我正在使用来自
HuggingFace的
DistilBertTokenizer
分词器。
我想通过简单地在空间上分割我的文本来标记它:
["Don't", "you", "love", "🤗", "Transformers?", "We", "sure", "do."]
而不是默认行为,如下所示:
["Do", "n't", "you", "love", "🤗", "Transformers", "?", "We", "sure", "do", "."]
我阅读了他们关于 Tokenization 的一般文档以及关于 BERT Tokenizer 的具体文档,但找不到这个简单问题的答案:(
我认为它应该是加载Tokenizer时的一个参数,但我在参数列表中找不到它......
编辑: 重现的最小代码示例:
from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained('distilbert-base-cased')
tokens = tokenizer.tokenize("Don't you love 🤗 Transformers? We sure do.")
print("Tokens: ", tokens)
事情不是这样的。 Transformer 库提供了不同类型的tokenizers。就 distilbert 而言,它是一个“wordpiece tokenizer”,具有定义的词汇表,用于训练相应的模型,因此不提供此类修改(据我所知)。你可以做的就是使用 python 字符串的 split() 方法:
text = "Don't you love 🤗 Transformers? We sure do."
tokens = text.split()
print("Tokens: ", tokens)
输出:
Tokens: ["Don't", 'you', 'love', '🤗', 'Transformers?', 'We', 'sure', 'do.']
如果您正在寻找更复杂的标记化,同时也考虑标点符号,您可以使用 basic_tokenizer:
from transformers import DistilBertTokenizer
tokenizer = DistilBertTokenizer.from_pretrained('distilbert-base-cased')
tokens = tokenizer.basic_tokenizer.tokenize(text)
print("Tokens: ", tokens)
输出:
Tokens: ['Don', "'", 't', 'you', 'love', '🤗', 'Transformers', '?', 'We', 'sure', 'do', '.']
这是我尝试过的一个想法:
from transformers import DistilBertModel, DistilBertTokenizer
import torch
text_str = "also du fängst an mit der Stadtrundfahrt"
# create DistilBERT tokenizer and model
tokenizer = DistilBertTokenizer.from_pretrained('distilbert-base-german-cased')
model = DistilBertModel.from_pretrained('distilbert-base-german-cased')
# check if tokens are correct
tokens = tokenizer.basic_tokenizer.tokenize(text_str)
print("Tokens: ", tokens)
# Encode the curent text
input_ids = torch.tensor(tokenizer.encode(tokens)).unsqueeze(0)
outputs = model(input_ids)
last_hidden_states = outputs[0]
print(last_hidden_states.shape)
print(last_hidden_states[0,1:-1].shape)
print(last_hidden_states)
关键是首先使用
BasicTokenizer
(由@cronoik提议)分割标记,然后在编码时使用已经标记化的文本。