数学基础
- 线性代数
- 概率论与随机过程
- 数值计算
- 蒙特卡洛方法与 MCMC 采样
- 机器学习方法概论
统计学习
深度学习
- 深度学习简介
- 深度前馈网络
- 反向传播算法
- 正则化
- 深度学习中的最优化问题
- 卷积神经网络
- CNN:图像分类
- 循环神经网络 RNN
- Transformer
- 一、Transformer [2017]
- 二、Universal Transformer [2018]
- 三、Transformer-XL [2019]
- 四、GPT1 [2018]
- 五、GPT2 [2019]
- 六、GPT3 [2020]
- 七、OPT [2022]
- 八、BERT [2018]
- 九、XLNet [2019]
- 十、RoBERTa [2019]
- 十一、ERNIE 1.0 [2019]
- 十二、ERNIE 2.0 [2019]
- 十三、ERNIE 3.0 [2021]
- 十四、ERNIE-Huawei [2019]
- 十五、MT-DNN [2019]
- 十六、BART [2019]
- 十七、mBART [2020]
- 十八、SpanBERT [2019]
- 十九、ALBERT [2019]
- 二十、UniLM [2019]
- 二十一、MASS [2019]
- 二十二、MacBERT [2019]
- 二十三、Fine-Tuning Language Models from Human Preferences [2019]
- 二十四 Learning to summarize from human feedback [2020]
- 二十五、InstructGPT [2022]
- 二十六、T5 [2020]
- 二十七、mT5 [2020]
- 二十八、ExT5 [2021]
- 二十九、Muppet [2021]
- 三十、Self-Attention with Relative Position Representations [2018]
- 三十一、USE [2018]
- 三十二、Sentence-BERT [2019]
- 三十三、SimCSE [2021]
- 三十四、BERT-Flow [2020]
- 三十五、BERT-Whitening [2021]
- 三十六、Comparing the Geometry of BERT, ELMo, and GPT-2 Embeddings [2019]
- 三十七、CERT [2020]
- 三十八、DeCLUTR [2020]
- 三十九、CLEAR [2020]
- 四十、ConSERT [2021]
- 四十一、Sentence-T5 [2021]
- 四十二、ULMFiT [2018]
- 四十三、Scaling Laws for Neural Language Models [2020]
- 四十四、Chinchilla [2022]
- 四十七、GLM-130B [2022]
- 四十八、GPT-NeoX-20B [2022]
- 四十九、Bloom [2022]
- 五十、PaLM [2022] (粗读)
- 五十一、PaLM2 [2023](粗读)
- 五十二、Self-Instruct [2022]
- 句子向量
- 词向量
- 传统CTR 预估模型
- CTR 预估模型
- 一、DSSM [2013]
- 二、FNN [2016]
- 三、PNN [2016]
- 四、DeepCrossing [2016]
- 五、Wide 和 Deep [2016]
- 六、DCN [2017]
- 七、DeepFM [2017]
- 八、NFM [2017]
- 九、AFM [2017]
- 十、xDeepFM [2018]
- 十一、ESMM [2018]
- 十二、DIN [2017]
- 十三、DIEN [2019]
- 十四、DSIN [2019]
- 十五、DICM [2017]
- 十六、DeepMCP [2019]
- 十七、MIMN [2019]
- 十八、DMR [2020]
- 十九、MiNet [2020]
- 二十、DSTN [2019]
- 二十一、BST [2019]
- 二十二、SIM [2020]
- 二十三、ESM2 [2019]
- 二十四、MV-DNN [2015]
- 二十五、CAN [2020]
- 二十六、AutoInt [2018]
- 二十七、Fi-GNN [2019]
- 二十八、FwFM [2018]
- 二十九、FM2 [2021]
- 三十、FiBiNET [2019]
- 三十一、AutoFIS [2020]
- 三十三、AFN [2020]
- 三十四、FGCNN [2019]
- 三十五、AutoCross [2019]
- 三十六、InterHAt [2020]
- 三十七、xDeepInt [2023]
- 三十九、AutoDis [2021]
- 四十、MDE [2020]
- 四十一、NIS [2020]
- 四十二、AutoEmb [2020]
- 四十三、AutoDim [2021]
- 四十四、PEP [2021]
- 四十五、DeepLight [2021]
- 图的表达
- 一、DeepWalk [2014]
- 二、LINE [2015]
- 三、GraRep [2015]
- 四、TADW [2015]
- 五、DNGR [2016]
- 六、Node2Vec [2016]
- 七、WALKLETS [2016]
- 八、SDNE [2016]
- 九、CANE [2017]
- 十、EOE [2017]
- 十一、metapath2vec [2017]
- 十二、GraphGAN [2018]
- 十三、struc2vec [2017]
- 十四、GraphWave [2018]
- 十五、NetMF [2017]
- 十六、NetSMF [2019]
- 十七、PTE [2015]
- 十八、HNE [2015]
- 十九、AANE [2017]
- 二十、LANE [2017]
- 二十一、MVE [2017]
- 二十二、PMNE [2017]
- 二十三、ANRL [2018]
- 二十四、DANE [2018]
