同学你好！本文章于2021年末编写，获得广泛的好评！
故在2022年末对本系列进行填充与更新，欢迎大家订阅最新的专栏，获取基于Pytorch1.10版本的理论代码(2023版)实现，
Pytorch深度学习·理论篇(2023版)目录地址为：
以下为2021版原文~~~~
1 Tokenizer
在Transformers库中，提供了一个通用的词表工具Tokenizer，该工具是用Rust编写的，其可以实现NLP任务中数据预处理环节的相关任务。
1.1 Tokenizer工具中的组件
在词表工具Tokenizer中，主要通过PreTrainedTokenizer类实现对外接口的使用。
1.1.1 Normaizer
对输入字符串进行规范化转换，如对文本进行小写转换、使用uni-code规范化。
1.1.2 PreTokenizer
对输入数据进行预处理，如基于字节空格、字符等级别对文本进’Madel：生成和使用子词的横型，如Wordlevel、BPE、WordPlece等模型。这部分是可训练的。
1.1.3 Post-Processor
对分词后的文本进行二次处理。例如，在BERT模型中，使用ssor为输入文本添加特殊字符（如[CLS]、[SEP]等)。
1.1.4 Dcoder
负责将标记化输入映射回原始字符串。
1.1.5 Trainer
为每个模型提供培训能力。
1.2 子词的拆分
词表工具将liyongle分成了[lI’，yong’，’#le]，使用子词的拆分技术可以防止NLP任务中，在覆盖大量词汇的同时，词表过大的问题。
1.2.1 子词的拆分原理
在进行NLP时，通过为每个不同词对应一个不同的向量，来完成文字到数值之间的转换，这个映射表被称作词表。
1.2.2 字词拆分优势
对于某些形态学丰富的语言（如德语，或是带有时态动词的英语)，如果将每个变化的词都对应一个数值，则会导致词表过大的问题。而且这种方式使得两个词之间彼此独立，也不能体现出其本身的相近意思（如pad和padding)。
子词就是将一般的词，如padding分解成更小单元pad+ding。而这些小单元也有各自意思，同时这些小单元也能用到其他词中。子词与单词中的词根、词缀非常相似。通过将间分解成子词，可以大大降低模型的词汇量，减少运算量。
1.2.3 于统计方法实现的子词的分词方法
Byte Pair Encoding(BPE)法：统计频次，即先对语料统计出相邻符号对的频次，再根据频词进行融合。
WordPiece法：WordPiece法统计最大似然，是Google公司内部的子词包，其未对外公开。BERT最初用的就是WordPiece法分词。
Unigram Language Model法：先初始化一个大词表，接着通过语言模型评估不断减少词表，一直减少到限定词汇量。
1.2.4 使用模型训练的方法对子词进行拆分
在神经网络模型中，还可以使用模型训练的方法对子词进行拆分。常见的有子词正则和BPEDropout方法。二者相比，BPEDropout方法更为出色。
1.2.5 模型中使用子词
在模型的训练过程中，输入的句子是以子词形式存在的，这种方式得到的预测结果也是子词。
当使用模型进行预测时，模型输出子词之后，再将其合并成整词即可。例如，训练时先把liyongle分成了[lI’，yong’，’##le’]，获得结果后，将句子中的”##”去掉即可。
2 PreTrainedTokenizer类
2.1 PreTrainedTokenizer类中的特殊词
在PreTrainedTokenizer类中，将词分成了两部分：普通词与特殊词。其中特殊词是指用于标定句子的特殊标记，主要是在训练模型中使用
2.1.1 使用代码查看系统特殊词
import torch
from transformers import BertTokenizer, BertForMaskedLM
加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
for tokerstr in tokenizer.SPECIAL_TOKENS_ATTRIBUTES:
strto = "tokenizer." + tokerstr
print(tokerstr, eval(strto))
获得标记词在词表中的索引值
print("masktken"，tokenizer.mask_token,tokenizer.mask_token_id)
输出
输出：
bos_token None
eos_token None
unk_token [UNK] # 未知标记
Using bos_token, but it is not set yet.
