tensor2tensor 修改记

• 因为要用自己的翻译数据集合LDC，但是tensor2tensor中只有wmt18 enzh的数据集合处理方法，因此仿照这他写一个自己的。（主要是因为wmt18的数据集太大了有几千万条数据，做个试验得好几天，所以先在一个小的数据集上试验，如果好了再试试大的数据集）。
• 先找到Enzh WMT的problem类，可以看到叫32k的原因是因为词表的大小差不多是32k

@registry.register_problem
class TranslateEnzhWmt32k(translate.TranslateProblem):
  @property
  def approx_vocab_size(self):
    return 2**15  # 32k

• train_dataset差不多是长这样

datasets = train_dataset = _NC_TRAIN_DATASETS = [[
    "http://data.statmt.org/wmt18/translation-task/training-parallel-nc-v13.tgz", [
        "training-parallel-nc-v13/news-commentary-v13.zh-en.en",
        "training-parallel-nc-v13/news-commentary-v13.zh-en.zh"
    ]
]]  # 里面只有一个item

• source_datasets大概长这样

source_datasets = [[item[0], [item[1][0]]] for item in train_dataset]  # dataset name
source_datasets = [[
["http://data.statmt.org/wmt18/translation-task/training-parallel-nc-v13.tgz"]，
["training-parallel-nc-v13/news-commentary-v13.zh-en.en"]
]]

生成source的词典

source_vocab = generator_utils.get_or_generate_vocab(
    data_dir,
    tmp_dir,
    self.source_vocab_name,
    self.approx_vocab_size,
    source_datasets,
    file_byte_budget=1e8,
    max_subtoken_length=self.max_subtoken_length)

• generate_lines_for_vocab
  
• 从vocab_generator里面得到的句子大概是这样的，是经过处理的句子，因此接下来的部分我们没有必要看了，只需要把vocab_generator的部分换成我们自己的数据集即可。
  

总的处理逻辑

• 传入参数中各个字段所表示的含义，这个是要按照他的格式来写的否则就运行不了。
• compile_data的含义就是对.sgm后缀的文件进行处理，然后写到.lang1文件里面，根据我的观察，解析出来的文件和原来的文件news-commentary-v13.zh-en.en是差不多的，只是少了一行。
  
• 返回的是一个字典，有两项，一个是inputs表示源数据，一个是targets是目标数据，在这个函数中只进行了序列化和数字化，没有进行截断和填充
  

总结

• 所以说source[0]中的url的basename的文件如果没有出现在tmp_dir目录里中那么就会下载相应的文件或者压缩包。

training-parallel-nc-v13.tgz

• source[1]中的文件如果没有出现在tmp_dir文件夹中，那么就会解压刚才下载的压缩包，然后从里面读取文件（这里的文件是处理好的news-commentary-v13.zh-en.zh）一行一个数据，用来生成词表。
• 整个generate_encoded_samples返回值是一个生成器，生成器返回的是一个字典，字典有两项，一个是inputs表示源数据，一个是targets是目标数据，这两个都是一个列表。
  
• 因此如果要改传入数据的话
  • 为了能让生成单词表，要修改generate_lines_for_vocab中的url相关代码，因为此时的数据在本地，不用url下载。并且把解压缩相关的代码也注释掉，在tmp_dir目录下创建和for source in sources: source[1]里面命名一样的文件即可，其他部分包括get_or_generate_vocab_inner都不用改，因为他的目的是在data_dir目录下创建一个词表。
    
  • 对于生成训练数据，只需要给text_problems.text2text_tex_iterator中传入source（lang1）和target（lang2）文件名即可，translate.compile_data的目的也是了从.sgm文件中解析文件。

Vocab

• vocab命名和data_filename有关，data_filename在problem基类中的定义是默认是注册名字。因此如果要让vocab适应现在的任务的话，只用注册的时候名字不一样，只用改动函数generate_text_for_vocab即可。