- 二十五、HERec [2018]
- 二十六、GATNE [2019]
- 二十七、MNE [2018]
- 二十八、MVN2VEC [2018]
- 二十九、SNE [2018]
- 三十、ProNE [2019]
- Graph Embedding 综述
- 图神经网络
- 一、GNN [2009]
- 二、Spectral Networks 和 Deep Locally Connected Networks [2013]
- 三、Fast Localized Spectral Filtering On Graph [2016]
- 四、GCN [2016]
- 五、神经图指纹 [2015]
- 六、GGS-NN [2016]
- 七、PATCHY-SAN [2016]
- 八、GraphSAGE [2017]
- 九、GAT [2017]
- 十、R-GCN [2017]
- 十一、 AGCN [2018]
- 十二、FastGCN [2018]
- 十三、PinSage [2018]
- 十四、GCMC [2017]
- 十五、JK-Net [2018]
- 十六、PPNP [2018]
- 十七、VRGCN [2017]
- 十八、ClusterGCN [2019]
- 十九、LDS-GNN [2019]
- 二十、DIAL-GNN [2019]
- 二十一、HAN [2019]
- 二十二、HetGNN [2019]
- 二十三、HGT [2020]
- 二十四、GPT-GNN [2020]
- 二十五、Geom-GCN [2020]
- 二十六、Graph Network [2018]
- 二十七、GIN [2019]
- 二十八、MPNN [2017]
- 二十九、UniMP [2020]
- 三十、Correct and Smooth [2020]
- 三十一、LGCN [2018]
- 三十二、DGCNN [2018]
- 三十三、AS-GCN
- 三十四、DGI [2018]
- 三十五、DIFFPOLL [2018]
- 三十六、DCNN [2016]
- 三十七、IN [2016]
- 图神经网络 2
- 图神经网络 3
- 推荐算法(传统方法)
- 一、Tapestry [1992]
- 二、GroupLens [1994]
- 三、ItemBased CF [2001]
- 四、Amazon I-2-I CF [2003]
- 五、Slope One Rating-Based CF [2005]
- 六、Bipartite Network Projection [2007]
- 七、Implicit Feedback CF [2008]
- 八、PMF [2008]
- 九、SVD++ [2008]
- 十、MMMF 扩展 [2008]
- 十一、OCCF [2008]
- 十二、BPR [2009]
- 十三、MF for RS [2009]
- 十四、 Netflix BellKor Solution [2009]
- 推荐算法(神经网络方法 1)
- 一、MIND [2019](用于召回)
- 二、DNN For YouTube [2016]
- 三、Recommending What Video to Watch Next [2019]
- 四、ESAM [2020]
- 五、Facebook Embedding Based Retrieval [2020](用于检索)
- 六、Airbnb Search Ranking [2018]
- 七、MOBIUS [2019](用于召回)
- 八、TDM [2018](用于检索)
- 九、DR [2020](用于检索)
- 十、JTM [2019](用于检索)
- 十一、Pinterest Recommender System [2017]
- 十二、DLRM [2019]
- 十三、Applying Deep Learning To Airbnb Search [2018]
- 十四、Improving Deep Learning For Airbnb Search [2020]
- 十五、HOP-Rec [2018]
- 十六、NCF [2017]
- 十七、NGCF [2019]
- 十八、LightGCN [2020]
- 十九、Sampling-Bias-Corrected Neural Modeling [2019](检索)
- 二十、EGES [2018](Matching 阶段)
- 二十一、SDM [2019](Matching 阶段)
- 二十二、COLD [2020 ] (Pre-Ranking 模型)
- 二十三、ComiRec [2020](https://www.wenjiangs.com/doc/0b4e1736-ac78)
- 二十四、EdgeRec [2020]
- 二十五、DPSR [2020](检索)
- 二十六、PDN [2021](mathcing)
- 二十七、时空周期兴趣学习网络ST-PIL [2021]
- 推荐算法之序列推荐
- 一、FPMC [2010]
- 二、GRU4Rec [2015]
- 三、HRM [2015]
- 四、DREAM [2016]
- 五、Improved GRU4Rec [2016]
- 六、NARM [2017]
- 七、HRNN [2017]
- 八、RRN [2017]
- 九、Caser [2018]
- 十、p-RNN [2016]
- 十一、GRU4Rec Top-k Gains [2018]
- 十二、SASRec [2018]
- 十三、RUM [2018]
- 十四、SHAN [2018]
- 十五、Phased LSTM [2016]
- 十六、Time-LSTM [2017]
- 十七、STAMP [2018]
- 十八、Latent Cross [2018]
- 十九、CSRM [2019]
- 二十、SR-GNN [2019]
- 二十一、GC-SAN [2019]
- 二十二、BERT4Rec [2019]
- 二十三、MCPRN [2019]
- 二十四、RepeatNet [2019]
- 二十五、LINet(2019)
