bert第三篇:tokenizer

2023-11-03

tokenizer基本含义

tokenizer就是分词器; 只不过在bert里和我们理解的中文分词不太一样,主要不是分词方法的问题,bert里基本都是最大匹配方法。

最大的不同在于“词”的理解和定义。 比如:中文基本是字为单位。
英文则是subword的概念,例如将"unwanted"分解成[“un”, “##want”, “##ed”] 请仔细理解这个做法的优点。
这是tokenizer的一个要义。

bert里涉及的tokenizer

BasicTokenzer

主要的类是BasicTokenizer,做一些基础的大小写、unicode转换、标点符号分割、小写转换、中文字符分割、去除重音符号等操作,最后返回的是关于词的数组(中文是字的数组)

 def tokenize(self, text):
    """Tokenizes a piece of text."""
    text = convert_to_unicode(text)
    text = self._clean_text(text)

    # This was added on November 1st, 2018 for the multilingual and Chinese
    # models. This is also applied to the English models now, but it doesn't
    # matter since the English models were not trained on any Chinese data
    # and generally don't have any Chinese data in them (there are Chinese
    # characters in the vocabulary because Wikipedia does have some Chinese
    # words in the English Wikipedia.).
    text = self._tokenize_chinese_chars(text)

    orig_tokens = whitespace_tokenize(text)
    split_tokens = []
    for token in orig_tokens:
      if self.do_lower_case:
        token = token.lower()
        token = self._run_strip_accents(token)
      split_tokens.extend(self._run_split_on_punc(token))

    output_tokens = whitespace_tokenize(" ".join(split_tokens))
    return output_tokens

BasicTokenzer是预处理。

wordpiecetokenizer

另外一个则是关键wordpiecetokenizer,就是基于vocab切词。

  def tokenize(self, text):
    """Tokenizes a piece of text into its word pieces.

    This uses a greedy longest-match-first algorithm to perform tokenization
    using the given vocabulary.

    For example:
      input = "unaffable"
      output = ["un", "##aff", "##able"]

    Args:
      text: A single token or whitespace separated tokens. This should have
        already been passed through `BasicTokenizer.

    Returns:
      A list of wordpiece tokens.
    """

    text = convert_to_unicode(text)

    output_tokens = []
    for token in whitespace_tokenize(text):
      chars = list(token)
      if len(chars) > self.max_input_chars_per_word:
        output_tokens.append(self.unk_token)
        continue

      is_bad = False
      start = 0
      sub_tokens = []
      while start < len(chars):
        end = len(chars)
        cur_substr = None

        #找个单词,找不到end向前滑动;还是看代码实在!!!
        while start < end:
          substr = "".join(chars[start:end])
          if start > 0:
            substr = "##" + substr
          if substr in self.vocab:
            cur_substr = substr
            break
          end -= 1
        if cur_substr is None:
          is_bad = True
          break
        sub_tokens.append(cur_substr)
        start = end

      if is_bad:
        output_tokens.append(self.unk_token)
      else:
        output_tokens.extend(sub_tokens)
    return output_tokens

FullTokenzier

这个基本上就是利用basic和wordpiece来切分。用于bert训练的预处理。基本就一个tokenize方法。不会有encode_plus等方法。

PretrainTokenizer

这个则是bert的base类,定义了很多方法(convert_ids_to_tokens)等。 后续的BertTokenzier,GPT2Tokenizer都继承自pretrainTOkenizer,下面的关系图可以看到这个全貌。

关系图

在这里插入图片描述

实操

from transformers.tokenization_bert import BertTokenizer


tokenizer = BertTokenizer.from_pretrained("bert-base-uncased")
print("词典大小:",tokenizer.vocab_size)
text = "the game has gone!unaffable  I have a new GPU!"
tokens = tokenizer.tokenize(text)
print("英文分词来一个:",tokens)


text = "我爱北京天安门,吢吣"
tokens = tokenizer.tokenize(text)
print("中文分词来一个:",tokens)

input_ids = tokenizer.convert_tokens_to_ids(tokens)
print("id-token转换:",input_ids)


sen_code = tokenizer.encode_plus("i like  you  much", "but not him")
print("多句子encode:",sen_code)

print("decode:",tokenizer.decode(sen_code['input_ids']))

