HuggingFace学习笔记--Tokenizer的使用

1--AutoTokenizer的使用

官方文档

        AutoTokenizer() 常用于分词，其可调用现成的模型来对输入句子进行分词。

1-1--简单Demo

测试代码：

# 分词器测试Demo from transformers import AutoTokenizer if __name__ == "__main__": checkpoint = "distilbert-base-uncased-finetuned-sst-2-english" # 使用该模型 tokenlizer = AutoTokenizer.from_pretrained(checkpoint) # 加载该模型对应的分词器 raw_input = [ "I love kobe bryant.", "Me too." ] inputs = tokenlizer(raw_input, padding = True, return_tensors = "pt") # padding并返回pytorch版本的tensor print("After tokenlizer: \n", inputs) # 打印分词后的结果 str1 = tokenlizer.decode(inputs['input_ids'][0]) # 将词ID恢复 print("str1: \n", str1) print("All done!")

输出结果：

After tokenlizer: { 'input_ids': tensor([[101, 1045, 2293, 24113, 12471, 1012, 102], [101, 2033, 2205, 1012, 102, 0, 0]]), 'attention_mask': tensor([[1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 0, 0]]) } str1: [CLS] i love kobe bryant. [SEP]

分析：

        上述代码将输入的句子进行分词，并将每一个词利用一个 ID 进行映射；例如上述代码中，101 对应 [CLS]，1045 对应 I，2293 对应 love，24113 对应 kobe，12471 对应 bryant，1012 对应 . 符号，102 对应 [SEP]；

        input_ids 存储了每一个句子分词后对应的 ID，0 表示 padding 的词；由于上面测试代码设置了padding，因此会将每一个句子自动padding为最长句子的长度，padding的词用 0 来表示。

        attention_mask 标记了哪些词是真正有意义的，只有为 1 的词才会参与后续的 attention 等计算。

        利用 decode 可以将词 ID 重新解码为句子。

1-2--常用参数 1-2-1--padding

        设置 padding 时，可以指定具体的 padding 长度；

from transformers import AutoTokenizer if __name__ == "__main__": checkpoint = "distilbert-base-uncased-finetuned-sst-2-english" tokenlizer = AutoTokenizer.from_pretrained(checkpoint) raw_input = [ "I love kobe bryant.", "Me too." ] input1 = tokenlizer(raw_input, padding = "longest", return_tensors = "pt") # padding长度与输入中的最长句子相同 input2 = tokenlizer(raw_input, padding = "max_length", return_tensors = "pt") # padding到最大句子长度，默认是512 input3 = tokenlizer(raw_input, padding = "max_length", max_length = 10, return_tensors = "pt") # 指定最大长度是10 print("After tokenlizer: \n", input1['input_ids'].shape) print("After tokenlizer: \n", input2['input_ids'].shape) print("After tokenlizer: \n", input3['input_ids'].shape)

输出结果：

After tokenlizer: torch.Size([2, 7]) After tokenlizer: torch.Size([2, 512]) After tokenlizer: torch.Size([2, 10]) 1-2-2--truncation

        设置 truncation 时，用于截断，可以指定截断的长度。

from transformers import AutoTokenizer if __name__ == "__main__": checkpoint = "distilbert-base-uncased-finetuned-sst-2-english" tokenlizer = AutoTokenizer.from_pretrained(checkpoint) raw_input = [ "I love kobe bryant.", "Me too." ] # 长度超过5的部分会被截断 input1 = tokenlizer(raw_input, padding = "longest", truncation = True, max_length=5, return_tensors = "pt") print("After tokenlizer: \n", input1) str1 = tokenlizer.decode(input1['input_ids'][0]) # 将词ID恢复 print("str1: \n", str1)

输出结果：

After tokenlizer: { 'input_ids': tensor([[ 101, 1045, 2293, 24113, 102], [ 101, 2033, 2205, 1012, 102]]), 'attention_mask': tensor([[1, 1, 1, 1, 1], [1, 1, 1, 1, 1]]) } str1: [CLS] i love kobe [SEP] 2--BertTokenizer的使用 2-1--简单Demo