- 二十六、NextItNet [2019]
- 二十七、GCE-GNN [2020]
- 二十八、LESSR [2020]
- 二十九、HyperRec [2020]
- 三十、DHCN [2021]
- 三十一、TiSASRec [2020]
- 推荐算法(综述)
- 多任务学习
- 系统架构
- 实践方法论
- 深度强化学习 1
- 自动代码生成
工具
- CRF
- lightgbm
- xgboost
- scikit-learn
- spark
- numpy
- matplotlib
- pandas
- huggingface_transformer
- 一、Tokenizer
- 二、Datasets
- 三、Model
- 四、Trainer
- 五、Evaluator
- 六、Pipeline
- 七、Accelerate
- 八、Autoclass
- 九、应用
- 十、Gradio
Scala
- 环境搭建
- 基础知识
- 函数
- 类
- 样例类和模式匹配
- 测试和注解
- 集合 collection(一)
- 集合collection(二)
- 集成 Java
- 并发
五、Tokenizer in Transformers
4.1 从头开始训练 WordPiece
代码:
xxxxxxxxxx
from tokenizers import pre_tokenizers # 使用 WordPiece 模型 model = models.WordPiece(unk_token="[UNK]") # 未设置 vocab, 因为词表需要从数据中训练 tokenizer = Tokenizer(model) ################# Step1: Normalization ################### tokenizer.normalizer = normalizers.Sequence( [normalizers.NFD(), # NFD Unicode normalizer, 否则 StripAccents normalizer 无法正确识别带重音的字符 normalizers.Lowercase(), normalizers.StripAccents()] ) # 这个整体等价于 normalizers.BertNormalizer(lowercase=True) print(tokenizer.normalizer.normalize_str("Héllò hôw are ü?")) # hello how are u? ################# Step2: Pre-tokenization ################### tokenizer.pre_tokenizer = pre_tokenizers.Sequence( [pre_tokenizers.WhitespaceSplit(), pre_tokenizers.Punctuation()] ) # 这个整体等价于 pre_tokenizers.BertPreTokenizer() print(tokenizer.pre_tokenizer.pre_tokenize_str("This's me .")) # [('This', (0, 4)), ("'", (4, 5)), ('s', (5, 6)), ('me', (7, 9)), ('.', (11, 12))] ################# Step3: Trainer ################### special_tokens = ["[UNK]", "[PAD]", "[CLS]", "[SEP]", "[MASK]"] trainer = trainers.WordPieceTrainer(vocab_size=25000, special_tokens=special_tokens) ################# Step4: dataset ################### from datasets import load_dataset # pip install datasets dataset = load_dataset("wikitext", name="wikitext-2-raw-v1", split="train") def get_training_corpus(): for i in range(0, len(dataset), 1000): yield dataset[i : i + 1000]["text"] # batch size = 1000 ################# Step5: train #################### tokenizer.train_from_iterator(get_training_corpus(), trainer=trainer) # tokenizer.train(["wikitext-2.txt"], trainer=trainer) # 也可以从文本文件来训练 ## 测试训练好的 WordPiece encoding = tokenizer.encode("This's me .") print(encoding) # Encoding(num_tokens=5, attributes=[ids, type_ids, tokens, offsets, attention_mask, special_tokens_mask, overflowing]) print(encoding.ids) # [1511, 11, 61, 1607, 18] print(encoding.type_ids) # [0, 0, 0, 0, 0] print(encoding.tokens) # ['this', "'", 's', 'me', '.'] print(encoding.offsets) # [(0, 4), (4, 5), (5, 6), (7, 9), (11, 12)] print(encoding.attention_mask) # [1, 1, 1, 1, 1] print(encoding.special_tokens_mask) # [0, 