自然语言处理NLP星空智能对话机器人系列：深入理解Transformer自然语言处理 位置编码（positional |
您所在的位置：网站首页 › 星空ai框架 › 自然语言处理NLP星空智能对话机器人系列：深入理解Transformer自然语言处理 位置编码（positional |
自然语言处理NLP星空智能对话机器人系列：深入理解Transformer自然语言处理 位置编码（positional
|
自然语言处理NLP星空智能对话机器人系列：深入理解Transformer自然语言处理 位置编码（positional_encoding） 目录 NLTK自然语言工具包NLTK数据集位置编码（Positional encoding）Adding positional encoding to the embedding vector星空智能对话机器人系列博客NLTK自然语言工具包NLTK是构建Python程序以处理人类语言数据的领先平台。它为50多个语料库和词汇资源（如WordNet）提供了易于使用的界面，以及一套用于分类、标记、词干、标记、解析和语义推理的文本处理库、工业级NLP库包装器和一个活跃的讨论论坛。NLTK适合语言学家、工程师、学生、教育工作者、研究人员和行业用户。NLTK可用于Windows、Mac OS X和Linux。最重要的是，NLTK是一个免费、开源、社区驱动的项目。NLTK被称为“使用Python进行计算语言学教学和工作的最佳工具”，以及“使用自然语言的最佳库” Python的自然语言处理提供了语言处理编程的实用介绍。由NLTK的创作者编写，它指导读者完成编写Python程序、使用语料库、对文本进行分类、分析语言结构等基础知识。该书的在线版本已经针对Python 3和NLTK 3进行了更新。（Python2的原始版本在http://nltk.org/book_1ed.)
Natural Language Processing with Python — Analyzing Text with the Natural Language Toolkit Steven Bird, Ewan Klein, and Edward Loper NLTK数据集本文案例需使用nltk_data数据集，nltk_data数据集可以通过以下几种方式下载： 从nltk官网直接下载通过nltk下载工具进行下载从网盘下载nltk数据集方法一：从nltk官网直接下载：登录nltk官网，单击到数据下载链接 http://www.nltk.org/data.html
登录到nltk数据下载链接，单击download链接下载数据 。 http://www.nltk.org/nltk_data/
方法二：通过nltk下载工具进行下载 在python的交互提示符中输入命令import nltk 及 nltk.download()，在windows系统中会弹出 NLTK Downloader工具，设置Server Index的链接地址http://www.nltk.org/nltk_data/，选择数据集进行下载。 (base) C:\Users\admin>pythonPython 3.8.8 (default, Apr 13 2021, 15:08:03) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32Type "help", "copyright", "credits" or "license" for more information.>>> import nltk>>> nltk.download()
在jupyter notebook中下载nltk数据集 。 !pip install gensim==3.8.3import torchimport nltknltk.download('punkt')Requirement already satisfied: gensim==3.8.3 in e:\anaconda3\envs\my_star_space\lib\site-packages (3.8.3)Requirement already satisfied: six>=1.5.0 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (1.15.0)Requirement already satisfied: smart-open>=1.8.1 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (5.2.1)Requirement already satisfied: scipy>=0.18.1 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (1.5.2)Requirement already satisfied: Cython==0.29.14 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (0.29.14)Requirement already satisfied: numpy>=1.11.3 in e:\anaconda3\envs\my_star_space\lib\site-packages (from gensim==3.8.3) (1.19.5)[nltk_data] Error loading punkt:方法三：已从网上收集nltk_data.zip及sentiwordnet.zip，放到网盘里面，读者可以从网盘下载nltk数据集。 从AI studio环境收集nltk的sentiwordnet数据集 aistudio@jupyter-112853-2339160:~$ aistudio@jupyter-112853-2339160:~$ pythonPython 3.7.4 (default, Aug 13 2019, 20:35:49) [GCC 7.3.0] :: Anaconda, Inc. on linuxType "help", "copyright", "credits" or "license" for more information.>>> import nltk >>> nltk.download('sentiwordnet')[nltk_data] Downloading package sentiwordnet to[nltk_data] /home/aistudio/nltk_data...[nltk_data] Unzipping corpora/sentiwordnet.zip.True nltk_data 网盘数据集 下载 链接：https://pan.baidu.com/s/1t1mhl7Vob4Tmx49fzugDbQ 提取码：nfls 将nltk_data数据集下载到本地电脑，需确定数据集存放的文件目录，可以通过以下代码，从报错提示中查询python加载数据的目录信息，将下载的nltk数据集放到相应的目录就可以。 import nltknltk.word_tokenize("A pivot is the pin or the central point on which something balances or turns")提示如下： ---------------------------------------------------------------------------LookupError Traceback (most recent call last) in 1 import nltk----> 2 nltk.word_tokenize("A pivot is the pin or the central point on which something balances or turns")e:\anaconda3\envs\my_star_space\lib\site-packages\nltk\tokenize\__init__.py in word_tokenize(text, language, preserve_line) 128 :type preserve_line: bool 129 """....... e:\anaconda3\envs\my_star_space\lib\site-packages\nltk\data.py in _open(resource_url) 873 874 if protocol is None or protocol.lower() == "nltk":--> 875 return find(path_, path + [""]).open() 876 elif protocol.lower() == "file": 877 # urllib might not use mode='rb', so handle this one ourselves: e:\anaconda3\envs\my_star_space\lib\site-packages\nltk\data.py in find(resource_name, paths) 