Transformers 词汇表 | 二

作者|huggingface
编译|VK
来源|Github

词汇表每种模型都不同，但与其他模型相似。因此，大多数模型使用相同的输入，此处将在用法示例中进行详细说明。

输入ID

输入id通常是传递给模型作为输入的唯一必需参数。它们是标记索引，标记的数字表示构建将被模型用作输入的序列。

每个tokenizer的工作方式不同，但基本机制保持不变。这是一个使用BERTtokenizer（WordPiecetokenizer）的示例：

from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained("bert-base-cased")

sequence = "A Titan RTX has 24GB of VRAM"

tokenizer负责将序列拆分为tokenizer词汇表中可用的标记。

#继续上一个脚本
tokenized_sequence = tokenizer.tokenize(sequence)
assert tokenized_sequence == ['A', 'Titan', 'R', '##T', '##X', 'has', '24', '##GB', 'of', 'V', '##RA', '##M']

然后可以将这些标记转换为模型可以理解的ID。有几种方法可以使用，推荐使用的是encode或encode_plus，它们实现了最佳性能。

#继续上一个脚本
encode_sequence = tokenizer.encode（sequence）
assert encoded_sequence == [101, 138, 18696, 155, 1942, 3190, 1144, 1572, 13745, 1104, 159, 9664, 2107, 102]

encode和encode_plus方法自动添加“特殊标记”，这是模型使用的特殊ID。

注意力掩码

注意掩码是将序列批处理在一起时使用的可选参数。此参数向模型指示应该注意哪些标记，哪些不应该注意。

例如，考虑以下两个序列：

from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained("bert-base-cased")

sequence_a = "This is a short sequence."
sequence_b = "This is a rather long sequence. It is at least longer than the sequence A."

encoded_sequence_a = tokenizer.encode(sequence_a)
assert len(encoded_sequence_a) == 8

encoded_sequence_b = tokenizer.encode(sequence_b)
assert len(encoded_sequence_b) == 19

这两个序列的长度不同，因此不能按原样放在同一张量中。需要将第一个序列填充到第二个序列的长度，或者将第二个序列截短到第一个序列的长度。

在第一种情况下，ID列表将通过填充索引扩展：

#继续上一个脚本
padded_sequence_a = tokenizer.encode(sequence_a, max_length=19, pad_to_max_length=True)

assert padded_sequence_a == [101, 1188, 1110, 170, 1603, 4954,  119, 102,    0,    0,    0,    0,    0,    0,    0,    0,   0,   0,   0]
assert encoded_sequence_b == [101, 1188, 1110, 170, 1897, 1263, 4954, 119, 1135, 1110, 1120, 1655, 2039, 1190, 1103, 4954, 138, 119, 102]

然后可以将它们转换为PyTorch或TensorFlow中的张量。注意掩码是一个二进制张量，指示填充索引的位置，以便模型不会注意它们。对于BertTokenizer，1表示应注意的值，而0表示填充值。

方法encode_plus()可用于直接获取注意力掩码：

#继续上一个脚本
sequence_a_dict = tokenizer.encode_plus(sequence_a, max_length=19, pad_to_max_length=True)

assert sequence_a_dict['input_ids'] == [101, 1188, 1110, 170, 1603, 4954, 119, 102, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
assert sequence_a_dict['attention_mask'] == [1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

标记类型ID

一些模型的目的是进行序列分类或问题解答。这些要求将两个不同的序列编码在相同的输入ID中。它们通常由特殊标记分隔，例如分类器标记和分隔符标记。例如，BERT模型按如下方式构建其两个序列输入：

from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained("bert-base-cased")

# [CLS] SEQ_A [SEP] SEQ_B [SEP]

sequence_a = "HuggingFace is based in NYC"
sequence_b = "Where is HuggingFace based?"

encoded_sequence = tokenizer.encode(sequence_a, sequence_b)
assert tokenizer.decode(encoded_sequence) == "[CLS] HuggingFace is based in NYC [SEP] Where is HuggingFace based? [SEP]"

对于某些模型而言，这足以了解一个序列在何处终止以及另一序列在何处开始。但是，其他模型（例如BERT）具有附加机制，即段ID。标记类型ID是一个二进制掩码，用于标识模型中的不同序列。

我们可以利用encode_plus()为我们输出标记类型ID：

#继续上一个脚本
encoded_dict = tokenizer.encode_plus(sequence_a, sequence_b)

assert encoded_dict['input_ids'] == [101, 20164, 10932, 2271, 7954, 1110, 1359, 1107, 17520, 102, 2777, 1110, 20164, 10932, 2271, 7954, 1359, 136, 102]
assert encoded_dict['token_type_ids'] == [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1]

第一个序列，即用于问题的“上下文”，其所有标记均由0表示，而问题的所有标记均由1表示。某些模型（例如XLNetModel）使用由2表示的附加标记。

位置ID

模型使用位置ID来识别哪个标记在哪个位置。与将每个标记的位置嵌入其中的RNN相反，转换器不知道每个标记的位置。为此创建了位置ID。

它们是可选参数。如果没有位置ID传递给模型，则它们将自动创建为绝对位置嵌入。

在[0, config.max_position_embeddings - 1]范围内选择绝对位置嵌入。一些模型使用其他类型的位置嵌入，例如正弦位置嵌入或相对位置嵌入。