文本数据加载

[源代码]

text_dataset_from_directory 函数

keras.utils.text_dataset_from_directory(
    directory,
    labels="inferred",
    label_mode="int",
    class_names=None,
    batch_size=32,
    max_length=None,
    shuffle=True,
    seed=None,
    validation_split=None,
    subset=None,
    follow_links=False,
    verbose=True,
)

从目录中的文本文件生成一个 tf.data.Dataset。

如果您的目录结构如下所示：

main_directory/
...class_a/
......a_text_1.txt
......a_text_2.txt
...class_b/
......b_text_1.txt
......b_text_2.txt

那么调用 text_dataset_from_directory(main_directory, labels='inferred') 将返回一个 tf.data.Dataset，该数据集会生成来自子目录 class_a 和 class_b 的文本批次，以及标签 0 和 1（0 对应于 class_a，1 对应于 class_b）。

目前仅支持 .txt 文件。

参数

• directory：数据所在的目录。如果 labels 为 "inferred"，则它应该包含子目录，每个子目录包含一个类别的文本文件。否则，将忽略目录结构。
• labels：可以是 "inferred"（从目录结构生成标签），None（无标签），或者一个列表/元组，其中包含与目录中找到的文本文件数量相同的整数标签。标签应根据文本文件路径的字母数字顺序排序（在 Python 中通过 os.walk(directory) 获取）。
• label_mode：描述 labels 编码方式的字符串。选项如下：
  • "int"：表示标签编码为整数（例如，用于 sparse_categorical_crossentropy 损失）。
  • "categorical"：表示标签编码为分类向量（例如，用于 categorical_crossentropy 损失）。
  • "binary"：表示标签（只能有 2 个）编码为值为 0 或 1 的 float32 标量（例如，用于 binary_crossentropy）。
  • None（无标签）。
• class_names：仅当 "labels" 为 "inferred" 时有效。这是类名的显式列表（必须与子目录的名称匹配）。用于控制类的顺序（否则使用字母数字顺序）。
• batch_size：数据的批次大小。如果为 None，则数据将不会被批处理（数据集将生成单个样本）。默认为 32。
• max_length：文本字符串的最大大小。超过此长度的文本将被截断为 max_length。
• shuffle：是否打乱数据。如果设置为 False，则按字母数字顺序排序数据。默认为 True。
• seed：用于打乱和转换的可选随机种子。
• validation_split：0 到 1 之间的可选浮点数，用于保留验证的数据比例。
• subset：要返回的数据子集。可以是 "training"、"validation" 或 "both"。仅在设置了 validation_split 时使用。当 subset="both" 时，实用程序返回两个数据集的元组（分别为训练数据集和验证数据集）。
• follow_links：是否访问符号链接指向的子目录。默认为 False。
• verbose：是否显示有关类和找到的文件数量的信息。默认为 True。

返回值

一个 tf.data.Dataset 对象。

• 如果 label_mode 为 None，它将生成形状为 (batch_size,) 的 string 张量，包含一批文本文件的内容。
• 否则，它将生成一个元组 (texts, labels)，其中 texts 的形状为 (batch_size,)，而 labels 遵循下面描述的格式。

标签格式规则

• 如果 label_mode 为 int，则标签为形状为 (batch_size,) 的 int32 张量。
• 如果 label_mode 为 binary，则标签为形状为 (batch_size, 1) 的包含 1 和 0 的 float32 张量。
• 如果 label_mode 为 categorical，则标签为形状为 (batch_size, num_classes) 的 float32 张量，表示类索引的独热编码。