pytorch/text

Ignoring UNK words

Open

#355 创建于 2018年7月22日

在 GitHub 查看
 (7 评论) (0 反应) (0 负责人)Python (3,396 star) (822 fork)batch import
enhancementhelp wanted

描述

Cannot find the way to ignore UNK words when numericalising, i.e. instead by substituting them by a 0, it just ignore that word.

Is that implemented?

This is useful in classification problems, when you just want to remove 'UNK' words.

贡献者指南

技术栈
python
领域
machine learningdata
议题类型
feature
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。
1-3 hours
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。
stale
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
Python basicsPyTorch basicsNLP concepts
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。
65
研究方向
Look into the torchtext.data.Field class, specifically the numericalize method. The current behavior substitutes unknown words with 0; we need to add an option to ignore them by filtering out UNK tokens during numericalization. Check the file torchtext/data/field.py and the related function definitions. Discuss with maintainers if there is a preferred approach (e.g., adding a parameter like 'include unk').