06f1fd69a6
3.7 KiB
Tokenizer
tokenizer负责准备输入以供模型使用。该库包含所有模型的tokenizer。大多数tokenizer都有两种版本：一个是完全的 Python 实现，另一个是基于 Rust 库 🤗 Tokenizers 的“Fast”实现。"Fast" 实现允许：
- 在批量分词时显著提速
- 在原始字符串（字符和单词）和token空间之间进行映射的其他方法（例如，获取包含给定字符的token的索引或与给定token对应的字符范围）。
基类 [PreTrainedTokenizer] 和 [PreTrained TokenizerFast] 实现了在模型输入中编码字符串输入的常用方法（见下文），并从本地文件或目录或从库提供的预训练的 tokenizer（从 HuggingFace 的 AWS S3 存储库下载）实例化/保存 python 和“Fast” tokenizer。它们都依赖于包含常用方法的 [~tokenization_utils_base.PreTrainedTokenizerBase]。
因此，[PreTrainedTokenizer] 和 [PreTrainedTokenizerFast] 实现了使用所有tokenizers的主要方法：
- 分词（将字符串拆分为子词标记字符串），将tokens字符串转换为id并转换回来，以及编码/解码（即标记化并转换为整数）。
- 以独立于底层结构（BPE、SentencePiece……）的方式向词汇表中添加新tokens。
- 管理特殊tokens（如mask、句首等）：添加它们，将它们分配给tokenizer中的属性以便于访问，并确保它们在标记过程中不会被分割。
[BatchEncoding] 包含 [~tokenization_utils_base.PreTrainedTokenizerBase] 的编码方法（__call__、encode_plus 和 batch_encode_plus）的输出，并且是从 Python 字典派生的。当tokenizer是纯 Python tokenizer时，此类的行为就像标准的 Python 字典一样，并保存这些方法计算的各种模型输入（input_ids、attention_mask 等）。当分词器是“Fast”分词器时（即由 HuggingFace 的 tokenizers 库 支持），此类还提供了几种高级对齐方法，可用于在原始字符串（字符和单词）与token空间之间进行映射（例如，获取包含给定字符的token的索引或与给定token对应的字符范围）。
PreTrainedTokenizer
autodoc PreTrainedTokenizer - call - add_tokens - add_special_tokens - apply_chat_template - batch_decode - decode - encode - push_to_hub - all
PreTrainedTokenizerFast
[PreTrainedTokenizerFast] 依赖于 tokenizers 库。可以非常简单地将从 🤗 tokenizers 库获取的tokenizers加载到 🤗 transformers 中。查看 使用 🤗 tokenizers 的分词器 页面以了解如何执行此操作。
autodoc PreTrainedTokenizerFast - call - add_tokens - add_special_tokens - apply_chat_template - batch_decode - decode - encode - push_to_hub - all
BatchEncoding
autodoc BatchEncoding