0, 0, 0, 0] print(encoding.overflowing) # [] ################# Step6: Post-Processing #################### cls_token_id = tokenizer.token_to_id("[CLS]") sep_token_id = tokenizer.token_to_id("[SEP]") print(cls_token_id) # 2 print(sep_token_id) # 3 tokenizer.post_processor = processors.TemplateProcessing( single= "[CLS]:0 $A:0 [SEP]:0", pair= "[CLS]:0 $A:0 [SEP]:0 $B:1 [SEP]:1", special_tokens=[("[CLS]", cls_token_id), ("[SEP]", sep_token_id)], ) ## 测试训练好的 WordPiece(单个句子) encoding = tokenizer.encode("This's me .") print(encoding) # Encoding(num_tokens=7, attributes=[ids, type_ids, tokens, offsets, attention_mask, special_tokens_mask, overflowing]) print(encoding.ids) # [2, 1511, 11, 61, 1607, 18, 3] print(encoding.type_ids) # [0, 0, 0, 0, 0, 0, 0] print(encoding.tokens) # ['[CLS]', 'this', "'", 's', 'me', '.', '[SEP]'] print(encoding.offsets) # [(0, 0), (0, 4), (4, 5), (5, 6), (7, 9), (11, 12), (0, 0)] print(encoding.attention_mask) # [1, 1, 1, 1, 1, 1, 1] print(encoding.special_tokens_mask) # [1, 0, 0, 0, 0, 0, 1] print(encoding.overflowing) # [] ## 测试训练好的 WordPiece(多个句子) encoding = tokenizer.encode("This's me .", "That's is fine-tuning.") print(encoding) # Encoding(num_tokens=17, attributes=[ids, type_ids, tokens, offsets, attention_mask, special_tokens_mask, overflowing]) print(encoding.ids) # [2, 1511, 11, 61, 1607, 18, 3, 1389, 11, 61, 1390, 6774, 17, 4992, 1343, 18, 3] print(encoding.type_ids) # [0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] print(encoding.tokens) # ['[CLS]', 'this', "'", 's', 'me', '.', '[SEP]', 'that', "'", 's', 'is', 'fine', '-', 'tun', '##ing', '.', '[SEP]'] print(encoding.offsets) # [(0, 0), (0, 4), (4, 5), (5, 6), (7, 9), (11, 12), (0, 0), (0, 4), (4, 5), (5, 6), (7, 9), (10, 14), (14, 15), (15, 18), (18, 21), (21, 22), (0, 0)] print(encoding.attention_mask) # [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] print(encoding.special_tokens_mask) # [1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1] print(encoding.overflowing) # [] ################# Step7: Decode #################### tokenizer.decoder = decoders.WordPiece(prefix="##") tokenizer.decode(encoding.ids) # 注意:空格没有被还原 # "this's me. that's is fine - tuning." ################# Step8: Save #################### tokenizer.save("tokenizer.json") new_tokenizer = Tokenizer.from_file("tokenizer.json") print(new_tokenizer.decode(encoding.ids)) # this's me. that's is fine - tuning.要在
Transformers
中使用这个tokenizer
,我们必须将它封装在一个PreTrainedTokenizerFast
类中。如果是
Transformers
已有的模型,如BERT
,那么就可以用对应的PreTrainedTokenizerFast
子类,如BertTokenizerFast
。xxxxxxxxxx
