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
|
// Copyright 2016 Google Inc.
//
// Licensed under the Apache License, Version 2.0 (the "License");
// you may not use this file except in compliance with the License.
// You may obtain a copy of the License at
//
// http://www.apache.org/licenses/LICENSE-2.0
//
// Unless required by applicable law or agreed to in writing, software
// distributed under the License is distributed on an "AS IS" BASIS,
// WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
// See the License for the specific language governing permissions and
// limitations under the License.!
#include "unigram_model_trainer.h"
#include "flags.h"
#include "sentencepiece_model.pb.h"
#include "sentencepiece_processor.h"
#include "sentencepiece_trainer.h"
#include "testharness.h"
#include "util.h"
DECLARE_string(data_dir);
namespace sentencepiece {
namespace unigram {
namespace {
// Space symbol
#define WS "\xe2\x96\x81"
TEST(UnigramTrainerTest, TrainerModelTest) {
TrainerSpec trainer_spec;
NormalizerSpec normalizer_spec;
const TrainerModel model(trainer_spec, normalizer_spec);
EXPECT_EQ(EncodeResult(), model.Encode("test"));
}
TEST(UnigramTrainerTest, EndToEndTest) {
const test::ScopedTempFile sf("tmp_model");
const std::string input =
util::JoinPath(FLAGS_data_dir, "wagahaiwa_nekodearu.txt");
EXPECT_OK(SentencePieceTrainer::Train(string_util::StrCat(
"--model_prefix=", sf.filename(), " --input=", input,
" --vocab_size=8000 --normalization_rule_name=identity",
" --model_type=unigram --user_defined_symbols=<user>",
" --control_symbols=<ctrl>")));
SentencePieceProcessor sp;
EXPECT_OK(sp.Load(string_util::StrCat(sf.filename(), ".model")));
EXPECT_EQ(8000, sp.GetPieceSize());
const int cid = sp.PieceToId("<ctrl>");
const int uid = sp.PieceToId("<user>");
EXPECT_TRUE(sp.IsControl(cid));
EXPECT_FALSE(sp.IsUnknown(uid));
std::vector<std::string> tok;
EXPECT_OK(sp.Encode("", &tok));
EXPECT_TRUE(tok.empty());
EXPECT_OK(sp.Encode(
"吾輩《わがはい》は猫である。名前はまだ無い。"
"どこで生れたかとんと見当《けんとう》がつかぬ。"
"何でも薄暗いじめじめした所でニャーニャー泣いていた事だけは記憶している"
"。",
&tok));
// TODO(taku): Temporally disable this test on Windows.
#ifndef OS_WIN
EXPECT_EQ(WS
" 吾輩 《 わが はい 》 は 猫 である 。 名前 はまだ 無い 。 "
"どこ で 生 れた か とん と 見当 《 けん とう 》 が つか ぬ 。 "
"何でも 薄 暗 い じめ じめ した 所で ニャーニャー "
"泣 い ていた 事 だけは 記憶 している 。",
string_util::Join(tok, " "));
#endif
}
} // namespace
} // namespace unigram
} // namespace sentencepiece
|