① 编码两个句子：

from transformers import BertTokenizer if __name__ == "__main__": tokenizer = BertTokenizer.from_pretrained(pretrained_model_name_or_path = 'bert-base-chinese') sents = ['我喜欢科比布莱恩特.', '我也是.', '我喜欢他的后仰跳投', '我喜欢他的曼巴精神'] # 编码两个句子 inputs = tokenizer.encode( text = sents[0], text_pair = sents[1], truncation = True, # 截断 padding = 'max_length', # padding到最大长度 add_special_tokens = True, max_length = 20, # 设置最大长度 return_tensors = None # None默认返回list，可取值tf,pt,np ) print(inputs) print(tokenizer.decode(inputs))

输出结果：

inputs: [101, 2769, 1599, 3614, 4906, 3683, 2357, 5812, 2617, 4294, 119, 102, 2769, 738, 3221, 119, 102, 0, 0, 0] decode: [CLS] 我 喜 欢 科 比 布 莱 恩 特. [SEP] 我 也 是. [SEP] [PAD] [PAD] [PAD]

② 增强编码

from transformers import BertTokenizer if __name__ == "__main__": tokenizer = BertTokenizer.from_pretrained(pretrained_model_name_or_path = 'bert-base-chinese') sents = ['我喜欢科比布莱恩特.', '我也是.', '我喜欢他的后仰跳投', '我喜欢他的曼巴精神'] # 增强编码两个句子 inputs = tokenizer.encode_plus( text = sents[0], text_pair = sents[1], truncation = True, # 截断 padding = 'max_length', # padding到最大长度 add_special_tokens = True, max_length = 30, # 设置最大长度 return_tensors = None, # None默认返回list，可取值tf,pt,np, return_token_type_ids = True, return_attention_mask = True, return_special_tokens_mask = True, return_length = True ) for k, v in inputs.items(): print(k, ':', v) print(tokenizer.decode(inputs['input_ids']))

输出结果：

input_ids : [101, 2769, 1599, 3614, 4906, 3683, 2357, 5812, 2617, 4294, 119, 102, 2769, 738, 3221, 119, 102, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] token_type_ids : [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] special_tokens_mask : [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] attention_mask : [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] length : 30 decode: [CLS] 我 喜 欢 科 比 布 莱 恩 特. [SEP] 我 也 是. [SEP] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD]

③ 批量编码：

from transformers import BertTokenizer if __name__ == "__main__": tokenizer = BertTokenizer.from_pretrained(pretrained_model_name_or_path = 'bert-base-chinese') sents = ['我喜欢科比布莱恩特.', '我也是.', '我喜欢他的后仰跳投', '我喜欢他的曼巴精神'] # 批量编码句子 inputs = tokenizer.batch_encode_plus( batch_text_or_text_pairs = [sents[0], sents[1]], truncation = True, # 截断 padding = 'max_length', # padding到最大长度 add_special_tokens = True, max_length = 20, # 设置最大长度 return_tensors = None, # None默认返回list，可取值tf,pt,np, return_token_type_ids = True, return_attention_mask = True, return_special_tokens_mask = True, return_length = True ) for k, v in inputs.items(): print(k, ':', v) print("decode: \n", tokenizer.decode(inputs['input_ids'][0])) print("decode: \n", tokenizer.decode(inputs['input_ids'][1]))

输出结果：

input_ids : [[101, 2769, 1599, 3614, 4906, 3683, 2357, 5812, 2617, 4294, 119, 102, 0, 0, 0, 0, 0, 0, 0, 0], [101, 2769, 738, 3221, 119, 102, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]] token_type_ids : [[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]] special_tokens_mask : [[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]] length : [12, 6] attention_mask : [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0], [1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]] decode: [CLS] 我 喜 欢 科 比 布 莱 恩 特. [SEP] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] decode: [CLS] 我 也 是. [SEP] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD]

④ 批量编码成对的句子：

from transformers import BertTokenizer if __name__ == "__main__": tokenizer = BertTokenizer.from_pretrained(pretrained_model_name_or_path = 'bert-base-chinese') sents = ['我喜欢科比布莱恩特.', '我也是.', '我喜欢他的后仰跳投', '我喜欢他的曼巴精神'] # 批量编码成对的句子 inputs = tokenizer.batch_encode_plus( batch_text_or_text_pairs=[(sents[0], sents[1]), (sents[2], sents[3])], truncation = True, # 截断 padding = 'max_length', # padding到最大长度 add_special_tokens = True, max_length = 20, # 设置最大长度 return_tensors = None, # None默认返回list，可取值tf,pt,np, return_token_type_ids = True, return_attention_mask = True, return_special_tokens_mask = True, return_length = True ) for k, v in inputs.items(): print(k, ':', v) print("decode: \n", tokenizer.decode(inputs['input_ids'][0])) print("decode: \n", tokenizer.decode(inputs['input_ids'][1]))

