文本数据加载

[source]

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。

如果您的目录结构是

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

那么调用 text_dataset_from_directory(main_directory, labels='inferred') 将返回一个 tf.data.Dataset，它会生成来自子目录 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"，则应包含子目录，每个子目录包含一个类别的文本文件。否则，目录结构将被忽略。
• labels: 可以是 "inferred" (标签从目录结构推断得出), None (无标签), 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排序 (通过 Python 中的 os.walk(directory) 获得)。
• label_mode: 描述 labels 编码方式的字符串。选项包括
  • "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（只能有两个）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。这是类名称的显式列表（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: 数据批次的大小。如果为 None，则数据不会被批处理（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，表示为验证保留的数据比例。
• subset: 要返回的数据子集。可以是 "training", "validation" 或 "both" 之一。仅当设置了 validation_split 时使用。当 subset="both" 时，该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: 是否显示关于类和找到的文件数量的信息。默认为 True。

返回

一个 tf.data.Dataset 对象。

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

关于标签格式的规则

• 如果 label_mode 为 int，则标签是形状为 (batch_size,) 的 int32 张量。
• 如果 label_mode 为 binary，则标签是形状为 (batch_size, 1) 的 1 和 0 的 float32 张量。
• 如果 label_mode 为 categorical，则标签是形状为 (batch_size, num_classes) 的 float32 张量，表示类索引的 one-hot 编码。