训练数据的形式

我们可以如何去构建一个数据集呢？

其实这批数据仅仅是由 1,2,3,….10就可以构成。我们生成了batch_size=6, time_step=4的小批量数据。（最后一列为预测值）

文本预处理

在深度学习模型中，我们计算机学习的是参数，是数字，形式不是文字。所以我们要进行预处理操作，将词元转换为数字。同时也要方便从数字转换到词元（字符/字符串）。

读取数据集

d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')

def read_time_machine():  
    """将时间机器数据集加载到文本行的列表中"""
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]

lines = read_time_machine()

print(lines[0])
print(lines[10])

# run resul:
the time machine by h g wells
twinkled and his usually pale face was flushed and animated the

读取得到的是lines是一个多行的文本字符串。

我们要构建一个字典的话，要把这些字符串划分成更细的单元，比如一个单词，或者是一个字母。进行划分的操作，我们定义为词元化（tokenize）

def tokenize(lines, token='word'):  
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误：未知词元类型：' + token)

tokens = tokenize(lines)
for i in range(11):
    print(tokens[i])
    
# run result：
# word
['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
[]
[]
[]
[]
['i']
[]
[]
['the', 'time', 'traveller', 'for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him']
['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us', 'his', 'grey', 'eyes', 'shone', 'and']
['twinkled', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated', 'the']

# char
['t', 'h', 'e', ' ', 't', 'i', 'm', 'e', ' ', 'm', 'a', 'c', 'h', 'i', 'n', 'e', ' ', 'b', 'y', ' ', 'h', ' ', 'g', ' ', 'w', 'e', 'l', 'l', 's']
[]
[]
[]
[]
['i']
[]
[]
['t', 'h', 'e', ' ', 't', 'i', 'm', 'e', ' ', 't', 'r', 'a', 'v', 'e', 'l', 'l', 'e', 'r', ' ', 'f', 'o', 'r', ' ', 's', 'o', ' ', 'i', 't', ' ', 'w', 'i', 'l', 'l', ' ', 'b', 'e', ' ', 'c', 'o', 'n', 'v', 'e', 'n', 'i', 'e', 'n', 't', ' ', 't', 'o', ' ', 's', 'p', 'e', 'a', 'k', ' ', 'o', 'f', ' ', 'h', 'i', 'm']
['w', 'a', 's', ' ', 'e', 'x', 'p', 'o', 'u', 'n', 'd', 'i', 'n', 'g', ' ', 'a', ' ', 'r', 'e', 'c', 'o', 'n', 'd', 'i', 't', 'e', ' ', 'm', 'a', 't', 't', 'e', 'r', ' ', 't', 'o', ' ', 'u', 's', ' ', 'h', 'i', 's', ' ', 'g', 'r', 'e', 'y', ' ', 'e', 'y', 'e', 's', ' ', 's', 'h', 'o', 'n', 'e', ' ', 'a', 'n', 'd']
['t', 'w', 'i', 'n', 'k', 'l', 'e', 'd', ' ', 'a', 'n', 'd', ' ', 'h', 'i', 's', ' ', 'u', 's', 'u', 'a', 'l', 'l', 'y', ' ', 'p', 'a', 'l', 'e', ' ', 'f', 'a', 'c', 'e', ' ', 'w', 'a', 's', ' ', 'f', 'l', 'u', 's', 'h', 'e', 'd', ' ', 'a', 'n', 'd', ' ', 'a', 'n', 'i', 'm', 'a', 't', 'e', 'd', ' ', 't', 'h', 'e']

# 可以把二维的list合并成一维的list
tokens = [token for line in tokens for token in line]

有了单独的各个词元，我们接下来就可以去构建词表了！

构建词表

def count_corpus(tokens):
    """统计词元的频率"""
    # 这里的tokens是1D列表或2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        # 如果是多行的list, 就将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)


''' 词表（vocabulary）：将词元映射到数字索引 根据词元出现的频率，为其分配一个数字索引，很少出现的词元将被移除，降低复杂度 语料库中不存在或者被移除的词元都将映射到 未知词元<unk> '''

class Vocab:
    """文本词表"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        # 按出现频率排序 counter就是一个字典
        counter = count_corpus(tokens)
        # Counter({' ': 29927, 'e': 17838, 't': 13515, 'a': 11704 ...})

        # print(counter)

        # counter.items():返回字典中所有的键值对信息, 按值进行排序（默认从小到大） 再进行reverse就是从大到小了
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                   reverse=True)
        # 未知词元的索引为0
        # idx_to_token是一个列表
        self.idx_to_token = ['<unk>'] + reserved_tokens
        # token_to_idx是一个字典 {token : idx}
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            # .get function() The second parameter means that if don't find the key, return the self.unk 
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

    # The function of @property is that make calling a function like accessing a property
 @property
    def unk(self):  # 未知词元的索引为0
        return 0

 @property
    def token_freqs(self):
        return self._token_freqs

实例化词典。这里的参数tokens是词元化后的，是一个列表，里面的每个元素都是一个词元（一个单词或一个字母）

vocab = Vocab(tokens)

# 词元是key, 数值是value 就实现了词元转数字。
# 词表中有 to_tokens函数， 实现了数字转词元。 
vocab[tokens[i]]

整合一下部分代码。这里就表示：

读取多行文本
词元化
实例化字典
将各个字符转成数字，生成corpus ；（corpus是一个数字的列表）

def load_corpus_time_machine(max_tokens=-1):
    """返回时光机器数据集的词元索引列表和词表"""
    lines = read_time_machine()
    tokens = tokenize(lines, 'char')
    vocab = Vocab(tokens)
    # 因为时光机器数据集中的每个文本行不一定是一个句子或一个段落，
    # 所以将所有文本行展平到一个列表中
    
    # 字符转数字 vocab[token]
    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab