• PyTorch版本:0.4.1
• torchtext:0.2.3
• python:3.6

• Test-Dataset.ipynb Test-Dataset.py 使用torchtext进行文本预处理的notebook和py版。
• Test-Dataset2.ipynb 使用Keras和PyTorch构建数据集进行文本预处理。
• Language-Model.ipynb 使用gensim加载预训练的词向量,并使用PyTorch实现语言模型。

• 分别提供了notebook版和标准py文件版。
• 从零开始逐步实现了torchtext文本预处理过程,包括截断补长,词表构建,使用预训练词向量,构建可用于pytorch的可迭代数据等。

使用教程参考我的个人博客(第一个为github博客,图片显示有问题,以第二个为准):

• http://www.nlpuser.com/pytorch/2018/10/30/useTorchText/
• https://blog.csdn.net/nlpuser/article/details/88067167

代码中在数据集中使用预训练词向量部分已注释为markdown格式,如下所示,若要使用预训练的词向量,例如glove开源的预训练词向量,需要在当前目录下创建mycache文件夹作为cache目录,并指定预训练词向量文件所在位置。glove词向量下载可参考此链接:https://pan.baidu.com/s/1i5XmTA9

### 通过预训练的词向量来构建词表的方式示例,以glove.6B.300d词向量为例
cache = 'mycache'
if not os.path.exists(cache):
 os.mkdir(cache)
vectors = Vectors(name='/Users/wyw/Documents/vectors/glove/glove.6B.300d.txt', cache=cache)
# 指定 Vector 缺失值的初始化方式,没有命中的token的初始化方式
vectors.unk_init = init.xavier_uniform_ 
TEXT.build_vocab(train, min_freq=5, vectors=vectors)
# 查看词表元素
TEXT.vocab.vectors