功能道歉,但我真的不确定问题可能在哪里,并认为这是提供足够信息的最佳方式。有人有任何想法或建议吗?

def processPath(self, toPath):
    try:
        fout = open(os.path.join(toPath, '{}-{}'.format(self.baseName, self.fileNdx)), 'a+')
        for path, dirs, files in os.walk(self.fromPath):
            for fn in files:
                fullpath = os.path.join(path, fn)
                    if os.path.isfile(fullpath):

                        #with open(fullpath, "rb") as f:
                        with codecs.open(fullpath, "rb", 'ascii', "ignore") as f:
                            try:
                                finalRes = ""
                                content = f.readlines()
                                self.populateVocab(content)

                                sentences = sent_tokenize((content[1]).encode('ascii', "ignore").strip('\n'))
                                for sent in sentences:
                                    textSumFmt = self.textsumFmt
                                    finalRes = textSumFmt["artPref"]  + textSumFmt["sentPref"] + sent.replace("=", "equals") + textSumFmt["sentPost"] + textSumFmt["postVal"]
                                finalRes += (('\t' + textSumFmt["absPref"] + textSumFmt["sentPref"] + (content[0]).strip('\n').replace("=", "equals") + textSumFmt["sentPost"] + textSumFmt["postVal"]) + '\t' +'publisher=BUZZ' + os.linesep)

                                if self.lineNdx != 0 and self.lineNdx % self.lines == 0:
                                    fout.close()
                                    self.fileNdx+=1
                                    fout = open(os.path.join(toPath, '{}-{}'.format(self.baseName, self.fileNdx)), 'a+')

                                fout.write( ("{}").format( finalRes.encode('utf-8', "ignore") ) )
                                self.lineNdx+=1
                            except RuntimeError as e:
                                print "Runtime Error: {0} : {1}".format(e.errno, e.strerror)
        finally:
            fout.close()

1 个答案:

答案 0 :(得分:0)

经过进一步分析,似乎问题的根源在于源数据及其构造方式,而不是data_convert_example.py本身。由于标题不符合问题的根源,我关闭了这个。

我发现问题的根源是我在"文章"之间有空格。和等号。删除后,我能够成功训练。