Keras 3 API 文档 / 数据加载 / 文本数据加载

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 tf.data.Dataset

如果你的目录结构是

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

然后调用 text_dataset_from_directory(main_directory, labels='inferred') 将返回一个 tf.data.Dataset,它将从子目录 class_aclass_b 中生成批量的文本,以及标签 0 和 1(0 对应 class_a,1 对应 class_b)。

目前只支持 .txt 文件。

参数

  • directory:数据所在的目录。如果 labels"inferred",它应该包含子目录,每个子目录包含一个类的文本文件。否则,目录结构将被忽略。
  • labels:可以是 "inferred"(标签从目录结构中推断),None(没有标签),或与目录中找到的文本文件数量相同大小的整数标签列表/元组。标签应根据文本文件路径的字母数字顺序(通过 Python 中的 os.walk(directory) 获取)进行排序。
  • label_mode:描述 labels 编码的字符串。选项有:
    • "int":表示标签编码为整数(例如,用于 sparse_categorical_crossentropy 损失)。
    • "categorical" 表示标签被编码为分类向量(例如,用于 categorical_crossentropy 损失)。
    • "binary":表示标签(只能有两个)编码为 float32 标量,值为 0 或 1(例如,用于 binary_crossentropy)。
    • None(无标签)。
  • class_names:仅当 "labels""inferred" 时有效。这是明确的类名列表(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:数据批次的大小。如果为 None,数据将不分批(数据集将生成单个样本)。默认为 32
  • max_length:文本字符串的最大长度。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,则按字母数字顺序对数据进行排序。默认为 True
  • seed:用于打乱和转换的可选随机种子。
  • validation_split:可选的 0 到 1 之间的浮点数,用于验证的数据比例。
  • subset:要返回的数据子集。可选值包括 "training""validation""both"。仅当设置了 validation_split 时使用。当 subset="both" 时,该工具返回一个包含两个数据集的元组(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:是否显示关于找到的类和文件数量的信息。默认为 True

返回

一个 tf.data.Dataset 对象。

  • 如果 label_modeNone,它将生成形状为 (batch_size,)string 张量,其中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,)labels 遵循以下描述的格式。

标签格式规则

  • 如果 label_modeint,则标签是形状为 (batch_size,)int32 张量。
  • 如果 label_modebinary,则标签是形状为 (batch_size, 1)float32 张量,包含 1 和 0。
  • 如果 label_modecategorical,则标签是形状为 (batch_size, num_classes)float32 张量,表示类索引的独热编码。