sep_token [SEP] # 句子结束标记
pad_token [PAD] # 填充标记
Using eos_token, but it is not set yet.
cls_token [CLS] # 开始标记
mask_token [MASK] # 遮蔽词标记
additional_special_tokens [] # 用于扩充使用，用户可以把自己的自定义特殊词添加到里面，可以对应多个标记，这些标记都会被放到列表中。获取该词对应的标记并不是一个，在获取对应索引值时，需要使用additional_special_tokens_ids属性。
2.2 PreTrainedTokenizer类中特殊词的使用方法
2.2.1 encode完整定义
def encode(self,
text, # 第一个句子
text_pair=None, #第二个句子
add_special_tokens=True,#是否添加特殊词，如果为False，则不会增加[CLS],[SEP]等标记词
max_length=None, # #最大长度
stride=0, #返回截断词的步长窗口，stride在encode方法中没有任何意义。该参数主要为兼容底层的encode_plus方法。在encode_plus方法中，会根据stride的设置来返回从较长句子中截断的词。
truncation_strategy="longest_first", # 截断策略
#截断策略：longest_first（默认值)）当输入是2个句子的时候，从较长的那个句子开始处理对其进行截断，使其长度小于max_length参数。
#截断策略：only_frst：只截断第一个句子。
#截断策略：only_second：只截断第二个句子。
#截断策略：dou not_truncate：不截断（如果输入句子的长度大于max_length参数，则会发生错误)。
pad_to_max_length=False,#对长度不足的句子是否填充
return_tensors=None, #是否返回张量类型,可以设置成"tf"或"pt"，主要用于指定是否返回PyTorch或TensorFlow框架下的张量类型。如果不设置，默认为None，即返回Python中的列表类型。
**kwargs
)
2.2.2 代码实现：使用encode方法实现语句分词与分句
from transformers import BertTokenizer, BertForMaskedLM
加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
encode方法对每句话的开头和结尾都分别使用了[CLS]和[SEP]进行标记，并对其进行分词
one_toind = tokenizer.encode("Who is Li BiGor ?")#将第一句转化成向量
two_toind = tokenizer.encode("Li BiGor is a programmer")#将第二句转化成向量
在合并时,使用了two_toind[1:]将第二句的开头标记[CLS]去掉,表明两个句子属于一个段落。
all_toind = one_toind+two_toind[1:] #将两句合并
print(tokenizer.convert_ids_to_tokens(one_toind))
print(tokenizer.convert_ids_to_tokens(two_toind))
print(tokenizer.convert_ids_to_tokens(all_toind))
输出：
['[CLS]', 'who', 'is', 'li', 'big', '##or', '?', '[SEP]']
['[CLS]', 'li', 'big', '##or', 'is', 'a', 'programmer', '[SEP]']
['[CLS]', 'who', 'is', 'li', 'big', '##or', '?', '[SEP]', 'li', 'big', '##or', 'is', 'a', 'programmer', '[SEP]']
2.2.3 代码实现：使用encode方法实现语句的索引值填充
from transformers import BertTokenizer, BertForMaskedLM
加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
encode方法的参数max_length代表转换后的总长度.如果超过该长度,则会被截断。
如果小于该长度，并且参数pad_to_max_length为True时，则会对其进行填充。
padd_sequence_word = tokenizer.encode("Li BiGor is a man",max_length=10,pad_to_max_length=True)
print("padd_sequence_word:",padd_sequence_word)
输出：padd_sequence_word: [101, 5622, 2502, 2953, 2003, 1037, 2158, 102, 0, 0]
2.2.4 代码实现：使用encode方法实现语句的截断
from transformers import BertTokenizer, BertForMaskedLM
加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
return_num = tokenizer.encode("Li BiGor is a man",max_length=5)
return_word = tokenizer.decode(return_num) # 使用decode将索引值转化为汉子
print("return_word：",return_word)
输出：return_word： [CLS] li bigor [SEP]
2.2.5 代码实现：使用encode_plus方法完成非填充部分的掩码标志，被截短词的附加信息
encode_plus方法是PreTrainedTokenzer类中更为底层的方法。在调用encode方法时，最终也是通过encode_plus方法来实现的。
