python - Torchtext TabularDataset() 读取数据字段不正确

问题描述

目标：我想根据我的自定义数据集创建一个文本分类器，类似（和以下）这个（现已删除）来自 mlexplained 的教程。

发生了什么 我成功地格式化了我的数据，创建了一个训练、验证和测试数据集，并对其进行了格式化，使其等于他们正在使用的“有毒推文”数据集（每个标签都有一个列，1/0 表示真/假）。大多数其他部分也按预期工作，但是在迭代时出现错误。

The `device` argument should be set by using `torch.device` or passing a string as an argument. 

This behavior will be deprecated soon and currently defaults to cpu.
The `device` argument should be set by using `torch.device` or passing a string as an argument. This behavior will be deprecated soon and currently defaults to cpu.
The `device` argument should be set by using `torch.device` or passing a string as an argument. This behavior will be deprecated soon and currently defaults to cpu.
The `device` argument should be set by using `torch.device` or passing a string as an argument. This behavior will be deprecated soon and currently defaults to cpu.
  0%|          | 0/25517 [00:01<?, ?it/s]
Traceback (most recent call last):
... (trace back messages)
AttributeError: 'Example' object has no attribute 'text'

Traceback 指示的行：

opt = optim.Adam(model.parameters(), lr=1e-2)
loss_func = nn.BCEWithLogitsLoss()

epochs = 2

for epoch in range(1, epochs + 1):
    running_loss = 0.0
    running_corrects = 0
    model.train() # turn on training mode
    for x, y in tqdm.tqdm(train_dl): # **THIS LINE CONTAINS THE ERROR**
        opt.zero_grad()

        preds = model(x)
        loss = loss_func(y, preds)
        loss.backward()
        opt.step()

        running_loss += loss.data[0] * x.size(0)

    epoch_loss = running_loss / len(trn)

    # calculate the validation loss for this epoch
    val_loss = 0.0
    model.eval() # turn on evaluation mode
    for x, y in valid_dl:
        preds = model(x)
        loss = loss_func(y, preds)
        val_loss += loss.data[0] * x.size(0)

    val_loss /= len(vld)
    print('Epoch: {}, Training Loss: {:.4f}, Validation Loss: {:.4f}'.format(epoch, epoch_loss, val_loss))

尝试解决已经提出的问题，我认为是 Reson：

我知道这个问题发生在其他人身上，这里甚至有 2 个问题，机器人都有跳过数据集中的列或行的问题（我检查了空行/Cokumns，但没有发现）。另一个解决方案是给定模型的参数必须与 .csv 文件中的参数具有相同的顺序（没有缺失）。

但是，相关代码（tst、trn 和 vld 集的加载和创建）def createTestTrain()：

    # Create a Tokenizer
    tokenize = lambda x: x.split()
    
    # Defining Tag and Text
    TEXT = Field(sequential=True, tokenize=tokenize, lower=True)
    LABEL = Field(sequential=False, use_vocab=False)
    
    # Our Datafield
    tv_datafields = [("ID", None),
                     ("text", TEXT)]
    
    # Loading our Additional columns we added earlier
    with open(PATH + 'columnList.pickle', 'rb') as handle:
        addColumns = pickle.load(handle)
    
        
    # Adding the extra columns, no way we are defining 1000 tags by hand            
    for column in addColumns:
        tv_datafields.append((column, LABEL))
        
    #tv_datafields.append(("split", None))
    # Loading Train/Test Split we created
    trn = TabularDataset(
                   path=PATH+'train.csv', 
                   format='csv',
                   skip_header=True, 
                   fields=tv_datafields)
    
    vld = TabularDataset(
            path=PATH+'train.csv',
            format='csv',
            skip_header=True, 
            fields=tv_datafields)
    
    # Creating Test Datafield
    tst_datafields = [("id", None), 
              ("text", TEXT)]
    # Using TabularDataset, as we want to Analyse Text on it
    tst = TabularDataset(
               path=PATH+"test.csv", # the file path
               format='csv',
               skip_header=True, 
               fields=tst_datafields)
    
    return(trn, vld, tst)

Has 使用相同的列表和顺序，就像我的 csv 一样。tv_datafields 的结构与文件完全相同。此外，由于 Datafield 对象只是带有数据点的字典，因此我读出了字典的键，就像本教程一样，通过：

trn[0].dict_keys()

应该发生的事情： 示例的行为是这样的

trn[0]
torchtext.data.example.Example at 0x10d3ed3c8
trn[0].__dict__.keys()
dict_keys(['comment_text', 'toxic', 'severe_toxic', 'threat', 'obscene', 'insult', 'identity_hate'])

我的结果：

trn[0].__dict__.keys()
Out[19]: dict_keys([])

trn[1].__dict__.keys()
Out[20]: dict_keys([])

trn[2].__dict__.keys()
Out[21]: dict_keys([])

trn[3].__dict__.keys()
Out[22]: dict_keys(['text'])

虽然 trn[0] 不包含任何内容，但它从 3 到 15 分布，通常应该存在的列数应该比这更多。

现在我很茫然，至于我哪里出错了。数据适合，该函数显然有效，但 TabularDataset() 似乎在我的列中以错误的方式读取（如果有的话）。我分类了吗

# Defining Tag and Text
TEXT = Field(sequential=True, tokenize=tokenize, lower=True)
LABEL = Field(sequential=False, use_vocab=False)

错误的方法？至少我的 Debuggin 似乎表明了这一点。

由于 Torchtext 上的文档很少，我很难找到它，但是当我查看数据或字段的定义时，我看不出它有什么问题。

谢谢您的帮助。

标签： pythonpytorchtorchtext

python - Torchtext TabularDataset() 读取数据字段不正确

问题描述

解决方案

推荐阅读