from transformers import BertTokenizerFast wrapped_tokenizer = BertTokenizerFast(tokenizer_object=tokenizer) # wrapped_tokenizer = BertTokenizerFast(tokenizer_file="tokenizer.json")或者也可以直接使用
PreTrainedTokenizerFast
,方法为:xxxxxxxxxx
from transformers import PreTrainedTokenizerFast wrapped_tokenizer = PreTrainedTokenizerFast( tokenizer_object=tokenizer, # tokenizer_file="tokenizer.json", # 或者从文件加载 unk_token="[UNK]", pad_token="[PAD]", cls_token="[CLS]", sep_token="[SEP]", mask_token="[MASK]", )注意:我们必须手动设置所有
special token
,因为PreTrainedTokenizerFast
无法从tokenizer
对象推断出这些special token
。虽然
tokenizer
有special token
属性,但是这个属性是所有special token
的集合,无法区分哪个是CLS
、哪个是SEP
。
最后,这些
wrapped_tokenizer
可以使用save_pretrained()
方法或push_to_hub()
方法来保存到Hugging Face Hub
。其中save_pretrained()
方法会保存三个文件:'tokenizer_config.json'
、'special_tokens_map.json'
、'tokenizer.json'
。
4.2 从头开始训练 BPE
代码:
xxxxxxxxxx
from tokenizers import decoders, models, normalizers, \ pre_tokenizers, processors, trainers, Tokenizer # 使用 BPE 模型 model = models.BPE() # 未设置 vocab, 因为词表需要从数据中训练; 不需要 unk_token tokenizer = Tokenizer(model) ################# GPT-2 Skip Normalization ################## ################# Step1: Pre-tokenization ################### tokenizer.pre_tokenizer = pre_tokenizers.ByteLevel(add_prefix_space=False) print(tokenizer.pre_tokenizer.pre_tokenize_str("This's me .")) # [('This', (0, 4)), ("'s", (4, 6)), ('Ġme', (6, 9)), ('Ġ', (9, 10)), ('Ġ.', (10, 12))] ################# Step2: Trainer ################### special_tokens = ["<|endoftext|>"] # end-of-text token trainer = trainers.BpeTrainer(vocab_size=25000, special_tokens=special_tokens) ################# Step3: dataset ################### from datasets import load_dataset # pip install datasets dataset = load_dataset("wikitext", name="wikitext-2-raw-v1", split="train") def get_training_corpus(): for i in range(0, len(dataset), 1000): yield dataset[i : i + 1000]["text"] # batch size = 1000 ################# Step4: train #################### tokenizer.train_from_iterator(get_training_corpus(), trainer=trainer) # tokenizer.train(["wikitext-2.txt"], trainer=trainer) # 也可以从文本文件来训练 ## 测试训练好的 BPE encoding = tokenizer.encode("This's me .") print(encoding) # Encoding(num_tokens=8, attributes=[ids, type_ids, tokens, offsets, attention_mask, special_tokens_mask, overflowing]) print(encoding.ids) # [52, 72, 215, 7, 83, 701, 159, 209] print(encoding.type_ids) # [0, 0, 0, 0, 0, 0, 0, 0] print(encoding.tokens) # ['T', 'h', 'is', "'", 's', 'Ġme', 'Ġ', 'Ġ.'] print(encoding.offsets) # [(0, 1), (1, 2), (2, 4), (4, 5), (5, 6), (6, 9), (9, 10), (10, 12)] print(encoding.attention_mask) # [1, 1, 1, 1, 1, 1, 1, 1] print(encoding.special_tokens_mask) # [0, 0, 0, 0, 0, 0, 0, 0] print(encoding.overflowing) # [] ################# Step5: