在加载前需要统一模型文件名。比如bin文件都得叫pytorch_model.bin
,配置文件都得叫config.json
,词汇文件都得叫vocab.txt或json
。这个是因为源码中的判断要求,所以别问,问就是改名。(https://blog.csdn.net/qq_33293040/article/details/109534923)
RoBERTa中的merge.txt和vocab.json是什么
Bert采用的是字符级别的BPE编码,直接生成词表文件。Roberta采用的是**byte level的BPE(BBPE)**编码,预训练结果中的merges.txt
中存储了BBPE过程中merge得到的所有token,可以简单理解成就是字典。vocab.json
则是一个字典中基本单元到索引的映射。转换的过程是,根据merges.txt
将输入的文本tokenize化,再根据vocab.json中的字典映射到对应的索id。
其他参考
https://blog.csdn.net/IT__learning/article/details/120741368