二维的tokens如果没有元素的话tokens[0]会报错，需要单独处理
1 Like
Q1:最常用的三种是 BPE（Byte-Pair Encoding），WordPiece和SentencePiece
Q2：
第一个上面是默认min_freq=0,下面是设置min_freq=5。简单来说就是通过设置min_freq参数来过滤低频词（将低频词的索引设置为0），获得高频词.
通过将load_corpus_time_machine中参数设置为默认的’word’可以看到，min_freq对语料库的影响
3 Likes
想问一下这个函数该如何运用：
def to_tokens(self, indices)
这是Python语法相关的，详见Python官网文档。__getitem__是一个魔术方法，在使用方括号索引时Python解释器会直接调用此方法，重写此方法可实现类对象的键值对索引机制。
这里没有漏，因为unk函数上面有个@property注解
1 Like
相当于打印vocab类的一个对象，也就是会调用__getitem__这个函数，文中代码进行了函数重载，将__getitem__函数定义为返回对应token的索引
应该是
对象.to_tokens(indices)
吧
在深度学习中，常用的词元化（tokenization）方法包括以下几种：
- 空格分词（Whitespace Tokenization）：将文本按照空格进行分割，将每个分割后的词作为一个词元。例如，"Hello world!"会被分割为[“Hello”, “world!”]。
- 分词器（Tokenizer）：使用专门的分词器工具，如NLTK（Natural Language Toolkit）或spaCy，在文本中识别和分割单词。这些分词器可以处理更复杂的分割规则，例如处理标点符号、缩写词等。
- n-gram分词：将文本切分为连续的n个词的组合，这些组合称为n-gram。常见的是二元（bigram）和三元（trigram）分词。例如，"Hello world!"的bigram分词为[“Hello world”, “world!”]。
- 字符级别分词（Character-level Tokenization）：将文本按照字符进行分割，将每个字符作为一个词元。这种方法对于处理字符级别的任务（如拼写检查、机器翻译等）很有用。
- 子词（Subword）分词：将单词切分为更小的单元，如词根、前缀或后缀等。这种方法可以处理未登录词（out-of-vocabulary）问题，并且对于具有复杂形态的语言（如德语、芬兰语）也很有效。常见的子词分词算法有Byte-Pair Encoding（BPE）和SentencePiece。
这些方法的选择取决于特定的任务和语言，不同的词元化方法可能适用于不同的场景。在使用深度学习进行文本处理时，需要根据具体情况选择合适的词元化方法。
2 Likes
关于第一个问题有一个不理解的地方，就是我们现在进行词元化的文本序列都是英文序列，他一个单词就是一个意思。但是如果我们的文本序列是中文那又应该怎么分词呢？
因为英文的一个单词或一个短语可能对应中文一个字、两个字、三个字都不一定。而且中文是没有空格分割的，所以有什么更好的分词方式呢？
查阅了一下，貌似有个叫作jieba分词的，可以按照词性来进行分词
这样做兼顾了通用性吧，如果是英文这样做，别说语义，连词法都保障不了
这个我一开始也有疑惑，后来去看了一下__grtitem__()的作用，就清楚了，你可以去搜一下__grtitem__()的相关内容
在unk方法的定义上加了property注解的，就会把它变成一个属性；这和java使用注解的方式相反，java是在属性上加property注解，会自动生成这个属性的setter、getter方法
并不会报错，你不信自己试试，我单独把拿出来试了下，反正没报错
请问下载一开始的文本的时候报错PermissionError: [WinError 5] 拒绝访问。: '…/data’怎么解决呀
我把min_freq调成50对len(vocab)和len(corpus)也没啥影响 
，但是索引是变了的