如何保存torchtext数据集？

Question

我正在处理文本并使用torchtext.data.Dataset。 创建数据集需要大量时间。 对于仅运行程序，这仍然是可以接受的。但我想调试神经网络的火炬代码。如果 python 在调试模式下启动，数据集创建大约需要 20 分钟 (!!)。这只是为了获得一个可以调试神经网络代码的工作环境。

我想保存数据集，例如使用 pickle。此示例代码取自 here，但我删除了此示例不需要的所有内容：

from torchtext import data
from fastai.nlp import *

PATH = 'data/aclImdb/'

TRN_PATH = 'train/all/'
VAL_PATH = 'test/all/'
TRN = f'{PATH}{TRN_PATH}'
VAL = f'{PATH}{VAL_PATH}'

TEXT = data.Field(lower=True, tokenize="spacy")

bs = 64;
bptt = 70

FILES = dict(train=TRN_PATH, validation=VAL_PATH, test=VAL_PATH)
md = LanguageModelData.from_text_files(PATH, TEXT, **FILES, bs=bs, bptt=bptt, min_freq=10)

with open("md.pkl", "wb") as file:
    pickle.dump(md, file)

要运行代码，您需要 aclImdb 数据集，它可以从here 下载。将其解压缩到此代码 sn-p 旁边的 data/ 文件夹中。代码在最后一行产生错误，其中使用了 pickle：

Traceback (most recent call last):
  File "/home/lhk/programming/fastai_sandbox/lesson4-imdb2.py", line 27, in <module>
    pickle.dump(md, file)
TypeError: 'generator' object is not callable

fastai 的样本经常使用dill 而不是pickle。但这对我也不起作用。

Answer 1

如果您的数据集很小，pickle/dill 方法很好。但如果您使用的是大型数据集，我不会推荐它，因为它太慢了。

我只是将示例（迭代地）保存为 JSON 字符串。这背后的原因是因为保存整个 Dataset 对象需要花费大量时间，而且您需要像 dill 这样的序列化技巧，这使得序列化变得更慢。

此外，这些序列化程序会占用大量内存（其中一些甚至会创建数据集的副本），如果它们开始使用交换内存，那么您就完成了。该过程需要很长时间，您可能会在它完成之前终止它。

因此，我最终采用了以下方法：

1. 迭代示例
2. 将每个示例（即时）转换为 JSON 字符串
3. 将该 JSON 字符串写入文本文件（每个示例一个 行）
4. 加载时，将示例与字段一起添加到 Dataset 对象中

def save_examples(dataset, savepath):
    with open(savepath, 'w') as f:
        # Save num. elements (not really need it)
        f.write(json.dumps(total))  # Write examples length
        f.write("\n")

        # Save elements
        for pair in dataset.examples:
            data = [pair.src, pair.trg]
            f.write(json.dumps(data))  # Write samples
            f.write("\n")


def load_examples(filename):
    examples = []
    with open(filename, 'r') as f:
        # Read num. elements (not really need it)
        total = json.loads(f.readline())

        # Save elements
        for i in range(total):
            line = f.readline()
            example = json.loads(line)
            # example = data.Example().fromlist(example, fields)  # Create Example obj. (you can do it here or later)
            examples.append(example)

    end = time.time()
    print(end - start)
    return examples

然后，您可以通过以下方式简单地重建数据集：

# Define fields
SRC = data.Field(...)
TRG = data.Field(...)
fields = [('src', SRC), ('trg', TRG)]

# Load examples from JSON and convert them to "Example objects"
examples = load_examples(filename)
examples = [data.Example().fromlist(d, fields) for d in examples]

# Build dataset
mydataset = Dataset(examples, fields)

我使用 JSON 代替 pickle、dill、msgpack 等的原因并非随意。

我做了一些测试，结果如下：

Dataset size: 2x (1,960,641)

Saving times:
- Pickle/Dill*: >30-45 min (...or froze my computer)

- MessagePack (iterative): 123.44 sec
  100%|██████████| 1960641/1960641 [02:03<00:00, 15906.52it/s]

- JSON (iterative): 16.33 sec
  100%|██████████| 1960641/1960641 [00:15<00:00, 125955.90it/s]

- JSON (bulk): 46.54 sec (memory problems)

Loading times:
 - Pickle/Dill*: -

 - MessagePack (iterative): 143.79 sec
   100%|██████████| 1960641/1960641 [02:23<00:00, 13635.20it/s]

 - JSON (iterative): 33.83 sec
   100%|██████████| 1960641/1960641 [00:33<00:00, 57956.28it/s] 

 - JSON (bulk): 27.43 sec

*与其他答案类似的方法

Answer 2

我自己想出了以下函数：

import dill
from pathlib import Path

import torch
from torchtext.data import Dataset

def save_dataset(dataset, path):
    if not isinstance(path, Path):
        path = Path(path)
    path.mkdir(parents=True, exist_ok=True)
    torch.save(dataset.examples, path/"examples.pkl", pickle_module=dill)
    torch.save(dataset.fields, path/"fields.pkl", pickle_module=dill)

def load_dataset(path):
    if not isinstance(path, Path):
        path = Path(path)
    examples = torch.load(path/"examples.pkl", pickle_module=dill)
    fields = torch.load(path/"fields.pkl", pickle_module=dill)
    return Dataset(examples, fields)

并不是说实际的对象可能有点不同，例如，如果你保存TabularDataset，那么load_dataset 返回一个类Dataset 的实例。这不太可能影响数据管道，但可能需要额外的测试努力。 在自定义标记器的情况下，它也应该是可序列化的（例如，没有 lambda 函数等）。

Answer 3

您总是可以使用 pickle 转储对象，但请记住，转储字典或字段对象列表不受模块处理，因此最好先尝试分解列表

将 DataSet 对象存储到 pickle 文件中以便以后轻松加载

def save_to_pickle(dataSetObject,PATH):
    with open(PATH,'wb') as output:
        for i in dataSetObject:
            pickle.dump(vars(i), output, pickle.HIGHEST_PROTOCOL)

最艰难的事情还没有到来，是的，正在加载 pickle 文件.... ;)

首先，尝试查找所有字段名称和字段属性，然后进行kill

将pickle文件加载到DataSetObject中

def load_pickle(PATH, FIELDNAMES, FIELD):
    dataList = []
    with open(PATH, "rb") as input_file:
        while True:
            try:
                # Taking the dictionary instance as the input Instance
                inputInstance = pickle.load(input_file)
                # plugging it into the list
                dataInstance =  [inputInstance[FIELDNAMES[0]],inputInstance[FIELDNAMES[1]]]
                # Finally creating an example objects list
                dataList.append(Example().fromlist(dataInstance,fields=FIELD))
            except EOFError:
                break

    # At last creating a data Set Object
    exampleListObject = Dataset(dataList, fields=data_fields)
    return exampleListObject 

这个骇人听闻的解决方案在我的案例中很有效，希望您会发现它对您的案例也很有用。

顺便说一句，欢迎提出任何建议:)。

Answer 4

你可以用莳萝代替泡菜。这个对我有用。 您可以保存一个 torchtext 字段，如

TEXT = data.Field(sequential=True, tokenize=tokenizer, lower=True,fix_length=200,batch_first=True)
with open("model/TEXT.Field","wb")as f:
     dill.dump(TEXT,f)

并加载类似的字段

with open("model/TEXT.Field","rb")as f:
     TEXT=dill.load(f)

官方代码支持正在开发中，您可以关注https://github.com/pytorch/text/issues/451和https://github.com/pytorch/text/issues/73。