-
Notifications
You must be signed in to change notification settings - Fork 3
/
dataset.py
160 lines (131 loc) · 7.49 KB
/
dataset.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
import pandas as pd
import torch
from numpy import array
class Dataset(torch.utils.data.Dataset):
def __init__(
self,
dataframe,
state,
tokenizer
):
self.dataframe = dataframe
self.state = state
self.tokenizer = tokenizer
self.pad_on_right = tokenizer.padding_side == "right"
column_names = self.dataframe.columns.tolist()
self.question_column_name = "question" if "question" in column_names else column_names[0]
self.context_column_name = "context" if "context" in column_names else column_names[1]
if self.state == "valid":
self.dataset = self.validation_preprocessing(self.dataframe)
else:
self.dataset = self.train_preprocessing(self.dataframe)
def __getitem__(self, idx):
if self.state == "valid":
return {
"input_ids": torch.tensor(self.dataset["input_ids"][idx]),
"attention_mask": torch.tensor(self.dataset["attention_mask"][idx]),
"offset_mapping": self.dataset["offset_mapping"][idx],
"example_id": self.dataset["example_id"][idx]
}
else:
return {
"input_ids": torch.tensor(self.dataset["input_ids"][idx]),
"attention_mask": torch.tensor(self.dataset["attention_mask"][idx]),
"start_positions": self.dataset["start_positions"][idx],
"end_positions": self.dataset["end_positions"][idx]
}
def __len__(self):
return len(self.dataset["input_ids"])
def train_preprocessing(self, dataframe: pd.DataFrame):
tokenized_examples = self.tokenizer(
dataframe[self.question_column_name if self.pad_on_right else self.context_column_name].tolist(),
dataframe[self.context_column_name if self.pad_on_right else self.question_column_name].tolist(),
truncation="only_second" if self.pad_on_right else "only_first",
max_length=384,
stride=128,
return_overflowing_tokens=True,
return_offsets_mapping=True,
return_token_type_ids=False,
padding="max_length"
)
# tokenized.append(tokenized_examples)
sample_mapping = tokenized_examples.pop("overflow_to_sample_mapping")
offset_mapping = tokenized_examples.pop("offset_mapping")
tokenized_examples["start_positions"] = []
tokenized_examples["end_positions"] = []
for i, offsets in enumerate(offset_mapping):
input_ids = tokenized_examples["input_ids"][i]
cls_index = input_ids.index(self.tokenizer.cls_token_id) # cls index
# sequence id를 설정합니다 (to know what is the context and what is the question).
sequence_ids = tokenized_examples.sequence_ids(i)
# 하나의 example이 여러개의 span을 가질 수 있습니다.
sample_index = sample_mapping[i]
answers = eval(dataframe['answers'][sample_index])
# answer가 없을 경우 cls_index를 answer로 설정합니다(== example에서 정답이 없는 경우 존재할 수 있음).
if len(answers["answer_start"]) == 0:
tokenized_examples["start_positions"].append(cls_index)
tokenized_examples["end_positions"].append(cls_index)
else:
# text에서 정답의 Start/end character index
start_char = answers["answer_start"][0]
end_char = start_char + len(answers["text"][0])
# text에서 current span의 Start token index
token_start_index = 0
while sequence_ids[token_start_index] != (1 if self.pad_on_right else 0):
token_start_index += 1
# text에서 current span의 End token index
token_end_index = len(input_ids) - 1
while sequence_ids[token_end_index] != (1 if self.pad_on_right else 0):
token_end_index -= 1
# 정답이 span을 벗어났는지 확인합니다(정답이 없는 경우 CLS index로 label되어있음).
if not (
offsets[token_start_index][0] <= start_char
and offsets[token_end_index][1] >= end_char
):
tokenized_examples["start_positions"].append(cls_index)
tokenized_examples["end_positions"].append(cls_index)
else:
# token_start_index 및 token_end_index를 answer의 끝으로 이동합니다.
# Note: answer가 마지막 단어인 경우 last offset을 따라갈 수 있습니다(edge case).
while (
token_start_index < len(offsets)
and offsets[token_start_index][0] <= start_char
):
token_start_index += 1
tokenized_examples["start_positions"].append(token_start_index - 1)
while offsets[token_end_index][1] >= end_char:
token_end_index -= 1
tokenized_examples["end_positions"].append(token_end_index + 1)
return tokenized_examples
def validation_preprocessing(self,dataframe):
# truncation과 padding(length가 짧을때만)을 통해 toknization을 진행하며, stride를 이용하여 overflow를 유지합니다.
# 각 example들은 이전의 context와 조금씩 겹치게됩니다.
tokenized_examples = self.tokenizer(
dataframe[self.question_column_name if self.pad_on_right else self.context_column_name].tolist(),
dataframe[self.context_column_name if self.pad_on_right else self.question_column_name].tolist(),
truncation="only_second" if self.pad_on_right else "only_first",
max_length=384,
stride=128,
return_overflowing_tokens=True,
return_offsets_mapping=True,
return_token_type_ids=False, # roberta모델을 사용할 경우 False, bert를 사용할 경우 True로 표기해야합니다.
padding="max_length"
)
# 길이가 긴 context가 등장할 경우 truncate를 진행해야하므로, 해당 데이터셋을 찾을 수 있도록 mapping 가능한 값이 필요합니다.
sample_mapping = tokenized_examples.pop("overflow_to_sample_mapping")
# evaluation을 위해, prediction을 context의 substring으로 변환해야합니다.
# corresponding example_id를 유지하고 offset mappings을 저장해야합니다.
tokenized_examples["example_id"] = []
for i in range(len(tokenized_examples["input_ids"])):
# sequence id를 설정합니다 (to know what is the context and what is the question).
sequence_ids = tokenized_examples.sequence_ids(i)
context_index = 1 if self.pad_on_right else 0
# 하나의 example이 여러개의 span을 가질 수 있습니다.
sample_index = sample_mapping[i]
tokenized_examples["example_id"].append(dataframe["id"][sample_index])
# Set to None the offset_mapping을 None으로 설정해서 token position이 context의 일부인지 쉽게 판별 할 수 있습니다.
tokenized_examples["offset_mapping"][i] = [
(o if sequence_ids[k] == context_index else None)
for k, o in enumerate(tokenized_examples["offset_mapping"][i])
]
return tokenized_examples