from transformers import BertTokenizer, BertForMaskedLM
加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
encode_plus方法输出了一个字典，字典中含有3个元素：
input_jds：对句子处理后的词素引值，与encode方法输出的结果一致。
token_type_ids：对两个句子中的词进行标识，属于第一个句子中的词用0表示，属于第二个句子中的词用1表示。
attention_mask：表示非填充部分的掩码，非填充部分的词用1表示，填充部分的词用0表示。
padded_plus_toind = tokenizer.encode_plus("Li BiGor is a man",maxlength = 10,pad_to_max_length=True)
print("padded_plus_toind：",padded_plus_toind)
输出：padded_plus_toind： {'input_ids': [101, 5622, 2502, 2953, 2003, 1037, 2158, 102],
'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0],
'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1]
}
2.2.5 代码实现：使用batch_encode_pus方法批处理语句
batch_encode_pus方法同时处理两个句子，并输出了一个字典对象两个句子对应的处理结果被放在字典对象value的列表中。
from transformers import BertTokenizer, BertForMaskedLM
加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
tokens = tokenizer.batch_encode_plus(["This is a sample","This is another longer sample text"],pad_to_max_length=True )
print(tokens)
输出：{'input_ids': [[101, 2023, 2003, 1037, 7099, 102, 0, 0], [101, 2023, 2003, 2178, 2936, 7099, 3793, 102]],
'token_type_ids': [[0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0]],
'attention_mask': [[1, 1, 1, 1, 1, 1, 0, 0], [1, 1, 1, 1, 1, 1, 1, 1]]}
3 向PreTrainedTokenizer类中添加词（普通词和特殊词）
3.1 方法定义
-
添加普通词:调用add_tokens方法,填入新词的字符串.
-
添加特殊词:调用add_Special_tokens方法,填入特殊词字典.
3.2 代码实现：向PreTrainedTokenizer类中添加词（普通词和特殊词）
from transformers import BertTokenizer, BertForMaskedLM
加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
print("-------------------------添加特殊词前-------------------------")
print("特殊词列表",tokenizer.additional_special_tokens) # 特殊词列表 ['']
print("特殊词索引值列表:",tokenizer.additional_special_tokens_ids) # 特殊词索引值列表: [30522]
toind = tokenizer.encode(" yes ")
print(tokenizer.convert_ids_to_tokens(toind))
# 将索引词转化成字符串并输出 ：['[CLS]', '', 'yes', '', '[SEP]']
print(len(tokenizer))# 输出词表总长度:30522
print("-------------------------添加特殊词后-------------------------")
special_tokens_dict = {'additional_special_tokens':[""]}
tokenizer.add_special_tokens(special_tokens_dict) # 添加特殊词
print("特殊词列表",tokenizer.additional_special_tokens) # 特殊词列表 []
print("特殊词索引值列表:",tokenizer.additional_special_tokens_ids) # 特殊词索引值列表: []
toind = tokenizer.encode(" yes ")
print(tokenizer.convert_ids_to_tokens(toind)) # tokenzer在分词时，没有将""字符拆开。
将索引词转化成字符串并输出 ：['[CLS]', '', 'yes', '', '[SEP]']
print(len(tokenizer)) # 输出词表总长度:30523
Original: https://blog.csdn.net/qq_39237205/article/details/124430495
Author: LiBiGo
Title: 【Pytorch神经网络理论篇】 40 Transformers中的词表工具Tokenizer
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/689972/
转载文章受原作者版权保护。转载请注明原作者出处！