Question

我正在尝试构建seq2seq模型，我尝试遵循Tensorflow官方教程，但没有提到预处理步骤。我试图在网上搜索，每个教程都从模型开始，没有预处理步骤信息。

我需要一些有关seq2seq的预处理步骤的信息：

如果我有一个像这样的数据集：（用index2word词汇编码后）

encoder [1, 2, 1, 3, 4] decoder [2, 3, 4]
encoder [2, 3, 4, 1] decoder [11, 3, 4, 5, 1, 22, 45, 1, 3, 42, 32, 65]
encoder [4, 5, 3, 11, 23, 1, 33, 44, 1, 3] decoder [4, 2, 3, 5]
encoder [44, 55] decoder [5, 6, 3, 2, 4, 22, 42, 11, 34]
encoder [1] decoder [55, 6, 3, 2, 4, 5, 6, 7, 7]
encoder [4, 2, 3, 4, 5] decoder [6, 5, 3, 5, 6, 7, 8, 2, 4, 5]
encoder [44, 2, 1, 22, 5, 3, 2] decoder [6, 5, 3, 4, 5, 6, 7]
encoder [55, 3, 1, 5, 1] decoder [5, 3, 2, 3, 4, 5]
encoder [14] decoder [5, 6, 7]

如果我将5作为批量大小，则第一批：

encoder [1, 2, 1, 3, 4] decoder [2, 3, 4]
encoder [2, 3, 4, 1] decoder [11, 3, 4, 5, 1, 22, 45, 1, 3, 42, 32, 65]
encoder [4, 5, 3, 11, 23, 1, 33, 44, 1, 3] decoder [4, 2, 3, 5]
encoder [44, 55] decoder [5, 6, 3, 2, 4, 22, 42, 11, 34]
encoder [1] decoder [55, 6, 3, 2, 4, 5, 6, 7, 7]

现在，在阅读许多文章之后，我发现有四个特殊标记必须用于编码数据：

<PAD>：在培训期间，我们需要将示例提供给   批量网络。

<EOS>：这也是批处理的另一种必要，但更多内容   解码器端。它可以让我们告诉解码器句子在哪里   结束，它允许解码器在其解码器中指示相同的内容   输出。

<UNK>：用替换未知。

<GO>：这是解码器第一步的输入，   解码器知道何时开始生成输出。

现在，如果我以批处理示例为例，那么在填充后我会有疑问：

编码器批次应与解码器批次大小相同吗？

如果我的填充编码器数据批次看起来像：

encoder_input=[[1, 2, 1, 3, 4],
[2, 3, 4, 1],
[4, 5, 3, 11, 23, 1, 33, 44, 1, 3],
[44, 55],
[1]]

#after padding ( max time stamp is 10 )

encoder_padded=[[1, 2, 1, 3, 4, 0, 0, 0, 0, 0],
                [2, 3, 4, 1, 0, 0, 0, 0, 0, 0],
                [4, 5, 3, 11, 23, 1, 33, 44, 1, 3],
                [44, 55, 0, 0, 0, 0, 0, 0, 0, 0],
                [1, 0, 0, 0, 0, 0, 0, 0, 0, 0]]

现在我应该将解码器序列长度填充到相同大小吗？（最多10个？），或者我应该像这样填充解码器的最大序列（最大12个）：

decoder_input=[[2, 3, 4],
               [11, 3, 4, 5, 1, 22, 45, 1, 3, 42, 32, 65],
               [4, 2, 3, 5],
               [5, 6, 3, 2, 4, 22, 42, 11, 34],
               [55, 6, 3, 2, 4, 5, 6, 7, 7]]

#after padding ( decoder batch max length is 12)

decoder_padded=[[2, 3, 4, 0, 0, 0, 0, 0, 0, 0, 0, 0],
               [11, 3, 4, 5, 1, 22, 45, 1, 3, 42, 32, 65],
               [4, 2, 3, 5, 0, 0, 0, 0, 0, 0, 0, 0],
               [5, 6, 3, 2, 4, 22, 42, 11, 0, 0, 0, 0],
               [55, 6, 3, 2, 4, 5, 6, 7, 7, 0, 0, 0]]

以及我最后的预处理数据应如下所示：

encoder_input  = ['hello','how','are','you','<PAD>','<PAD>','<PAD'>]

decoder_output = ['<GO>','i','am','fine','<EOS>','<PAD>','<PAD>']

这是正确的格式吗？

Answer 1

我希望这是有用的。

编码器批次应与解码器批次大小相同吗？

否，解码器的计算遵循编码器，因此各个数据将在不同的时间馈送到网络。您显示的示例是正确的。

在最后一个示例中，您提到的解码器输出的一个小更正应是解码器输入。对于该对输入，目标标签应具有：

encoder_input  = ['hello','how','are','you','<PAD>','<PAD>','<PAD'>]
decoder_input  = ['<GO>','i','am','fine','<EOS>','<PAD>','<PAD>'] 
target_label   = ['i','am','fine','<EOS>','<PAD>','<PAD>']

seq2seq模型的预处理

1 个答案: