源码
def tokenize():
eot = enc._special_tokens['<|endoftext|>'] # end of text token
data_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare.txt")
text = open(data_filename, 'r').read()
# let's treat every person's statement in the dialog as a separate document
text = "<|endoftext|>" + text
text = text.replace('\n\n', '\n\n<|endoftext|>')
# encode the text
tokens = encode(text)
tokens_np = np.array(tokens, dtype=np.int32)
# let's take the first 32,768 tokens as the validation split (~10%)
val_tokens_np = tokens_np[:32768]
train_tokens_np = tokens_np[32768:]
# save to file
val_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare_val.bin")
train_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare_train.bin")
with open(val_filename, "wb") as f:
f.write(val_tokens_np.tobytes())
with open(train_filename, "wb") as f:
f.write(train_tokens_np.tobytes())
# prints
print(f"Saved {len(val_tokens_np)} tokens to {val_filename}")
print(f"Saved {len(train_tokens_np)} tokens to {train_filename}")
注释
"""
将Tiny Shakespeare数据集进行分词处理，并将分词结果保存为二进制文件。
Args:
无参数。
Returns:
无返回值。
"""
def tokenize():
# 结束文本标记
eot = enc._special_tokens['<|endoftext|>'] # end of text token
# 数据文件路径
data_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare.txt")
# 读取文件内容
text = open(data_filename, 'r').read()
# 将每个人的对话视为单独的文档
# let's treat every person's statement in the dialog as a separate document
text = "<|endoftext|>" + text
# 在每个对话之间添加结束文本标记
text = text.replace('\n\n', '\n\n<|endoftext|>')
# 编码文本
# encode the text
tokens = encode(text)
# 将 tokens 转换为 numpy 数组
tokens_np = np.array(tokens, dtype=np.int32)
# 取前 32,768 个 tokens 作为验证集（约占总量的 10%）
# let's take the first 32,768 tokens as the validation split (~10%)
val_tokens_np = tokens_np[:32768]
# 剩余 tokens 作为训练集
train_tokens_np = tokens_np[32768:]
# 保存验证集到文件
val_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare_val.bin")
with open(val_filename, "wb") as f:
f.write(val_tokens_np.tobytes())
# 保存训练集到文件
train_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare_train.bin")
with open(train_filename, "wb") as f:
f.write(train_tokens_np.tobytes())
# 打印保存结果
# prints
print(f"Saved {len(val_tokens_np)} tokens to {val_filename}")
print(f"Saved {len(train_tokens_np)} tokens to {train_filename}")
def tokenize():
"""
对Tiny Shakespeare数据集进行分词和切分，以创建训练和验证数据集。
该函数首先读取Tiny Shakespeare文本数据，然后对其进行处理，使得每个对话段落被视作独立的文档。
接着，对处理后的文本进行编码，并将数据集划分为训练集和验证集。最后，将这些分好类的令牌保存到二进制文件中。
参数:
无
返回值:
无
"""
# 获取结束文本标记的索引
eot = enc._special_tokens['']
# 指定数据文件的路径
data_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare.txt")
# 读取文本数据
text = open(data_filename, 'r').read()
# 将每个段落的结尾添加为结束文本标记，以便将每个段落作为单独的文档处理
text = "" + text
text = text.replace('\n\n', '\n\n')
# 对处理后的文本进行编码
tokens = encode(text)
tokens_np = np.array(tokens, dtype=np.int32)
# 将前32,768个令牌划分为验证集（约总数据集的10%）
val_tokens_np = tokens_np[:32768]
train_tokens_np = tokens_np[32768:]
# 将训练集和验证集令牌保存到二进制文件
val_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare_val.bin")
train_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare_train.bin")
with open(val_filename, "wb") as f:
f.write(val_tokens_np.tobytes())
with open(train_filename, "wb") as f:
f.write(train_tokens_np.tobytes())
# 打印保存的令牌数量和文件路径
print(f"Saved {len(val_tokens_np)} tokens to {val_filename}")
print(f"Saved {len(train_tokens_np)} tokens to {train_filename}")
解释
这段代码是一个用于将文本数据分为训练集和验证集的Python函数。以下是对该代码的逐行解释：
-
def tokenize():- 定义一个名为tokenize的函数。 -
eot = enc._special_tokens['<|endoftext|>']- 从enc对象（该对象在此代码段中未定义，可能是外部的全局变量或已导入的对象）的特殊标记中获取"end of text"的标记，并将其赋值给eot变量。 -
data_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare.txt")- 使用os.path.join函数将DATA_CACHE_DIR（另一个未在此代码段中定义的变量，可能是一个路径字符串）和文件名"tiny_shakespeare.txt"组合成一个完整的文件路径，并将其赋值给data_filename变量。 -
text = open(data_filename, 'r').read()- 打开data_filename指定的文件，并读取其内容，然后将其赋值给text变量。 -
text = "<|endoftext|>" + text- 在text的开头添加"end of text"标记。 -
text = text.replace('\n\n', '\n\n<|endoftext|>')- 将text中的所有连续两个换行符替换为连续两个换行符后跟一个"end of text"标记。 -
tokens = encode(text)- 调用encode函数（该函数在此代码段中未定义）对text进行编码，并将结果赋值给tokens变量。 -
tokens_np = np.array(tokens, dtype=np.int32)- 使用NumPy库将tokens转换为一个32位整数的NumPy数组，并将其赋值给tokens_np变量。 -
val_tokens_np = tokens_np[:32768]- 从tokens_np数组中获取前32,768个元素作为验证集，并将其赋值给val_tokens_np变量。 -
train_tokens_np = tokens_np[32768:]- 从tokens_np数组中获取从第32,769个元素开始的所有元素作为训练集，并将其赋值给train_tokens_np变量。 -
val_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare_val.bin")- 为验证集创建一个文件名，由DATA_CACHE_DIR和"tiny_shakespeare_val.bin"组合而成，并将其赋值给val_filename变量。 -
train_filename = os.path.join(DATA_CACHE_DIR, "tiny_shakespeare_train.bin")- 为训练集创建一个文件名，由DATA_CACHE_DIR和"tiny_shakespeare_train.bin"组合而成，并将其赋值给train_filename变量。 -
使用
with open(val_filename, "wb") as f:和with open(train_filename, "wb") as f:语句块分别打开验证集和训练集的文件，并将它们的内容以二进制形式写入文件。 -
最后两行是打印语句，分别显示验证集和训练集中保存的令牌数量以及对应的文件路径。
简而言之，这个函数读取一个文本文件，使用特殊的"end of text"标记将对话中的每个人的陈述分隔开，然后对该文本进行编码，并将编码后的令牌分为验证集和训练集，最后将这两个集合分别保存到二进制文件中。
该函数用于对Tiny Shakespeare数据集进行预处理和划分，将数据集中的文本进行编码，并将其划分为训练集和验证集。具体步骤包括：读取Tiny Shakespeare数据集文本，将每個人的陈述作为单独的文档处理，对文本进行编码，将编码后的文本划分为训练集和验证集，并将划分后的数据集保存为二进制文件。最后，打印保存的训练集和验证集的令牌数量和文件路径。
