forked from noobiegz/cw2vec
-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathdata.py
503 lines (419 loc) · 14.3 KB
/
data.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
import numpy as np
import collections
import random
import itertools
from tqdm import tqdm
import os
import multiprocessing as mp
import threading
from typing import Dict, List
import logging
logger = logging.getLogger(f'cw2vec.{__name__}')
import stroke
# NOTE: This module does not handle </s>
def report_thread(started_or_finished):
logger.info(
f'{threading.current_thread().name} {threading.current_thread().ident} {started_or_finished}')
def report_process(started_or_finished):
logger.info(
f'{mp.current_process().name} {mp.current_process().pid} {started_or_finished}')
Corpus = collections.namedtuple(
typename='Corpus',
field_names=['word_ids', 'word2id', 'id2word', 'ratio_kept'])
def count_words(words_txt_path):
# count the number of occurrences of the words,
# technically this can be avoided - if your memory is large enough
counter = collections.Counter()
line_no = None
with open(words_txt_path, 'r', encoding='utf8') as f:
for line_no, line in enumerate(f):
words = line.strip().split()
counter.update(words)
print(f'\rlines processed: {line_no+1}', end='')
print()
assert line_no is not None
return counter, line_no+1
def read_words(words_txt_path, drop_if_leq_than):
full_word_count, total_lines = count_words(words_txt_path)
word_count = collections.Counter()
for word, count in full_word_count.items():
if count <= drop_if_leq_than:
continue
else:
word_count[word] = count
del full_word_count
# sorted by frequency, desc
word2id = {word: ident
for ident, (word, _) in enumerate(word_count.most_common())}
id2word = {ident: word for word, ident in word2id.items()}
# integer representation of the corpus, with low-count words dropped
word_ids = []
# number of words (counting duplicates) in the corpus
total_words = 0
logger.debug('start to build word list')
with open(words_txt_path, 'r', encoding='utf8') as f:
for line in tqdm(f, total=total_lines, desc='lines processed'):
for word in line.strip().split():
total_words += 1
index = word2id.get(word, None)
if index is None:
continue
else:
word_ids.append(index)
logger.debug('word list built')
ratio_kept = len(word_ids)/total_words
logger.info(' '.join([
f'#after_drop/#before_drop',
f'= {len(word_ids)}/{total_words}',
f'= {ratio_kept:.4f}']))
logger.info(f'word_vocab_size: {len(word2id)}')
return Corpus(
word_ids=word_ids,
word2id=word2id,
id2word=id2word,
ratio_kept=ratio_kept)
def save_word_ids(word_ids, id2word, save_dir):
report_thread('started')
logger.info('saving word_ids')
with open(os.path.join(save_dir, 'word_ids.txt'), 'w', encoding='utf8') as f:
buffer = []
for word_id in word_ids:
buffer.append(str(word_id))
if len(buffer) >= 10000:
f.write(' '.join(buffer))
f.write(' ')
buffer = []
if buffer:
f.write(' '.join(buffer))
logger.info(f'saving id2word')
with open(os.path.join(save_dir, 'id2word.txt'), 'w', encoding='utf8') as f:
for word_id in range(len(id2word)):
word = id2word[word_id]
f.write(f'{word_id} {word}\n')
logger.info(f'saving vocabs')
with open(os.path.join(save_dir, 'vocabs.txt'), 'w', encoding='utf8') as f:
lines = '\n'.join(id2word.values())
f.write(lines)
report_thread('finished')
def save_word_embeddings(arr, id2word, save_dir, global_step, annotation):
if annotation is None:
fname = f'embeddings-{global_step}.txt'
else:
fname = f'embeddings-{global_step}-{annotation}.txt'
logger.info(f'saving word embeddings to {fname}')
with open(os.path.join(save_dir, fname), 'w', encoding='utf8') as f:
f.write(f'{len(arr)} {len(arr[0])}\n')
for idx in range(len(arr)):
word = id2word[idx]
vector = ' '.join([str(x) for x in arr[idx, :]])
line = f'{word} {vector}\n'
f.write(line)
logger.info(f'word embeddings saved to {fname}')
def calc_drop_probs(word_ids, threshold):
counter = collections.Counter(word_ids)
total = len(word_ids)
counts = counter.most_common()
freqs = [(word_id, num_occur / total)
for (word_id, num_occur) in counts]
