-
Notifications
You must be signed in to change notification settings - Fork 394
/
Copy pathutils.py
144 lines (126 loc) · 6.96 KB
/
utils.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
# !/usr/bin/env python3
"""
==== No Bugs in code, just some Random Unexpected FEATURES ====
┌─────────────────────────────────────────────────────────────┐
│┌───┬───┬───┬───┬───┬───┬───┬───┬───┬───┬───┬───┬───┬───┬───┐│
││Esc│!1 │@2 │#3 │$4 │%5 │^6 │&7 │*8 │(9 │)0 │_- │+= │|\ │`~ ││
│├───┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴───┤│
││ Tab │ Q │ W │ E │ R │ T │ Y │ U │ I │ O │ P │{[ │}] │ BS ││
│├─────┴┬──┴┬──┴┬──┴┬──┴┬──┴┬──┴┬──┴┬──┴┬──┴┬──┴┬──┴┬──┴─────┤│
││ Ctrl │ A │ S │ D │ F │ G │ H │ J │ K │ L │: ;│" '│ Enter ││
│├──────┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴─┬─┴────┬───┤│
││ Shift │ Z │ X │ C │ V │ B │ N │ M │< ,│> .│? /│Shift │Fn ││
│└─────┬──┴┬──┴──┬┴───┴───┴───┴───┴───┴──┬┴───┴┬──┴┬─────┴───┘│
│ │Fn │ Alt │ Space │ Alt │Win│ HHKB │
│ └───┴─────┴───────────────────────┴─────┴───┘ │
└─────────────────────────────────────────────────────────────┘
工具类。
Author: pankeyu
Date: 2022/10/26
"""
import traceback
import numpy as np
def convert_pointwise_example(examples: dict, tokenizer, max_seq_len: int):
"""
将样本数据转换为模型接收的输入数据。
Args:
examples (dict): 训练数据样本, e.g. -> {
"text": [
'今天天气好吗 今天天气怎样 1',
'今天天气好吗 胡歌结婚了吗 0',
...
]
}
Returns:
dict (str: np.array) -> tokenized_output = {
'input_ids': [[101, 3928, ...], [101, 4395, ...]],
'token_type_ids': [[0, 0, ...], [0, 0, ...]],
'position_ids': [[0, 1, 2, ...], [0, 1, 2, ...]],
'attention_mask': [[1, 1, ...], [1, 1, ...]],
'labels': [1, 0, ...]
}
"""
tokenized_output = {
'input_ids': [],
'token_type_ids': [],
'position_ids': [],
'attention_mask': [],
'labels': []
}
for example in examples['text']:
try:
query, doc, label = example.split('\t')
encoded_inputs = tokenizer(
text=query,
text_pair=doc,
truncation=True,
max_length=max_seq_len,
padding='max_length')
except:
print(f'"{example}" -> {traceback.format_exc()}')
exit()
tokenized_output['input_ids'].append(encoded_inputs["input_ids"])
tokenized_output['token_type_ids'].append(encoded_inputs["token_type_ids"])
tokenized_output['position_ids'].append([i for i in range(len(encoded_inputs["input_ids"]))])
tokenized_output['attention_mask'].append(encoded_inputs["attention_mask"])
tokenized_output['labels'].append(int(label))
for k, v in tokenized_output.items():
tokenized_output[k] = np.array(v)
return tokenized_output
def convert_dssm_example(examples: dict, tokenizer, max_seq_len: int):
"""
将样本数据转换为模型接收的输入数据。
Args:
examples (dict): 训练数据样本, e.g. -> {
"text": [
'今天天气好吗 今天天气怎样 1',
'今天天气好吗 胡歌结婚了吗 0',
...
]
}
Returns:
dict (str: np.array) -> tokenized_output = {
'query_input_ids': [[101, 3928, ...], [101, 4395, ...]],
'query_token_type_ids': [[0, 0, ...], [0, 0, ...]],
'query_attention_mask': [[1, 1, ...], [1, 1, ...]],
'doc_input_ids': [[101, 2648, ...], [101, 3342, ...]],
'doc_token_type_ids': [[0, 0, ...], [0, 0, ...]],
'doc_attention_mask': [[1, 1, ...], [1, 1, ...]],
'labels': [1, 0, ...]
}
"""
tokenized_output = {
'query_input_ids': [],
'query_token_type_ids': [],
'query_attention_mask': [],
'doc_input_ids': [],
'doc_token_type_ids': [],
'doc_attention_mask': [],
'labels': []
}
for example in examples['text']:
try:
query, doc, label = example.split('\t')
query_encoded_inputs = tokenizer(
text=query,
truncation=True,
max_length=max_seq_len,
padding='max_length')
doc_encoded_inputs = tokenizer(
text=doc,
truncation=True,
max_length=max_seq_len,
padding='max_length')
except:
print(f'"{example}" -> {traceback.format_exc()}')
exit()
tokenized_output['query_input_ids'].append(query_encoded_inputs["input_ids"])
tokenized_output['query_token_type_ids'].append(query_encoded_inputs["token_type_ids"])
tokenized_output['query_attention_mask'].append(query_encoded_inputs["attention_mask"])
tokenized_output['doc_input_ids'].append(doc_encoded_inputs["input_ids"])
tokenized_output['doc_token_type_ids'].append(doc_encoded_inputs["token_type_ids"])
tokenized_output['doc_attention_mask'].append(doc_encoded_inputs["attention_mask"])
tokenized_output['labels'].append(int(label))
for k, v in tokenized_output.items():
tokenized_output[k] = np.array(v)
return tokenized_output