facebookresearch/fairseq

Invalid suffix of raw dataset when preprocessing without language

Open

#1,426 创建于 2019年11月25日

在 GitHub 查看
 (2 评论) (0 反应) (0 负责人)Python (29,107 star) (6,224 fork)batch import
bughelp wanted

描述

When preprocessing using --dataset-impl raw and no source and target languages are specified, the datasets are stored under train.None-None due to this line:

https://github.com/pytorch/fairseq/blob/5349052aae4ec1350822c894fbb6be350dff61a0/preprocess.py#L218

Is this expected behavior or can we remove this suffix?

贡献者指南

技术栈
python
领域
datamachine learning
议题类型
bug
难度面向新贡献者的预计实现难度，1 表示很小改动，5 表示专家级工作。
3
预计时间有经验贡献者完成调查、实现、测试并准备 pull request 的粗略时间范围。
under 1 hour
活动状态议题当前的可参与程度：新鲜、活跃、陈旧、阻塞或等待维护者输入。
needs maintainer response
清晰度议题是否清楚说明期望改动、验收标准和下一步。
clear
前置要求
Pythonfairseq preprocessing
新手友好度1-100 的估计分数，表示该议题对首次贡献者的友好程度。
50
研究方向
Investigate line 218 of preprocess.py (https://github.com/pytorch/fairseq/blob/5349052aae4ec1350822c894fbb6be350dff61a0/preprocess.py#L218). When source lang and target lang are not provided, the lang variables become None, resulting in filenames like 'train.None None'. Determine if this suffix is necessary for raw dataset files. If not, remove the suffix or handle the None case. Review any existing tests or documentation for expected behavior.