Tokenizer在torchtext中无法正常工作

Question

我在torchtext中遇到了一个问题，并为此苦苦挣扎了很长一段时间。我试图使用torchtext和spacy对文本进行标记化和数值化。我将我的记号赋予器定义为：

def Sp_Tokenizer(text): 
    return [tok.text for tok in spacy_en.tokenizer(text)]

它工作得很好：

Sp_Tokenizer('How are you today')

['How', 'are', 'you', 'today']

然后我将这个记号赋予器传递给torchtext：

TEXT = data.Field(sequential=True, tokenize=Sp_Tokenizer, lower=False)

并建立了词汇表：

corps = ['How are you', 'I am good today', 'He is not well']
TEXT.build_vocab(corps, vectors="glove.6B.100d")

然后我试着

TEXT.numericalize('How are you today')

我假设我应该得到一个有4个数字的张量(单词级别)，然而，我得到的是字符级别：

tensor([[ 6,  3, 10,  2,  4, 17,  5,  2, 11,  3, 19,  2,  9,  3,  7,  4, 11]])

这有什么问题吗？我能做些什么来修复它吗？谢谢!

Answer 1

根据文档，here numericalize接受预先标记化的输入，所以您不能只传递一个字符串。您希望在单个示例中使用以下两种方法之一：

TEXT.preprocess("Hello, how are you today?")

或者在批处理中这样：

TEXT.process(["Hello, how are you today?"])