Tokenizer
nlp任务的输入都是raw text，model的输入需要是inputs id，所以tokenzier将句子转换成inputs id，怎么转换呢，有3种方式：
word-based
split the text：
按照空格来区分
按照标点来区分
我们会得到一个非常大的词表，Each word gets assigned an ID, starting from 0 and going up to the size of the vocabulary.
问题1：词表太大了，负担过重
问题2：相似词没有做区分，例如dog与dogs他们的标号不一样
我们可以限制词表为最常出现的10000个词组成，若不在词表中的词可以用[UNK]或者 表示。
问题1：如果词表设置的太小的话，那么会有太多[UNK]词，显然会影响训练效果
character-based
将text划分为字母
好处：
词表变小了：例如只有26个字母和一些特殊字符
没有未知词[UNK]了
坏处：
每个字符没有啥意义（但是因语言而异，例如中文汉字比拉丁字符的意义多）
每个单词的tokenizer数目变多了，例如good采用word-base时只有一个tokenizer，但是使用character-based时有4个tokenizer
Subword tokenization（推荐）
频繁使用的单词不应该被拆分成较小的子单词，而罕见的单词应该被分解成有意义的子单词。
这样词表小了，[UNK]词也少了，而且近似词之间还有联系
补充
创建tokenizer
特定类型的创建
from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained("bert-base-cased")
自动创建（推荐）
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
例子
tokenizer("Using a Transformer network is simple")
{'input_ids': [101, 7993, 170, 11303, 1200, 2443, 1110, 3014, 102],
'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0],#标记token属于哪个句子
'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1]}#标记哪些token是padding的，这种不需要关注上下文
保存tokenizer
tokenizer.save_pretrained("directory_on_my_computer")
encoding
把text变为input ids就是encoding，步骤：
split the text into words，也叫tokens
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
sequence = "Using a Transformer network is simple"
tokens = tokenizer.tokenize(sequence)
print(tokens)
['Using', 'a', 'transform', '##er', 'network', 'is', 'simple']
convert those tokens into numbers，使用我们from_pretrained下载的词汇表
ids = tokenizer.convert_tokens_to_ids(tokens)
print(ids)
[7993, 170, 11303, 1200, 2443, 1110, 3014]
decoding
把tokens变成text
decoded_string = tokenizer.decode([7993, 170, 11303, 1200, 2443, 1110, 3014])
print(decoded_string)
'Using a Transformer network is simple'
