transformers库的BertTokenizer新增token
在与vocab.txt
同级的地方新建added_tokens.json
,写入以下内容:
{
"[X_SEP]":12345,
"[SEN_SEP]":1
}
key值是token,value值为该token对应的id。
如上所示,tokenizer.encode('[X_SEP][SEN_SEP]')
, 得到的结果是[12345,1]
Tokenizers库的一些操作
如果对tokenize和encode的性能有要求,建议使用tokenizers库 【更新:现在transformers库已经使用rust编写的tokenziers了,不必大费周章了】
>>>from tokenizers import BertWordPieceTokenizer
>>>tokenizer = BertWordPieceTokenizer('path/to/vocab.txt')
>>><