文章目录
1.tokenizer
1.介绍
from transformers import AutoTokenizer, AutoModelForSequenceClassification
model_name = "distilbert-base-uncased-finetuned-sst-2-english"
pt_model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)
transformer 中tokenizer负责预处理文本, 首先会将文本分词(或比词更细的粒度subwords,标点符号…),将分词后的每个个体叫做tokens。然后会转化成一个一个id通过一个查询表(look-up table)
transformer中有三种主要的tokenizers :Byte-Pair Encoding (BPE), WordPiece, and SentencePiece
比如BertTokenizer
就是用的WordPiece
对英文文本分词比想象的难,举例,对下面这句话分词
如果按照空格分词,会得到
可以看到标点符号黏在词的后面 “Transformers?” 还有“do.”
所以要将标点符号考虑进来,进行分词。
但是对于“Don’t” 这个词又没切好,最好将其切成["Do","n't"]
可以看到切词并不简单,要清楚的是每个模型都有其专属的tokenizer,分词规则。
与训练模型只有在使用相同分词规则的tokenizer时才会表现的好。
spaCy和Moses是两个主流的基于规则的分词器,使用这两个分词器进行分词的结果如下
可以看出,这里使用了空间和标点分词以及基于规则的分词。 空间和标点分词和基于规则的分词都是单