# this drops high-frequency words, if the frequency of a word
# exceeds the chosen threshold, the higher the frequency,
# the more likely it gets dropped, which is what we want
#
# if the frequency of a word is higher than the threshold,
# drop_probs[word], will be a number between (0, 1),
# so this word will be dropped with the calculated probability
#
# if the frequency of a word is smaller than the threshold,
# drop_probs[word] will be a negative number, so:
# np.random.rand() < drop_probs[word] < 0
# will never be true, so less frequent words never gets dropped
drop_probs = dict(
[(word_id, 1 - np.sqrt(threshold / freq))
for word_id, freq in freqs])
return counts, drop_probs
def subsample(word_ids, drop_probs):
new_word_ids = [x for x in word_ids
if not (np.random.rand() < drop_probs[x])]
logger.info(' '.join([
f'#after_subsample/#before_subsample',
f'= {len(new_word_ids)}/{len(word_ids)}',
f'= {len(new_word_ids)/len(word_ids):.4f}']))
return new_word_ids
# %%
def coord(result_queue, num_workers,
num_epochs,
batch_size, skip_window, num_skips,
word_ids, drop_probs,
word2stroke):
report_process('started')
# for mp.Array 'l': signed long, at least 4 bytes
array_code = 'l'
assert np.max(word_ids) < 2 ** 31 - 1
for i_epoch in range(1, num_epochs+1):
logger.info(f'starting to generate data for epoch {i_epoch}')
logger.info(f'subsampling for epoch {i_epoch}')
sampled_word_ids = subsample(word_ids, drop_probs)
logger.info(f'finished subsampling for epoch {i_epoch}')
mp_sampled_word_ids = mp.Array(array_code, sampled_word_ids)
num_words = len(sampled_word_ids)
gen_queue = mp.JoinableQueue(maxsize=500)
master_proc = mp.Process(
target=master,
name='datagen_master',
kwargs={
'gen_queue': gen_queue,
'num_workers': num_workers,
'num_words': num_words,
'batch_size': batch_size,
'skip_window': skip_window,
'num_skips': num_skips})
worker_procs = []
for i_worker in range(1, num_workers+1):
worker_proc = mp.Process(
target=worker,
name=f'datagen_worker_{i_worker}',
kwargs={
'job_queue': gen_queue,
'result_queue': result_queue,
'word_ids': mp_sampled_word_ids,
'skip_window': skip_window,
'num_skips': num_skips,
'word2stroke': word2stroke})
worker_procs.append(worker_proc)
master_proc.start()
for worker_proc in worker_procs:
worker_proc.start()
logger.info('all data generation processes started')
logger.info('waiting data generation processes to finish')
for worker_proc in worker_procs:
worker_proc.join()
master_proc.join()
gen_queue.close()
# poison
result_queue.put(None)
logger.info(f'finished generating data for epoch {i_epoch}')
report_process('finished')
def master(gen_queue, # :: (begin_center_index_inclusive, length, epoch_done)
num_workers,
num_words, batch_size,
skip_window, num_skips):
report_process('started')
assert batch_size % num_skips == 0
assert num_skips <= 2 * skip_window
# left end point of the window, inclusive
left_index = 0
epoch_done = False
max_index = num_words - 1
while not epoch_done:
num_centers = batch_size // num_skips
# when left_index = 1, batch_size = 8, skip_window = 3, num_skips = 2
# num_centers = batch_size // num_skips = 8 // 2 = 4
# 0 1 2 3 4 5 6 7 8 9 10 11
# _ _ _ c _ _ _
# _ _ _ c _ _ _
# _ _ _ c _ _ _
# _ _ _ c _ _ _
# 1 + 3 + 4 + 3 - 1 = 10
right_index_inclusive = left_index + skip_window + num_centers + skip_window - 1
assert right_index_inclusive >= 0
# begin_center_index = 4 = 1 + 3 = left_index + skip_window
# new_left_index = 5 = 1 + 4 = left_index + num_centers
if right_index_inclusive == max_index:
epoch_done = True
elif right_index_inclusive > max_index:
epoch_done = True
# backtrack to avoid skipping examples in the end of the data
# 10 11 12 13 14 15 16 17 18 19 xx xx xx xx xx xx xx
# _ _ _ c _ _ _
# _ _ _ c _ _ _
# _ _ _ c _ _ _
# _ _ _ c _ _ _
# _ _ _ c _ _ _
# _ _ _ c _ _ _
# _ _ _ c _ _ _
# _ _ _ c _ _ _
#
# when left_index = 15, max_index = 19
# right_index_inclusive = 15 + 3 + 4 + 3 - 1 = 24
# new_left_index should equal to 10
# 15 - (24 - 19)
left_index = left_index - (right_index_inclusive - max_index)
right_index_inclusive = left_index + skip_window + num_centers + skip_window - 1
assert left_index >= 0
assert right_index_inclusive == max_index
else:
pass
begin_center_index = left_index + skip_window
gen_queue.put((begin_center_index, num_centers))
left_index = left_index + num_centers
# poison
for _ in range(num_workers):
gen_queue.put(None)
gen_queue.join()
report_process('finished')
def worker(job_queue, result_queue,
word_ids, skip_window, num_skips,
word2stroke):
report_process('started')
while True:
job = job_queue.get()
if job is None:
