Python、TensorFlow、Keras:tf.data.Dataset仅将标记化器应用于一个轴，即放置轴

Question

我正在尝试构建一个tf.data.Dataset管道，该管道读取16个以制表符分隔的.gzip文件，其中包括一个句子、一个无用的文件指示符和一个标签。我只想将标记化器应用于数据集的第一个轴。此外，我很想去掉中轴线这是我的代码：

ds = tf.data.Dataset.list_files("references/reads/*.txt.gz")
ds = tf.data.TextLineDataset(filenames=ds, compression_type="GZIP", num_parallel_reads=tf.data.experimental.AUTOTUNE)
ds = ds.map(lambda x: tf.strings.split(x, "t"), num_parallel_calls=tf.data.experimental.AUTOTUNE)

数据如下：

>>> [print(a) for a in ds.take(2)]
tf.Tensor([b'Happy little sentence.'  b'Useless Text'  b'Label'], shape=(3,), dtype=string)

如果我可以删除'Useless Text'，我想只将我的标记化器应用于张量('Happy little sentence.')的第一个轴。这是我不成功的方法：

with open('my_tokenizer.model', 'rb') as f_in:
model = f_in.read()
s = text.SentencepieceTokenizer(model=model)
ds = ds.map(lambda x: s.tokenize(x), num_parallel_calls=tf.data.experimental.AUTOTUNE)

这标志着一切！

Answer 1

假设每个张量中总是有3个元素(一个句子、一个无用的文件指示符和一个标签(，则可以尝试索引第一个和最后一个元素：

import tensorflow as tf
import tensorflow_text as tf_text
import requests
url = "https://github.com/tensorflow/text/blob/master/tensorflow_text/python/ops/test_data/test_oss_model.model?raw=true"
model = requests.get(url).content
ds = tf.data.Dataset.from_tensor_slices(([['Happy little sentence.',  'Useless Text',  'Faust'],
['Happy little sentence1.',  'Useless Text1',  'Faust1'],
['Happy little sentence2.',  'Useless Text2',  'Faust2']]))
s = tf_text.SentencepieceTokenizer(model=model)
def transform_data(x):
return s.tokenize(x[0]), x[2]
ds = ds.map(transform_data, num_parallel_calls=tf.data.experimental.AUTOTUNE)
for d in ds:
print(d)

(<tf.Tensor: shape=(11,), dtype=int32, numpy=array([  4, 165,  19,  29,  29,  34, 544, 331,  15, 256,   6], dtype=int32)>, <tf.Tensor: shape=(), dtype=string, numpy=b'Faust'>)
(<tf.Tensor: shape=(12,), dtype=int32, numpy=
array([  4, 165,  19,  29,  29,  34, 544, 331,  15, 256, 357,   6],
dtype=int32)>, <tf.Tensor: shape=(), dtype=string, numpy=b'Faust1'>)
(<tf.Tensor: shape=(12,), dtype=int32, numpy=
array([  4, 165,  19,  29,  29,  34, 544, 331,  15, 256, 596,   6],
dtype=int32)>, <tf.Tensor: shape=(), dtype=string, numpy=b'Faust2'>)