输出结果:

词典大小: 30522
英文分词来一个: ['the', 'game', 'has', 'gone', '!', 'una', '##ffa', '##ble', 'i', 'have', 'a', 'new', 'gp', '##u', '!']
中文分词来一个: ['我', '[UNK]', '北', '京', '天', '安', '[UNK]', ',', '[UNK]', '[UNK]']
id-token转换: [1855, 100, 1781, 1755, 1811, 1820, 100, 1989, 100, 100]
多句子encode: {'input_ids': [101, 1045, 2066, 2017, 2172, 102, 2021, 2025, 2032, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 1, 1, 1, 1], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
decode: [CLS] i like you much [SEP] but not him [SEP]

看代码或者实际操练一遍,再来看理论知识更好。实操是关键,是思想的体现。

当然也可以单独实验bertwordpiecetokenzer

from transformers.tokenization_bert import BertWordPieceTokenizer
# initialize tokenizer
tokenizer = BertWordPieceTokenizer(
    vocab_file= "vocab.txt",
    unk_token = "[UNK]",
    sep_token = "[SEP]",
    cls_token = "[CLS]",
    pad_token  = "[PAD]",
    mask_token = "[MASK]",
    clean_text = True,
    handle_chinese_chars = True,
    strip_accents= True,
    lowercase = True,
    wordpieces_prefix = "##"
)


# sample sentence
sentence = "Language is a thing of beauty. But mastering a new language from scratch is quite a daunting prospect."

# tokenize the sample sentence
encoded_output = tokenizer.encode(sentence)
print(encoded_output)
print(encoded_output.tokens)

如何训练

其实就是提取vacab的过程。
BPE算法也比较容易理解:不断的选择most common的加入到词典,为什么? 因为覆盖的语料量比较大。

举个bpe的例子。

原始统计词:
('hug', 10), ('pug', 5), ('pun', 12), ('bun', 4), ('hugs', 5)

开始统计char:
('h' 'u' 'g', 10), ('p' 'u' 'g', 5), ('p' 'u' 'n', 12), ('b' 'u' 'n', 4), ('h' 'u' 'g' 's', 5)

合并最大的ug:

('h' 'ug', 10), ('p' 'ug', 5), ('p' 'u' 'n', 12), ('b' 'u' 'n', 4), ('h' 'ug' 's', 5)

合并最大频度的hug:
 ['b', 'g', 'h', 'n', 'p', 's', 'u', 'ug', 'un', 'hug'] 

最后原始统计词的表示转换为:

('hug', 10), ('p' 'ug', 5), ('p' 'un', 12), ('b' 'un', 4), ('hug' 's', 5)

训练自己中文的tokenizer

def train_cn_tokenizer():
    # ! pip install tokenizers

    from pathlib import Path

    from tokenizers import ByteLevelBPETokenizer

    paths = [str(x) for x in Path("zho-cn_web_2015_10K").glob("**/*.txt")]

    # Initialize a tokenizer
    tokenizer = ByteLevelBPETokenizer()

    # Customize training
    tokenizer.train(files=paths, vocab_size=52_000, min_frequency=3, special_tokens=[
        "<s>",
        "<pad>",
        "</s>",
        "<unk>",
        "<mask>",
    ])