job_queue.task_done()
break
else:
(begin_center_index_inclusive, num_centers) = job
xs, ys = [], []
for center_index in range(begin_center_index_inclusive, begin_center_index_inclusive+num_centers):
# when skip_window = 3, center_index = 5
# 1 2 3 4 5 6 7 8 9
# _ _ _ c _ _ _
left_index = center_index - skip_window
right_index = center_index + skip_window
context_ids_aux = word_ids[left_index:center_index] + word_ids[center_index+1:right_index+1]
context_ids = random.sample(context_ids_aux, num_skips)
center_ids = itertools.repeat(word_ids[center_index], times=num_skips)
xs.extend(center_ids)
ys.extend(context_ids)
new_xs, ends = expand_word_ids(
word_ids=xs,
word2stroke=word2stroke)
result_queue.put((new_xs, ys, ends))
job_queue.task_done()
report_process('finished')
# %%
# 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13
# (6, [1-5, 7-11]) x 2
# (7, [2-6, 8-12]) x 2
# (8, [3-7, 9-13]) x 2
# word_ids = list(range(1, 13+1))
# batch_size = 6
# num_skips = 2
# skip_window = 5
#
# num_epochs = 2
# data_queue = mp.Queue(maxsize=10)
# coord_proc = mp.Process(
# target=coord,
# name='datagen_coord',
# kwargs={
# 'result_queue': data_queue,
# 'num_workers': 3,
# 'num_epochs': num_epochs,
# 'batch_size': batch_size,
# 'skip_window': skip_window,
# 'num_skips': num_skips,
# 'word_ids': word_ids,
# 'drop_probs': None})
# coord_proc.start()
# for _ in range(num_epochs):
# print('BEGIN')
# while True:
# data = data_queue.get()
# if data is None:
# break
# else:
# print(data)
# print('END')
# %%
# 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13
# batch 1
# (5, [1-4, 6-9]) x 3
# (6, [2-5, 7-10]) x 3
# batch 2
# (7, [3-6, 8-11]) x 3
# (8, [4-7, 9-12]) x 3
# batch 3
# (9, [5-8, 10-13]) x 3
# (5, [1-4, 6-9]) x 3 -- differ, but also make sense
# word_ids = list(range(1, 13+1))
# batch_size = 6
# num_skips = 3
# skip_window = 4
#
# num_epochs = 2
# data_queue = mp.Queue(maxsize=10)
# coord_proc = mp.Process(
# target=coord,
# name='datagen_coord',
# kwargs={
# 'result_queue': data_queue,
# 'num_workers': 3,
# 'num_epochs': num_epochs,
# 'batch_size': batch_size,
# 'skip_window': skip_window,
# 'num_skips': num_skips,
# 'word_ids': word_ids,
# 'drop_probs': None})
# coord_proc.start()
# for _ in range(num_epochs):
# print('BEGIN')
# while True:
# data = data_queue.get()
# if data is None:
# break
# else:
# print(data)
# print('END')
# %%
def expand_word_ids(word_ids, word2stroke: Dict[int, List[int]]):
nstroke_ids = []
ends = []
cursor = None
# 1 2 3 | 4 5 | 6 7 8
# ends = [2, 4, 7]
for word_id in word_ids:
seqs = word2stroke[word_id]
nstroke_ids.extend(seqs)
if cursor is None:
cursor = len(seqs) - 1
else:
# [cursor + len(seqs)] - [cursor + 1] + 1 = len(seqs)
cursor = cursor + len(seqs)
ends.append(cursor)
assert len(ends) == len(word_ids)
assert ends[-1] == len(nstroke_ids) - 1
return nstroke_ids, ends
class Data:
def __init__(self, flags):
logger.info('loading training corpus')
corpus = read_words(flags.words_txt_path, flags.drop_if_leq_than)
self.word_ids = corpus.word_ids
self.word2id = corpus.word2id
self.id2word = corpus.id2word
del corpus
self.word_vocab_size = len(self.word2id)
logger.info(f'word_vocab_size={self.word_vocab_size}')
self.saving_thread = threading.Thread(
target=save_word_ids,
kwargs={
'word_ids': self.word_ids,
'id2word': self.id2word,
'save_dir': flags.output_dir},
name='save_word_ids')
self.word_counts, self.drop_probs = calc_drop_probs(
word_ids=self.word_ids,
threshold=flags.subsampling_threshold)
logger.info('calculating words_to_train_est')
self.words_to_train_est = flags.num_epochs * len(subsample(
word_ids=self.word_ids, drop_probs=self.drop_probs))
logger.info('loading strokes')
self.stroke_vocab_size, self.word2stroke = stroke.build_word2stroke(
id2word=self.id2word,
strokes_csv_path=flags.strokes_csv_path,
min_width=3,
max_width=12)
logger.info(f'stroke_vocab_size={self.stroke_vocab_size}')
self.data_queue = mp.Queue(maxsize=flags.data_queue_size)
self.coord_proc = mp.Process(
target=coord,
name='datagen_coord',
kwargs={
'result_queue': self.data_queue,
'num_workers': flags.num_datagens,
'num_epochs': flags.num_epochs,
'batch_size': flags.batch_size,
'skip_window': flags.skip_window,
'num_skips': flags.num_skips,
'word_ids': self.word_ids,
'drop_probs': self.drop_probs,
'word2stroke': self.word2stroke})