我想知道使用torchtext进行推理的正确方法是什么。

假设我已经训练了模型并使用dump保存了所有包含构建词汇表的字段。下一步似乎是使用torchtext.data.Example来加载单个示例。不知何故，我应该使用加载的字段对其进行数字化处理，并创建一个迭代器。

我非常希望看到使用torchtext进行推理的简单示例。

回答：

对于已训练的模型和词汇表（这是文本字段的一部分，您不需要保存整个类）：

    def read_vocab(path):        #读取词汇表pkl
        import pickle
        pkl_file = open(path, 'rb')
        vocab = pickle.load(pkl_file)
        pkl_file.close()
        return vocab
    def load_model_and_vocab():
        import torch
        import os.path

        my_path = os.path.abspath(os.path.dirname(__file__))
        vocab_path = os.path.join(my_path, vocab_file)
        weights_path = os.path.join(my_path, WEIGHTS)

        vocab = read_vocab(vocab_path)
        model = classifier(vocab_size=len(vocab))
        model.load_state_dict(torch.load(weights_path))
        model.eval()
        return model, vocab

    def predict(model, vocab, sentence):
        tokenized = [w.text.lower() for w in nlp(sentence)]  # 对句子进行分词
        indexed = [vocab.stoi[t] for t in tokenized]         # 转换为整数序列
        length = [len(indexed)]                              # 计算词数
        tensor = torch.LongTensor(indexed).to('cpu')         # 转换为张量
        tensor = tensor.unsqueeze(1).T                       # 重塑为批次，词数的形式
        length_tensor = torch.LongTensor(length)             # 转换为张量
        prediction = model(tensor, length_tensor)            # 预测
        return round(1-prediction.item())

“classifier”是我为模型定义的类。

关于保存词汇表pkl：

    def save_vocab(vocab):
        import pickle
        output = open('vocab.pkl', 'wb')
        pickle.dump(vocab, output)
        output.close()

关于训练后保存模型，您可以使用：

    torch.save(model.state_dict(), 'saved_weights.pt')

告诉我这是否对你有帮助！