-
Notifications
You must be signed in to change notification settings - Fork 0
/
loader.py
163 lines (131 loc) · 5.91 KB
/
loader.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
import json
import string
import re
import os
import io
from keras_preprocessing.text import tokenizer_from_json
from tensorflow.keras.preprocessing.text import Tokenizer
def remove_punctuation(sen):
"""
:input: sen: str
:doing:
1. Xóa dấu câu và số
2. Thêm phần tử nhận diện lúc bắt đầu và kết thúc dịch (VD: <start>, <stop>, ...)
:return:
Dữ liệu không chứa dấu câu và số
"""
sen = sen.lower()
sen = sen.strip()
sen = re.sub("-", "", sen)
sen = re.sub("'", "", sen)
sen = re.sub("\s+", " ", sen)
sen = " ".join([s for s in sen.split() if s not in list(string.punctuation)])
return "<sos> " + sen + " <eos>"
class DatasetLoader:
"""
:input:
Khởi tạo dữ liệu cho quá trình huấn luyện, bao gồm 2 tập.
1. train.tv.txt : Dữ liệu ngôn ngữ gốc (Tiếng Việt)
2. train.ta.txt : Dữ liệu ngôn ngữ chuyển đổi (Tiếng Anh)
:doing:
1. Khởi tạo liệu
2. Xóa dấu câu và số
3. Thêm phần tử nhận diện lúc bắt đầu và kết thúc dịch (VD: <start>, <stop>, ...)
4. Xử lý độ dài câu: min_length <= length <= max_length
:return:
Dữ liệu sau khi tiền xử lý: list
"""
def __init__(self,
language_1,
language_2,
min_length=10,
max_length=14):
"""
Khởi tạo
:param language_1: ${}/train.{original}.txt ---- Đường dẫn tới ngôn ngữ gốc
:param language_2: ${}/train.{target}.txt ---- Đường dẫn tối ngôn ngữ chuyển đổi
:param min_length: Giới hạn nhỏ nhất chiều dài 1 câu
:param max_length: Giới hạn lớn nhất chiều dài 1 câu
"""
self.language_1 = language_1
self.language_2 = language_2
self.min_length = min_length
self.max_length = max_length
self.path_save = os.getcwd() + "/saved_checkpoint/{}_vocab.json"
def save_tokenizer(self, tokenizer, name_vocab):
tokenizer_json = tokenizer.to_json()
path_save = self.path_save.format(name_vocab)
with io.open(path_save, 'w', encoding='utf-8') as f:
f.write(json.dumps(tokenizer_json, ensure_ascii=False))
f.close()
def load_tokenizer(self, name_vocab):
with io.open(self.path_save.format(name_vocab), "r") as f:
data = json.load(f)
tokenizer = tokenizer_from_json(data)
return tokenizer
def load_dataset(self):
"""
:doing:
Load data from direction
:return: Trả về dữ liệu dạng list
"""
current_dir = os.getcwd() + "/"
raw_origin_language = open(current_dir + self.language_1, encoding="UTF-8").read().strip().split("\n")
raw_target_language = open(current_dir + self.language_2, encoding="UTF-8").read().strip().split("\n")
return raw_origin_language, raw_target_language
def build_dataset(self, input_lang="input", target_lang="target"):
"""
:doing:
1. Khởi tạo liệu
2. Xóa dấu câu và số
3. Thêm phần tử nhận diện lúc bắt đầu và kết thúc dịch (VD: <start>, <stop>, ...)
4. Xử lý độ dài câu: min_length <= length <= max_length
:return:
"""
# Khởi tạo dữ liệu
raw_origin_language, raw_target_language = self.load_dataset()
# Xóa dấu câu và số
# Thêm phần tử nhận diện lúc bắt đầu và kết thúc dịch (VD: <start>, <stop>, ...)
# Xử lý độ dài câu: min_length <= length <= max_length
raw_origin_language, raw_target_language = self.preprocessing_sentence(raw_origin_language, raw_target_language)
if not os.path.exists((self.path_save.format(input_lang))) and not os.path.exists(
(self.path_save.format(target_lang))):
# Build Tokenizer
tokenize_inp = Tokenizer(filters='!"#$%&()*+,-./:;=?@[\\]^_`{|}~\t\n')
tokenize_tar = Tokenizer(filters='!"#$%&()*+,-./:;=?@[\\]^_`{|}~\t\n')
# Fit text
tokenize_inp.fit_on_texts(raw_origin_language)
tokenize_tar.fit_on_texts(raw_target_language)
# save tokenizer
self.save_tokenizer(tokenize_inp, name_vocab=input_lang)
self.save_tokenizer(tokenize_tar, name_vocab=target_lang)
# Get tensor
inp_vector = tokenize_inp.texts_to_sequences(raw_origin_language)
tar_vector = tokenize_tar.texts_to_sequences(raw_target_language)
else:
# Load tokenizer from json
tokenize_inp = self.load_tokenizer(input_lang)
tokenize_tar = self.load_tokenizer(target_lang)
# Get tensor
inp_vector = tokenize_inp.texts_to_sequences(raw_origin_language)
tar_vector = tokenize_tar.texts_to_sequences(raw_target_language)
return inp_vector, tar_vector, tokenize_inp, tokenize_tar
def preprocessing_sentence(self, raw_origin_language, raw_target_language):
"""
:input:
language_1: Ngôn ngữ gốc: (list)
language_2: Ngôn ngữ mục tiêu: (list)
:doing:
1. Xử lý độ dài câu: min_length <= length <= max_length
:return:
"""
sentences_1 = []
sentences_2 = []
for sen_1, sen_2 in zip(raw_origin_language, raw_target_language):
sen_1 = remove_punctuation(sen_1)
sen_2 = remove_punctuation(sen_2)
if self.min_length <= len(sen_1.split(" ")) <= self.max_length \
and self.min_length <= len(sen_2.split()) <= self.max_length:
sentences_1.append(sen_1)
sentences_2.append(sen_2)
return sentences_1, sentences_2