581 sep = "*" * 70 582 resource_not_found = "\n%s\n%s\n%s\n" % (sep, msg, sep)--> 583 raise LookupError(resource_not_found) 584 585 LookupError: ********************************************************************** Resource punkt not found. Please use the NLTK Downloader to obtain the resource: >>> import nltk >>> nltk.download('punkt') For more information see: https://www.nltk.org/data.html Attempted to load tokenizers/punkt/english.pickle Searched in: - 'C:\\Users\\admin/nltk_data' - 'e:\\anaconda3\\envs\\my_star_space\\nltk_data' - 'e:\\anaconda3\\envs\\my_star_space\\share\\nltk_data' - 'e:\\anaconda3\\envs\\my_star_space\\lib\\nltk_data' - 'C:\\Users\\admin\\AppData\\Roaming\\nltk_data' - 'C:\\nltk_data' - 'D:\\nltk_data' - 'E:\\nltk_data' - ''********************************************************************** 将nltk_data解压文件放到相应的目录E:\anaconda3\envs\my_star_space\nltk_data
我们输入Transformer的位置编码函数时不知道单词在序列中的位置：
在python中使用正弦函数，测试一下官网的实例 import matht=[]m=[]for x in range(-100, 100,1): #print(x) t.append(x) y=math.sin(2/10000**(2*x/512)) m.append(y) plt.plot(t,m,'-r')plt.show()pos=2运行结果如下：
pos=10的运行结果 import matht=[]m=[]for x in range(-100, 100,1): #print(x) t.append(x) y=math.sin(10/10000**(2*x/512)) m.append(y) plt.plot(t,m,'-r')plt.show()
自己测试一下各种组合方法，按奇数 偶数 分别使用正弦、余弦计算 import matht=[]m=[]for x in range(0, 100,2): #print(x) t.append(x) t.append(x+1) y= math.sin(2 / (10000 ** ((2 * x)/512))) y_1 = math.cos(2 / (10000 ** ((2 * x)/512))) m.append(y) m.append(y_1)plt.plot(t,m,'-r')plt.show()打印结果如下：
测试一下只使用正弦函数的情况 import matht=[]m=[]for x in range(0, 100,2): #print(x) t.append(x) t.append(x+1) y= math.sin(2 / (10000 ** ((2 * x)/512))) #y_1 = math.cos(2 / (10000 ** ((2 * a/512))) m.append(y) m.append(y_1)plt.plot(t,m,'-r')plt.show()运行结果如下
回到本文中分析的句子，我们可以看到黑色（black）是在位置2处，棕色（brown）在位置10处： The black cat sat on the couch and the brown dog slept on the rug.如果我们将正弦和余弦函数应用于pos=2，则得到的大小为512位置编码向量： PE(2)=[[ 9.09297407e-01 -4.16146845e-01 9.58144367e-01 -2.86285430e-019.87046242e-01 -1.60435960e-01 9.99164224e-01 -4.08766568e-029.97479975e-01 7.09482506e-02 9.84703004e-01 1.74241230e-019.63226616e-01 2.68690288e-01 9.35118318e-01 3.54335666e-019.02130723e-01 4.31462824e-01 8.65725577e-01 5.00518918e-018.27103794e-01 5.62049210e-01 7.87237823e-01 6.16649508e-017.46903539e-01 6.64932430e-01 7.06710517e-01 7.07502782e-01…5.47683925e-08 1.00000000e+00 5.09659337e-08 1.00000000e+004.74274735e-08 1.00000000e+00 4.41346799e-08 1.00000000e+004.10704999e-08 1.00000000e+00 3.82190599e-08 1.00000000e+003.55655878e-08 1.00000000e+00 3.30963417e-08 1.00000000e+003.07985317e-08 1.00000000e+00 2.86602511e-08 1.00000000e+002.66704294e-08 1.00000000e+00 2.48187551e-08 1.00000000e+002.30956392e-08 1.00000000e+00 2.14921574e-08 1.00000000e+00]]也可获得位置10的位置编码向量 size=512， 位置=10： PE(10)=[[-5.44021130e-01 -8.39071512e-01 1.18776485e-01 -9.92920995e-016.92634165e-01 -7.21289039e-01 9.79174793e-01 -2.03019097e-019.37632740e-01 3.47627431e-01 6.40478015e-01 7.67976522e-012.09077001e-01 9.77899194e-01 -2.37917677e-01 9.71285343e-01-6.12936735e-01 7.90131986e-01 -8.67519796e-01 4.97402608e-01-9.87655997e-01 1.56638563e-01 -9.83699203e-01 -1.79821849e-01…2.73841977e-07 1.00000000e+00 2.54829672e-07 1.00000000e+002.37137371e-07 1.00000000e+00 2.20673414e-07 1.00000000e+002.05352507e-07 1.00000000e+00 1.91095296e-07 1.00000000e+001.77827943e-07 1.00000000e+00 1.65481708e-07 1.00000000e+001.53992659e-07 1.00000000e+00 1.43301250e-07 1.00000000e+001.33352145e-07 1.00000000e+00 1.24093773e-07 1.00000000e+001.15478201e-07 1.00000000e+00 1.07460785e-07 1.00000000e+00]]用于单词嵌入的余弦相似函数非常方便，更好地显示位置的接近程度 cosine_similarity(pos(2), pos(10)= [[0.8600013]]black和brown两个词的位置相似性与词汇的相似性（组合在一起的词组） 不同： cosine_similarity(black, brown)= [[0.9998901]]位置的编码显示出比单词更低的相似度值，位置编码将这些单词分开，单词嵌入的词向量会因用于训练它们的语料库而不同。现在的问题是如何将位置编码添加到单词嵌入向量中。 Adding positional encoding to the embedding vectorTransformer的作者找到了一种简单的方法，只需添加位置编码向量到单词嵌入向量：
|
【本文地址】
今日新闻 |
推荐新闻 |