Tensorflow - TextSum模型:如何创建自己的训练数据

Question

我正在尝试为TextSum模型创建自己的训练数据。据我所知，我需要将我的文章和摘要放到一个二进制文件中(在TFRecords中)。但是，我不能从原始文本文件创建我自己的训练数据。我对格式的理解不是很清楚，所以我尝试使用以下代码创建一个非常简单的二进制文件：

files = os.listdir(path)
writer = tf.python_io.TFRecordWriter("test_data")
for i, file in enumerate(files):
    content = open(os.path.join(path, file), "r").read()
    example = tf.train.Example(
        features = tf.train.Features(
            feature = {
                'content': tf.train.Feature(bytes_list=tf.train.BytesList(value=[content]))
            }
        )
    )

    serialized = example.SerializeToString()
    writer.write(serialized)

我尝试使用以下代码来读出这个test_data文件的值

reader = open("test_data", 'rb')
len_bytes = reader.read(8)
str_len = struct.unpack('q', len_bytes)[0]
example_str = struct.unpack('%ds' % str_len, reader.read(str_len))[0]
example_pb2.Example.FromString(example_str)

但我总是得到以下错误：

  File "dailymail_corpus_to_tfrecords.py", line 34, in check_file
    example_pb2.Example.FromString(example_str)
  File "/home/s1510032/anaconda2/lib/python2.7/site-packages/google/protobuf/internal/python_message.py", line 770, in FromString
    message.MergeFromString(s)
  File "/home/s1510032/anaconda2/lib/python2.7/site-packages/google/protobuf/internal/python_message.py", line 1091, in MergeFromString
    if self._InternalParse(serialized, 0, length) != length:
  File "/home/s1510032/anaconda2/lib/python2.7/site-packages/google/protobuf/internal/python_message.py", line 1117, in InternalParse
    new_pos = local_SkipField(buffer, new_pos, end, tag_bytes)
  File "/home/s1510032/anaconda2/lib/python2.7/site-packages/google/protobuf/internal/decoder.py", line 850, in SkipField
    return WIRETYPE_TO_SKIPPER[wire_type](buffer, pos, end)
  File "/home/s1510032/anaconda2/lib/python2.7/site-packages/google/protobuf/internal/decoder.py", line 791, in _SkipLengthDelimited
    raise _DecodeError('Truncated message.')
google.protobuf.message.DecodeError: Truncated message.

我不知道哪里出了问题。如果你有任何解决这个问题的建议，请告诉我。

Answer 1

对于那些有同样问题的人。我不得不看一下TensorFlow的源代码，看看他们是如何用TFRecordWriter写出数据的。我意识到他们实际上写了8个字节用于长度，4个字节用于CRC校验，这意味着前12个字节用于报头。因为在TextSum代码中，示例二进制文件似乎只有8字节头，这就是为什么他们使用reader.read(8)来获取数据的长度，并将其余的读取为特征。

我的工作解决方案是：

reader = open("test_data", 'rb')
len_bytes = reader.read(8)
reader.read(4) #ignore next 4 bytes
str_len = struct.unpack('q', len_bytes)[0]
example_str = struct.unpack('%ds' % str_len, reader.read(str_len))[0]
example_pb2.Example.FromString(example_str)

Answer 2

我希望你的textsum目录中有data_convert_example.py。如果没有，你可以在这篇文章中找到：https://github.com/tensorflow/models/pull/379/files

使用python文件将给定的二进制玩具数据(文件名: data目录中的数据)转换为文本格式。python data_convert_example.py --command binary_to_text --in_file ../data/data --out_file ../data/result_text

您可以看到在result_text格式中应该给出的实际文本格式。

以这种格式准备数据，并使用相同的python脚本从text_to_binary进行转换，并将结果用于训练/测试/评估。