动手学深度学习Pytorch版本学习笔记 Task 04

1.机器翻译及相关技术 1.1数据预处理 读取数据,处理数据中的编码问题,并将无效的字符串删除 分词,分词的目的就是将字符串转换成单词组成的列表。目前有很多现成的分词工具可以直接使用,也可以直接按照空格进行分词(不推荐,因为分词不是很准确) 建立词典,将单词组成的列表编程单词id组成的列表,这里会得到如下几样东西 (1). 去重后词典,及其中单词对应的索引列表。 注:去重后排序作用:高频词的id在前,这样可以减少查询次数(相对于随机编码),训练word2vec中有个HUffman树,也是这个思想 (2). 还可以得到给定索引找到其对应的单词的列表,以及给定单词得到对应索引的字典。 (3). 原