如何保存torchtext数据集？

Question

我正在处理文本并使用torchtext.data.Dataset. 创建数据集需要相当长的时间。对于只是运行程序，这仍然是可以接受的。但我想调试神经网络的火炬代码。如果 Python 在调试模式下启动，数据集创建大约需要 20 分钟 (!!)。这只是为了获得一个工作环境，我可以在其中调试神经网络代码。我想保存数据集，例如使用泡菜。此示例代码取自此处，但我删除了此示例不需要的所有内容：from torchtext import datafrom fastai.nlp import *PATH = 'data/aclImdb/'TRN_PATH = 'train/all/'VAL_PATH = 'test/all/'TRN = f'{PATH}{TRN_PATH}'VAL = f'{PATH}{VAL_PATH}'TEXT = data.Field(lower=True, tokenize="spacy")bs = 64;bptt = 70FILES = dict(train=TRN_PATH, validation=VAL_PATH, test=VAL_PATH)md = LanguageModelData.from_text_files(PATH, TEXT, **FILES, bs=bs, bptt=bptt, min_freq=10)with open("md.pkl", "wb") as file:    pickle.dump(md, file)要运行代码，您需要 aclImdb 数据集，可以从这里下载。将其解压缩data/到此代码片段旁边的文件夹中。代码在最后一行产生错误，其中使用了pickle：Traceback (most recent call last):  File "/home/lhk/programming/fastai_sandbox/lesson4-imdb2.py", line 27, in <module>    pickle.dump(md, file)TypeError: 'generator' object is not callablefastai 的样品经常使用莳萝代替泡菜。但这对我也不起作用。

Answer 1

我为自己想出了以下功能：

import dill

from pathlib import Path

import torch

from torchtext.data import Dataset

def save_dataset(dataset, path):

    if not isinstance(path, Path):

        path = Path(path)

    path.mkdir(parents=True, exist_ok=True)

    torch.save(dataset.examples, path/"examples.pkl", pickle_module=dill)

    torch.save(dataset.fields, path/"fields.pkl", pickle_module=dill)

def load_dataset(path):

    if not isinstance(path, Path):

        path = Path(path)

    examples = torch.load(path/"examples.pkl", pickle_module=dill)

    fields = torch.load(path/"fields.pkl", pickle_module=dill)

    return Dataset(examples, fields)

并不是说实际对象可能会有所不同，例如，如果保存TabularDataset，则load_dataset返回 class 的实例Dataset。这不太可能影响数据管道，但可能需要额外努力进行测试。在自定义标记器的情况下，它也应该是可序列化的（例如，没有 lambda 函数等）。

Answer 2

您始终可以使用 pickle 转储对象，但请记住，模块不会处理转储字典或字段对象列表，因此最好先尝试分解列表

将 DataSet 对象存储到 pickle 文件以便以后轻松加载

def save_to_pickle(dataSetObject,PATH):

    with open(PATH,'wb') as output:

        for i in dataSetObject:

            pickle.dump(vars(i), output, pickle.HIGHEST_PROTOCOL)

最艰难的事情还没有到来，是的，加载泡菜文件....;)

首先，尝试查找所有字段名称和字段属性，然后进行kill

将 pickle 文件加载到 DataSetObject 中

def load_pickle(PATH, FIELDNAMES, FIELD):

    dataList = []

    with open(PATH, "rb") as input_file:

        while True:

            try:

                # Taking the dictionary instance as the input Instance

                inputInstance = pickle.load(input_file)

                # plugging it into the list

                dataInstance =  [inputInstance[FIELDNAMES[0]],inputInstance[FIELDNAMES[1]]]

                # Finally creating an example objects list

                dataList.append(Example().fromlist(dataInstance,fields=FIELD))

            except EOFError:

                break

    # At last creating a data Set Object

    exampleListObject = Dataset(dataList, fields=data_fields)

    return exampleListObject 

这个 hackish 解决方案在我的情况下有效，希望你会发现它对你的情况也有用。

顺便说一句，欢迎任何建议:)。