（一）论分词与编码

英文分词

“Don’t you love 🤗 Transformers? We sure do.”

1. 通过空格分割：

   ["Don't", "you", "love", "🤗", "Transformers?", "We", "sure", "do."]

2. 把标点符号单算：

   ["Don", "'", "t", "you", "love", "🤗", "Transformers", "?", "We", "sure", "do", "."]

3. 基于规则特殊处理：

   如"Don't" stands for "do not"

   ["Do", "n't", "you", "love", "🤗", "Transformers", "?", "We", "sure", "do", "."]

如果不基于规则特殊处理，只用空格和标点分割，会导致词表特别大，占用大量的内存和时间复杂度，比如 Transformer XL 词表高达 267735 个。如此巨大的词表，模型的嵌入矩阵（embedding matrix）也很大。

一种更节省内存和时间的方式是基于字级别的分词，英语中的字母和常用符号，不足数千，但是基于字母的方法会让模型损失性能。

所以可以将字符级别和单词级别的分词混合使用。

4. 字词混合：

   "I have a new GPU!"

   ["i", "have", "a", "new", "gp", "#u", "!"]

有很多不常见的词，比如 annoyingly，而 "annoying" 和 "ly" 单独出现时更加常见，将它分开，好处是 annoyingly 的意义会被保留而且被两个更加常见的词汇替代，效果也会更好。井号代表解码时它和前面的一个字符组合在一起，构成一个新的单词

中文分词

阿迪羽绒服洗涤建议：

放3个网球里翻外翻转烘干若需要可重复翻转

古人云“句读之不知惑之不解”，这段话的真正意思是放三个网球，里翻外，翻转烘干，若需要，可重复翻转。

武汉市长江大桥

一人做事一人当，小叮当做事小叮当

中文本就有歧义，人在阅读一段文字的时候，就是通过上下文去理解、分词的过程。标点符号的出现本身就意味着中文已经到了需要分割的时候了。

中文在古代，基本上是严格的一字一意，要表达新的含义就要造新的字出来，这种表意方法在古代语义系统较为简单固定，变化不大，并且抽象程度不高的环境下是可行的，因为新字及其各组成部分基本是象形的，可以观其形而知意，并且总字数不算太多，记忆负担不大。

然而到了后来，新概念越来越多，语言变化越来越快，这种靠造新字扩展语言含义的办法就行不通了，中文逐渐发展成单字和多字词混合表意的系统特别是近现代，已经发展成以双字词为主要语义单元的系统。所以中文的分词闲的困难重重，往往分词的效果直接影响后续的任务效果。

深度学习（attention）直接把短程特征和长程特征一并处理了，并不需要再在中间划一条界线，算力也已经充足到不用刻意节约的程度。

在 WordVector 词向量相关的任务中，一般是以分词为第一步，而使用 bert 的话，更多的是以字为单位进行 tokenize，因为 bert 预训练时的语料是庞大的，可以让庞大的神经网络有充足的数据来学习每一个字之间的关系，而且是自动有监督的；WordVector 任务使用的领域内语料往往是有限的，而且是无监督的。

编码

f = open("...")
text = f.read()
vocab = sorted(set(text))

vocab:

['\n',' ',"'",',','.','/','A','B', ..., '丐','丑','专','且','世','丘','丙']

# 创建从非重复字符到索引的映射
char2idx = {u:i for i, u in enumerate(vocab)}
idx2char = np.array(vocab)
text_as_int = np.array([char2idx[c] for c in text])

char2idx:

{'\n': 0,
 ' ': 1,
 "'": 2,
 ',': 3,
 ...
  '尊': 994,
 '小': 995,
 '少': 996,
 '尔': 997,
 '尖': 998,
 '尘': 999,
 ...}

idx2char:

array(['\n', ' ', "'", ..., '：', '；', '？'], dtype='<U1')

text_as_int:

array([  43,  293, 1702, ..., 1935,   40,    0])

将每个字用 One-Hot Encoding 来代表

Word	Index	One-hot encoding
“movie”	1	e1 = [1, 0, 0, 0, 0, ⋯ , 0]
“good”	2	e2 = [0, 1, 0, 0, 0, ⋯ , 0]
“fun”	3	e3 = [0, 0, 1, 0, 0, ⋯ , 0]
“boring”	4	e4 = [0, 0, 0, 1, 0, ⋯ , 0]
⋯	⋯	⋯

将 One-Hot Encoding 映射到低维度向量 Word Embedding

• $\bold P$ 是可从训练数据中学习的参数矩阵
• $\bold e _ i$ 是字典里第 $i$ 个字的 one-hot 向量
• $d$ 是目标维度，$v$ 是字典大小

tf.keras.layers.Embedding(vocab_size, embedding_dim,
                          input_length=seq_length,
                          batch_input_shape=[batch_size, None])

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
embedding (Embedding)        (64, None, 512)           1929216   
_________________________________________________________________

构建 Logistic Regression

model = tf.keras.Sequential([
  tf.keras.layers.Embedding(vocab_size, embedding_dim, input_length=seq_length),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(1, activation="sigmoid")
], name="Logistic Regression")
model.summary()

Model: "Logistic Regression"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
embedding (Embedding)        (None, 25, 512)           1929216   
_________________________________________________________________
flatten (Flatten)            (None, 12800)             0         
_________________________________________________________________
dense (Dense)                (None, 1)                 12801     
=================================================================
Total params: 1,942,017
Trainable params: 1,942,017
Non-trainable params: 0
_________________________________________________________________