    # Save files to disk
    tokenizer.save( ".","zh-tokenizer-train")

我强烈建议,根据自己的业务定制自己的vocab,当然要配套模型。
最后的结果

{"<s>":0,"<pad>":1,"</s>":2,"<unk>":3,"<mask>":4,"!":5,"\"":6,"#":7,"$":8,"%":9,"&":10,"'":11,"(":12,")":13,"*":14,"+":15,",":16,"-":17,".":18,"/":19,"0":20,"1":21,"2":22,"3":23,"4":24,"5":25,"6":26,"7":27,"8":28,"9":29,":":30,";":31,"<":32,"=":33,">":34,"?":35,"@":36,"A":37,"B":38,"C":39,"D":40,"E":41,"F":42,"G":43,"H":44,"I":45,"J":46,"K":47,"L":48,"M":49,"N":50,"O":51,"P":52,"Q":53,"R":54,"S":55,"T":56,"U":57,"V":58,"W":59,"X":60,"Y":61,"Z":62,"[":63,"\\":64,"]":65,"^":66,"_":67,"`":68,"a":69,"b":70,"c":71,"d":72,"e":73,"f":74,"g":75,"h":76,"i":77,"j":78,"k":79,"l":80,"m":81,"n":82,"o":83,"p":84,"q":85,"r":86,"s":87,"t":88,"u":89,"v":90,"w":91,"x":92,"y":93,"z":94,"{":95,"|":96,"}":97,"~":98,"¡":99,"¢":100,"£":101,"¤":102,"¥":103,"¦":104,"§":105,"¨":106,"©":107,"ª":108,"«":109,"¬":110,"®":111,"¯":112,"°":113,"±":114,"²":115,"³":116,"´":117,"µ":118,"¶":119,"·":120,"¸":121,"¹":122,"º":123,"»":124,"¼":125,"½":126,"¾":127,"¿":128,"À":129,"Á":130,"Â":131,"Ã":132,"Ä":133,"Å":134,"Æ":135,
...

总结

  1. 理论结合实践,敲代码仔细深度理解。
  2. tokenzier的本质是分词,提取有意义的wordpiece,又尽可能的少,用尽量少的信息单元来描述无限的组合。
  3. 几个类的集成理清楚。
  4. 里面的细节可以继续阅读原始类来继续跟进。
  5. wordpiece是比word更小的概念,有何好处? 能解决oov吗。 需要再次思考。

引用

  1. https://albertauyeung.github.io/2020/06/19/bert-tokenization.html
  2. https://spacy.io/usage/spacy-101
  3. https://huggingface.co/transformers/main_classes/tokenizer.html#transformers.PreTrainedTokenizer
  4. https://zhuanlan.zhihu.com/p/160813500
  5. https://github.com/google/sentencepiece
  6. https://huggingface.co/transformers/tokenizer_summary.html
  7. https://huggingface.co/blog/how-to-train
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

bert第三篇:tokenizer 的相关文章

  • SQL 增、删、改、查基本语法

    create table student stid int primary key auto increment stname VARCHAR 20 stbirth DATE auto increment 1000 插入数据 insert
  • mysql下载地址

    点击下载
  • Java赛马程序

    编写一个多线程的控制程序 称为赛马程序 创建分别代表两匹马的两个线程 并将它们设置为高低不同的优先级 并以进度条的形式显示赛马过程 没几天Java要考试了 紧急学习一下再把之前参考 10条消息 Java多线程 进度条实现赛马实验 shall
  • 贪心算法:55.跳跃游戏(C++)

    class Solution public bool canJump vector

随机推荐

  • Ubuntu设置脚本、程序开机自启动

    Ubuntu设置脚本 程序开机自启动 方法1 修改 etc rc local 方法2 用update rc d命令添加开机执行脚本 方法3 使用 crontab 方法4 使用 systemd 服务 Centos 注 方法1 修改 etc r
  • 提交表单区别

    html按钮有两种
  • C++内存管理

    http blog csdn net zhanghefu article details 5003383 内存管理是C 最令人切齿痛恨的问题 也是C 最有争议的问题 C 高手从中获得了更好的性能 更大的自由 C 菜鸟的收获则是一遍一遍的检查
  • 深入理解AMBA总线——AXI原子访问机制和AXI响应

