Keras Tokenizer方法到底能做什么？

有时，我们需要执行以下操作：

from keras.preprocessing.text import Tokenizer
tokenizer = Tokenizer(num_words=my_max)

然后，我们总是吟诵此咒语：

tokenizer.fit_on_texts(text) 
sequences = tokenizer.texts_to_sequences(text)

尽管我（或多或少）了解了总的效果，但是无论我做了多少研究（显然包括文档），我都无法弄清楚每个人分别做什么。我想我从来没有见过一个没有另一个。

那么，每个做什么？在任何情况下，您会使用其中一个而不使用另一个吗？如果不是，为什么不将它们简单地组合成如下形式：

sequences = tokenizer.fit_on_texts_to_sequences(text)

很抱歉，如果我缺少明显的内容，但是我对此很陌生。

从源代码：

1. fit_on_texts 根据文本列表更新内部词汇。该方法根据词频创建词汇索引。因此，如果给它类似“猫坐在垫子上”的字样。它将创建一个字典，word_index["the"] = 1; word_index["cat"] = 2它是单词->索引字典，因此每个单词都会获得一个唯一的整数值。0保留用于填充。因此，较低的整数表示更频繁的单词（通常前几个是停用词，因为它们出现的次数很多）。
2. texts_to_sequences 将文本中的每个文本转换为整数序列。因此，它基本上采用了文本中的每个单词，并将其替换为word_index字典中相应的整数值。仅此而已，当然也不会涉及任何魔术。

为什么不合并它们？因为您几乎总是适合一次并多次转换为序列。您将适合您的训练语料库，并word_index在训练/评估/测试/预测时使用完全相同的词典将实际文本转换为序列，以将其输入网络。因此，将这些方法分开是有意义的。

通过示例在上述答案中添加更多内容，有助于更好地理解：

范例1：

t  = Tokenizer()
fit_text = "The earth is an awesome place live"
t.fit_on_texts(fit_text)
test_text = "The earth is an great place live"
sequences = t.texts_to_sequences(test_text)

print("sequences : ",sequences,'\n')

print("word_index : ",t.word_index)
#[] specifies : 1. space b/w the words in the test_text    2. letters that have not occured in fit_text

Output :

       sequences :  [[3], [4], [1], [], [1], [2], [8], [3], [4], [], [5], [6], [], [2], [9], [], [], [8], [1], [2], [3], [], [13], [7], [2], [14], [1], [], [7], [5], [15], [1]] 

       word_index :  {'e': 1, 'a': 2, 't': 3, 'h': 4, 'i': 5, 's': 6, 'l': 7, 'r': 8, 'n': 9, 'w': 10, 'o': 11, 'm': 12, 'p': 13, 'c': 14, 'v': 15}

范例2：

t  = Tokenizer()
fit_text = ["The earth is an awesome place live"]
t.fit_on_texts(fit_text)

#fit_on_texts fits on sentences when list of sentences is passed to fit_on_texts() function. 
#ie - fit_on_texts( [ sent1, sent2, sent3,....sentN ] )

#Similarly, list of sentences/single sentence in a list must be passed into texts_to_sequences.
test_text1 = "The earth is an great place live"
test_text2 = "The is my program"
sequences = t.texts_to_sequences([test_text1, test_text2])

print('sequences : ',sequences,'\n')

print('word_index : ',t.word_index)
#texts_to_sequences() returns list of list. ie - [ [] ]

Output:

        sequences :  [[1, 2, 3, 4, 6, 7], [1, 3]] 

        word_index :  {'the': 1, 'earth': 2, 'is': 3, 'an': 4, 'awesome': 5, 'place': 6, 'live': 7}

让我们看看这行代码的作用。

tokenizer.fit_on_texts（文本）

例如，考虑句子“地球是一个很棒的生活场所”

tokenizer.fit_on_texts("The earth is an awesome place live") 适合[[1,2,3,4,5,6,7]]其中3->“ is”，6->“ place”，依此类推。

sequences = tokenizer.texts_to_sequences("The earth is an great place live")

返回[[1,2,3,4,6,7]]。

你看这里发生了什么。单词“ great”最初不适合使用，因此无法识别单词“ great”。意思是，可以在火车数据上单独使用fit_on_text，然后可以使用拟合的词汇索引来表示一组全新的单词序列。这是两个不同的过程。因此，这两行代码。