Bert的文本编码tokenizer、分隔符(MASK/CLS/SEP)编码

1.文本编码

bert模型的输入是文本，需要将其编码为模型计算机语言能识别的编码。这里将文本根据词典编码为数字，称之为token embedding；当输入的是两句话时，用[SEP]标志分隔，得到segment embedding，前一句对应元素的编码为0，那么后一句编码为1. 输入 文本的元素位置信息，做position embedding。这三个embedding组合起来作为模型的输入。

但是，在只有一句话的情况下，则可以不用segment embedding。 输入中，只有token embedding是必须的，其他的embedding，可有可无，看你需要。 

1.1tokenizer基本含义

tokenizer就是分词器； 只不过在bert里和我们理解的中文分词不太一样，主要不是分词方法的问题，bert里基本都是最大匹配方法。

最大的不同在于“词”的理解和定义。 比如：中文基本是字为单位。
英文则是subword的概念，例如将"unwanted"分解成[“un”, “##want”, “##ed”] 请仔细理解这个做法的优点。

1.2bert里涉及的tokenizer

BasicTokenzer

主要的类是BasicTokenizer，做一些基础的大小写、unicode转换、标点符号分割、小写转换、中文字符分割、去除重音符号等操作，最后返回的是关于词的数组（中文是字的数组）

BasicTokenzer是预处理。

wordpiecetokenizer

另外一个则是关键wordpiecetokenizer，就是基于vocab切词。

FullTokenzier

这个基本上就是利用basic和wordpiece来切分。用于bert训练的预处理。基本就一个tokenize方法。不会有encode_plus等方法。

PretrainTokenizer

这个则是bert的base类，定义了很多方法(convert_ids_to_tokens)等。 后续的BertTokenzier，GPT2Tokenizer都继承自pretrainTOkenizer，下面的关系图可以看到这个全貌。

 1.3句子简单编码

使用下面的encode方式即可：

from transformers import BertTokenizer
bert_name = 'bert-base-chinese'
tokenizer = BertTokenizer.from_pretrained(bert_name)
text = '愿执子手立黄昏，冬日品茗粥尚温.'
input_ids = tokenizer.encode(
                        text,
                        add_special_tokens=True,  # 添加special tokens， 也就是CLS和SEP
                        max_length=100,           # 设定最大文本长度
                        pad_to_max_length=True,   # pad到最大的长度
                        return_tensors='pt'       # 返回的类型为pytorch tensor
                   )
print('---text: ', text)
print('---id', input_ids)

输出：
---text:  愿执子手立黄昏，冬日品茗粥尚温.
---id tensor([[ 101, 2703, 2809, 2094, 2797, 4989, 7942, 3210, 8024, 1100, 3189, 1501,
         5751, 5114, 2213, 3946,  119,  102,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0]])

1.4.其他形式编码

from transformers import BertTokenizer
bert_name = 'bert-base-chinese'
tokenizer = BertTokenizer.from_pretrained(bert_name)
# text = '[SEP]愿执子[sep]手立黄昏，[SEP]冬日品茗粥尚温.'
text = '愿执子手立黄昏，[SEP]冬日品茗粥尚温.'
input_ids = tokenizer(text)
print('---text: ', text)
print('---id', input_ids)

print("词典大小:",tokenizer.vocab_size)
text = "the game has gone!unaffable  I have a new GPU!"
tokens = tokenizer.tokenize(text)
print("英文分词来一个：",tokens)

text = '愿执子手立黄昏，[SEP]冬日品茗粥尚温.'
tokens = tokenizer.tokenize(text)
print("中文分词来一个：",tokens)

input_ids = tokenizer.convert_tokens_to_ids(tokens)
print("id-token转换:",input_ids)

sen_code = tokenizer.encode_plus("i like  you  much", "but not him")
print("多句子encode：", sen_code)

print("decode：",tokenizer.decode(sen_code['input_ids']))

输出：
---text:  愿执子手立黄昏，[SEP]冬日品茗粥尚温.
---id {'input_ids': [101, 2703, 2809, 2094, 2797, 4989, 7942, 3210, 8024, 102, 1100, 3189, 1501, 5751, 5114, 2213, 3946, 119, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
词典大小: 21128
英文分词来一个： ['the', 'game', 'has', 'go', '##ne', '!', 'u', '##na', '##ff', '##able', '[UNK]', 'have', 'a', 'new', '[UNK]', '!']
中文分词来一个： ['愿', '执', '子', '手', '立', '黄', '昏', '，', '[SEP]', '冬', '日', '品', '茗', '粥', '尚', '温', '.']
id-token转换: [2703, 2809, 2094, 2797, 4989, 7942, 3210, 8024, 102, 1100, 3189, 1501, 5751, 5114, 2213, 3946, 119]
多句子encode： {'input_ids': [101, 151, 8993, 8357, 11677, 8370, 102, 10288, 9059, 8913, 8175, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
decode： [CLS] i like you much [SEP] but not him [SEP]

tokenizer.tokenize() ：
使用 tokenize() 函数对文本进行 tokenization（分词）之后，返回的分词的 token 词

tokenizer.encoder()：
encode() 函数对 文本 进行 tokenization 并将 token 用相应的 token id 表示

1.5 此处缺一个编码函数

待续ing

2.分隔符编码

特殊的分隔符号：

[MASK] ：表示这个词被遮挡。需要带着[]，并且mask是大写，对应的编码是103

[SEP]: 表示分隔开两个句子。对应的编码是102

[CLS]:用于分类场景，该位置可表示整句话的语义。对应的编码是101

[UNK]：文本中的元素不在词典中，用该符号表示生僻字。对应编码是100

[PAD]：针对有长度要求的场景，填充文本长度，使得文本长度达到要求。对应编码是0

eg：

from transformers import BertTokenizer
bert_name = 'bert-base-chinese'
tokenizer = BertTokenizer.from_pretrained(bert_name)
text = '[SEP]愿执子[sep]手立黄昏，[MASK]冬日品茗粥尚温.'
input_ids = tokenizer.encode(
                        text,
                        add_special_tokens=True,  # 添加special tokens， 也就是CLS和SEP
                        max_length=100,           # 设定最大文本长度
                        pad_to_max_length=True,   # pad到最大的长度
                        return_tensors='pt'       # 返回的类型为pytorch tensor
                   )
print('---text: ', text)
print('---id', input_ids)

输出：
---text:  [SEP]愿执子[sep]手立黄昏，[MASK]冬日品茗粥尚温.
---id tensor([[ 101,  102, 2703, 2809, 2094,  138, 9463,  140, 2797, 4989, 7942, 3210,
         8024,  103, 1100, 3189, 1501, 5751, 5114, 2213, 3946,  119,  102,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,    0,
            0,    0,    0,    0]])

参考：

1.https://huggingface.co/transformers/model_doc/bert.html#bertforsequenceclassification

2.https://blog.csdn.net/iterate7/article/details/108959082