Post-Processing #################### tokenizer.post_processor = processors.ByteLevel(trim_offsets=False) # 保留 ‘Ġ’ 代表的空格 ## 测试训练好的 BPE (单个句子) encoding = tokenizer.encode("This's me .") print(encoding) # Encoding(num_tokens=8, attributes=[ids, type_ids, tokens, offsets, attention_mask, special_tokens_mask, overflowing]) print(encoding.ids) # [52, 72, 215, 7, 83, 701, 159, 209] print(encoding.type_ids) # [0, 0, 0, 0, 0, 0, 0, 0] print(encoding.tokens) # ['T', 'h', 'is', "'", 's', 'Ġme', 'Ġ', 'Ġ.'] print(encoding.offsets) # [(0, 1), (1, 2), (2, 4), (4, 5), (5, 6), (6, 9), (9, 10), (10, 12)] print(encoding.attention_mask) # [1, 1, 1, 1, 1, 1, 1, 1] print(encoding.special_tokens_mask) # [0, 0, 0, 0, 0, 0, 0, 0] print(encoding.overflowing) # [] ## 测试训练好的 BPE (多个句子) encoding = tokenizer.encode("This's me .", "That's is fine-tuning.") print(encoding) # Encoding(num_tokens=19, attributes=[ids, type_ids, tokens, offsets, attention_mask, special_tokens_mask, overflowing]) print(encoding.ids) # [52, 72, 215, 7, 83, 701, 159, 209, 52, 6312, 7, 83, 301, 7620, 13, 84, 302, 223, 14] print(encoding.type_ids) # [0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] print(encoding.tokens) # ['T', 'h', 'is', "'", 's', 'Ġme', 'Ġ', 'Ġ.', 'T', 'hat', "'", 's', 'Ġis', 'Ġfine', '-', 't', 'un', 'ing', '.'] print(encoding.offsets) # [(0, 1), (1, 2), (2, 4), (4, 5), (5, 6), (6, 9), (9, 10), (10, 12), (0, 1), (1, 4), (4, 5), (5, 6), (6, 9), (9, 14), (14, 15), (15, 16), (16, 18), (18, 21), (21, 22)] print(encoding.attention_mask) # [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] print(encoding.special_tokens_mask) # [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] print(encoding.overflowing) # [] ################# Step6: Decode #################### tokenizer.decoder = decoders.ByteLevel() tokenizer.decode(encoding.ids) # 注意:空格能够被还原 # "This's me .That's is fine-tuning." ################# Step7: Save #################### tokenizer.save("tokenizer.json") new_tokenizer = Tokenizer.from_file("tokenizer.json") print(new_tokenizer.decode(encoding.ids)) # This's me .That's is fine-tuning.我们可以把训练好的
tokenizer
封装在一个PreTrainedTokenizerFast
类中,从而在Transformers
中使用:直接使用
GPT2TokenizerFast
:xxxxxxxxxx
from transformers import GPT2TokenizerFast wrapped_tokenizer = GPT2TokenizerFast(tokenizer_object=tokenizer) # wrapped_tokenizer = GPT2TokenizerFast(tokenizer_file="tokenizer.json")使用
PreTrainedTokenizerFast
类:xxxxxxxxxx
from transformers import PreTrainedTokenizerFast wrapped_tokenizer = PreTrainedTokenizerFast( tokenizer_object=tokenizer, # tokenizer_file="tokenizer.json", # 或者从文件加载 bos_token="<|endoftext|>", eos_token="<|endoftext|>", )
4.3 从头开始训练 Unigram
