使用 tf.data 时如何对数据进行自定义预处理？

Posted 2023-02-16

【中文标题】使用 tf.data 时如何对数据进行自定义预处理？

【英文标题】：how to do custom pre-processing on data when using tf.data?

【发布时间】：2021-01-01 21:12:03

【问题描述】：

我需要一些关于 tf.data 的帮助。

我正在对 SQUAD 数据集进行一些实验。给出的数据集结构如下：

row-1]   conext: "some big string", question:"q string", "answer": "some ans" 

我想利用 tf.data 进行加载和预处理。加载后，它被加载。格式：

  context: Tensor("some big string"), 
  question:Tensor(q string),
  answer": Tensor(some ans) 

现在我们要对数据进行预处理。现在这里的预处理并不简单，因为值是张量对象。

Tensorflow 为此类预处理提供了一些 api，但是 如果我想进行自定义预处理，或者我想使用 spacy，它只对字符串等原始数据类型而不是张量进行操作。强>

基本上我需要关于这个 sn-p 的帮助：

def format_data(row):
  # Now I can access individual data row here. But value of row is in Tensor form.

  # Hence I can't use my custom function. How to use custom function or spacy function which operates on string and not on tensor?

  # I can use only below tf functions
  return tf.strings.regex_replace(row['context'],'some-regex',' ',True)


train = dataset.map(format_data).batch(2)
ist(train.take(1))

【问题讨论】：

#我也试过用tf.py_function，不行。

【参考方案1】：

以下代码有效：

def parse_str(str_tensor):
    raw_string = str_tensor.numpy().decode("utf-8") 

    # play with raw string
    raw_string = 'AAA'+raw_string     
    return raw_string

调用解析函数：

def tf_pre_processing(row):
  return tf.py_function(parse_str, [row['context']], [tf.string])


train = t.map(tf_pre_processing).batch(1).take(1)

list(train)