    本篇文章给大家讲解AXI协议的原子访问机制 1 Atomic访问机制 1 1 Atomic信号 众所周知 操作系统的很多机制需要底层硬件的支持 如并发 虚拟化等 随着多处理器的流行 arm也自然而然的要做其总线上加入和并发相关的信号 以满足
  • 【kubernetes系列】k8s ingress配置websocket支持

    背景 公司的后端同事在代码调试过程中需要上传一个文件 调用的websocket接口 了解同事需求和现象 浏览器上传文件一直卡主 通过浏览器调试模式发现无法正常获取websocket的连接 websocket的接口访问可以通过wscat命令
  • CTFHUB-Cookie注入

    Cookie Cookie 浏览器向服务器发送请求时发送cookie 或者服务器向浏览器附加cookie 就是将cookie附近在这里的 例如 Cookie user admin HackBar Load一下 BurpSuite等工具也可以
  • vuex固化插件的使用

    数据持久化 刷新页面 vuex里面数据丢失 清空 有时候我们需要把一些数据固话到本地 即使刷新也不能清空 第一步 需要先下载插件 npm install vuex persistedstate save 第二步 在 store index
  • linux配置SVN,添加用户,配置用户组的各个权限教程

    前言 今天组长要我给新员工添加svn 的权限 以及赋予他们权限访问指定的目录 于是就顺手写个教程吧 毕竟好记性不如烂笔头 一 xshell登陆服务器 用xshell登陆服务器 cd切换到服务器中svn的项目仓库目录中 然后切换到conf文件
  • java利用freemark和itext出pdf文件

    第一步导包
  • Navicat Premium

    一 简介 Navicat Premium 是一套数据库开发工具 让你从单一应用程序中同时连接 MySQL MariaDB SQL Server Oracle PostgreSQL 和 SQLite 数据库 它与 Amazon RDS Ama
  • 计算机基础汇总

    计算机基础汇总 时间复杂度 https blog csdn net qq 41523096 article details 82142747 数组与链表 https blog csdn net qq 25806863 article det
  • normalize.css在vue中使用

    css样式初始化 normalize在vue中使用 1 Normalize css只是一个很小的css文件 但它在磨人的HTML元素样式上提供了跨浏览器的高度一致性 相比于传统的CSS reset Normalize css是一种现代的 为
  • CUDA - 在CUDA C/C++中使用共享内存

    原文链接 Using Shared Memory in CUDA C C 文章目录 共享内存 线程同步 共享内存示例 静态共享内存 动态共享内存 共享内存bank冲突 配置共享内存数量 总结 在上一篇文章中 我研究了如何将一组线程的全局内存
  • F12复制返回的json

    第一步 打印返回的数据 然后打开控制台 第二步 在打印的res右键出现会出现Store as global variable 然后点击 出现temp 第三步 在控制台输入copy temp 第四步 这个时候已经复制好json了 直接粘贴到t
  • 计算除法java实现

    class Solution public double calcEquation List
  • ROS报错[joint_state_publisher_gui-1] process has died [pid 70747, exit code 1, cmd...

    1 报错 终端里运行 roslaunch mbot description display mbot launch 出现报错如下 joint state publisher gui 1 process has died pid 70747
  • 凹下去的白色按钮

    先看效果 再看代码
  • 关于分页的参数说明

    使用分页 如果Pageable是不是为null 此代码说明如果不为null PageHelper startPage currentPage pageSize true 第一个参数表示从第几页开始 第二个参数表示一页多少条记录 第三个参数表
  • Unity鼠标事件详解

    鼠标事件详解 1 3D物体 OnMouseDown 鼠标按下 OnMouseDrag 鼠标在按下时拖动 OnMouseUp 鼠标抬起 OnMouseEnter 鼠标进入 OnMouseExit 鼠标离开 OnMouseOver 鼠标经过 O
  • bert第三篇:tokenizer

    文章目录 tokenizer基本含义 bert里涉及的tokenizer BasicTokenzer wordpiecetokenizer FullTokenzier PretrainTokenizer 关系图 实操 如何训练 训练自己中文