代码:
xxxxxxxxxx
from tokenizers import decoders, models, normalizers, \ pre_tokenizers, processors, trainers, Tokenizer, Regex # 使用 Unigram 模型 model = models.models.Unigram() # 未设置 vocab, 因为词表需要从数据中训练 tokenizer = Tokenizer(model) ################# Step1: Normalization ################### tokenizer.normalizer = normalizers.Sequence( [ normalizers.Replace("``", '"'), normalizers.Replace("''", '"'), normalizers.NFKD(), # NFKD Unicode normalizer, 否则 StripAccents normalizer 无法正确识别带重音的字符 normalizers.StripAccents(), normalizers.Replace(Regex(" {2,}"), " "), # ' {2,}' 表示至少两个空格,因此这里将多个空格替换为一个空格 ] ) print(tokenizer.normalizer.normalize_str("Héllò hôw are ü?")) # Hello how are u? ################# Step2: Pre-tokenization ################### tokenizer.pre_tokenizer = pre_tokenizers.Metaspace() print(tokenizer.pre_tokenizer.pre_tokenize_str("This's me .")) # [("▁This's", (0, 6)), ('▁me', (6, 9)), ('▁', (9, 10)), ('▁.', (10, 12))] ################# Step3: Trainer ################### special_tokens = ["<cls>", "<sep>", "<unk>", "<pad>", "<mask>", "<s>", "</s>"] trainer = trainers.UnigramTrainer( vocab_size=25000, special_tokens=special_tokens, unk_token="<unk>" ) ################# Step4: dataset ################### from datasets import load_dataset # pip install datasets dataset = load_dataset("wikitext", name="wikitext-2-raw-v1", split="train") def get_training_corpus(): for i in range(0, len(dataset), 1000): yield dataset[i : i + 1000]["text"] # batch size = 1000 ################# Step5: train #################### tokenizer.train_from_iterator(get_training_corpus(), trainer=trainer) # tokenizer.train(["wikitext-2.txt"], trainer=trainer) # 也可以从文本文件来训练 ## 测试训练好的 Unigram encoding = tokenizer.encode("This's me .") print(encoding) # Encoding(num_tokens=6, attributes=[ids, type_ids, tokens, offsets, attention_mask, special_tokens_mask, overflowing]) print(encoding.ids) # [164, 8030, 9, 918, 7, 11] print(encoding.type_ids) # [0, 0, 0, 0, 0, 0] print(encoding.tokens) # ['▁This', "'", 's', '▁me', '▁', '.'] print(encoding.offsets) # [(0, 4), (4, 5), (5, 6), (6, 9), (10, 11), (11, 12)] print(encoding.attention_mask) # [1, 1, 1, 1, 1, 1] print(encoding.special_tokens_mask) # [0, 0, 0, 0, 0, 0] print(encoding.overflowing) # [] ################# Step6: Post-Processing #################### cls_token_id = tokenizer.token_to_id("<cls>") sep_token_id = tokenizer.token_to_id("<sep>") print(cls_token_id) # 0 print(sep_token_id) # 1 tokenizer.post_processor = processors.TemplateProcessing( single="$A:0 <sep>:0 <cls>:2", pair="$A:0 <sep>:0 $B:1 <sep>:1 <cls>:2", special_tokens=[("<sep>", sep_token_id), ("<cls>", cls_token_id)], ) ## 测试训练好的 Unigram (单个句子) encoding = tokenizer.encode("This's me .") print(encoding) # Encoding(num_tokens=8, attributes=[ids, type_ids, tokens, offsets, attention_mask, special_tokens_mask, overflowing]) print(encoding.ids) # [164, 8030, 9, 918, 7, 11, 1, 0] print(encoding.type_ids) # [0, 0, 0, 0, 0, 0, 0, 2] print(encoding.tokens) # ['▁This', "'", 's', '▁me', '▁', '.', '<sep>', '<cls>'] print(encoding.offsets) # [(0, 4), (4, 5), (5, 6), (6, 9), (10, 11), (11, 12), (0, 0), (0, 0)] print(encoding.attention_mask) # [1, 1, 1, 1, 1, 1, 1, 1] print(encoding.special_tokens_mask) # [0, 0, 0, 0, 0, 0, 1, 1] print(encoding.overflowing) # [] ## 测试训练好的 Unigram (多个句子) encoding = tokenizer.encode("This's me .", "That's is fine-tuning.") print(encoding) # Encoding(num_tokens=19, attributes=[ids, type_ids, tokens, offsets, attention_mask, special_tokens_mask, overflowing]) print(encoding.ids) #[164, 8030, 9, 918, 7, 11, 1, 1126, 8030, 9, 41, 3030, 28, 37, 2669, 21, 11, 1, 0] print(encoding.type_ids) # [0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2] print(encoding.tokens) # ['▁This', "'", 's', '▁me', '▁', '.', '<sep>', '▁That', "'", 's', '▁is', '▁fine', '-', 't', 'un', 'ing', '.', '<sep>', '<cls>'] print(encoding.offsets) #[(0, 4), (4, 5), (5, 6), (6, 9), (10, 11), (11, 12), (0, 0), (0, 4), (4, 5), (5, 6), (6, 9), (9, 14), (14, 15), (15, 16), (16, 18), (18, 21), (21, 22), (0, 0), (0, 0)] print(encoding.attention_mask) # [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] print(encoding.special_tokens_mask) # [0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1] print(encoding.overflowing) # [] ################# Step7: Decode #################### tokenizer.decoder = decoders.Metaspace() tokenizer.decode(encoding.ids) # 注意:空格没有被还原 ( 'me' 后面的两个空格只剩下一个) # "This's me . That's is fine-tuning." ################# Step8: Save #################### tokenizer.save("tokenizer.json") new_tokenizer = Tokenizer.from_file("tokenizer.json") print(new_tokenizer.decode(encoding.ids)) # this's me. that's is fine - tuning.我们可以把训练好的
tokenizer
封装在一个PreTrainedTokenizerFast
类中,从而在Transformers
中使用:直接使用
XLNetTokenizerFast
:xxxxxxxxxx
from transformers import XLNetTokenizerFast wrapped_tokenizer = XLNetTokenizerFast(tokenizer_object=tokenizer) # wrapped_tokenizer = XLNetTokenizerFast(tokenizer_file="tokenizer.json")使用
PreTrainedTokenizerFast
类:xxxxxxxxxx
from transformers import PreTrainedTokenizerFast wrapped_tokenizer = PreTrainedTokenizerFast( tokenizer_object=tokenizer, bos_token="<s>", eos_token="</s>", unk_token="<unk>", pad_token="<pad>", cls_token="<cls>", sep_token="<sep>", mask_token="<mask>", padding_side="left", )
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论