输出结果：

input_ids : [[101, 2769, 1599, 3614, 4906, 3683, 2357, 5812, 2617, 4294, 119, 102, 2769, 738, 3221, 119, 102, 0, 0, 0], [101, 2769, 1599, 3614, 800, 4638, 1400, 814, 6663, 2832, 102, 2769, 1599, 3614, 800, 4638, 3294, 2349, 5125, 102]] token_type_ids : [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1]] special_tokens_mask : [[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 1, 1], [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1]] length : [17, 20] attention_mask : [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]] decode: [CLS] 我 喜 欢 科 比 布 莱 恩 特. [SEP] 我 也 是. [SEP] [PAD] [PAD] [PAD] decode: [CLS] 我 喜 欢 他 的 后 仰 跳 投 [SEP] 我 喜 欢 他 的 曼 巴 精 [SEP]

⑤ 获取字典：

from transformers import BertTokenizer if __name__ == "__main__": tokenizer = BertTokenizer.from_pretrained(pretrained_model_name_or_path = 'bert-base-chinese') sents = ['我喜欢科比布莱恩特.', '我也是.', '我喜欢他的后仰跳投', '我喜欢他的曼巴精神'] # 批量编码成对的句子 inputs = tokenizer.batch_encode_plus( batch_text_or_text_pairs=[(sents[0], sents[1]), (sents[2], sents[3])], truncation = True, # 截断 padding = 'max_length', # padding到最大长度 add_special_tokens = True, max_length = 20, # 设置最大长度 return_tensors = None, # None默认返回list，可取值tf,pt,np, return_token_type_ids = True, return_attention_mask = True, return_special_tokens_mask = True, return_length = True ) # 获取字典 token_dict = tokenizer.get_vocab() print(type(token_dict)) print(len(token_dict)) print('喜' in token_dict) # 中文是按字来编码的，因此喜在字典里 print('喜欢' in token_dict) # 同理，喜欢不在字典里

输出结果：

<class 'dict'> 21128 True False

⑥ 添加新字典：

from transformers import BertTokenizer if __name__ == "__main__": tokenizer = BertTokenizer.from_pretrained(pretrained_model_name_or_path = 'bert-base-chinese') sents = ['我喜欢科比布莱恩特.', '我也是.', '我喜欢他的后仰跳投', '我喜欢他的曼巴精神'] # 批量编码成对的句子 inputs = tokenizer.batch_encode_plus( batch_text_or_text_pairs=[(sents[0], sents[1]), (sents[2], sents[3])], truncation = True, # 截断 padding = 'max_length', # padding到最大长度 add_special_tokens = True, max_length = 20, # 设置最大长度 return_tensors = None, # None默认返回list，可取值tf,pt,np, return_token_type_ids = True, return_attention_mask = True, return_special_tokens_mask = True, return_length = True ) # 添加新词 tokenizer.add_tokens(new_tokens=['喜欢', '跳投']) # 添加新符号 tokenizer.add_special_tokens({'eos_token': '[EOS]'}) # 获取字典 token_dict = tokenizer.get_vocab() print('喜欢' in token_dict) # 添加新词后，喜欢在字典里 print('喜欢: ', token_dict['喜欢']) print('跳投: ', token_dict['跳投']) print('[EOS]: ', token_dict['[EOS]']) # 编码新句子，测试新词的编码 test = tokenizer.encode( text = '我喜欢科比的后仰跳投[EOS]', text_pair = None, truncation = True, padding = 'max_length', add_special_tokens = True, max_length = 15, return_tensors = None ) print(test)

输出结果：

True 喜欢: 21128 跳投: 21129 [EOS]: 21130 [101, 2769, 21128, 4906, 3683, 4638, 1400, 814, 21129, 21130, 102, 0, 0, 0, 0] # 将喜欢、跳投和[EOS]直接编码，并没有拆开按字来编码