[NLP] transformers 使用指南 Tokenizer
严格意义上讲 transformers 并不是 PyTorch 的一部分,然而 transformers 与 PyTorch 或 TensorFlow 结合的太紧密了,而且可以把 transformers 看成是 PyTorch 或 TensorFlow 的延伸,所以也在这里一并讨论了。
transformers 内置了 17 种以 transformer 结构为基础的神经网络:
T5 model
DistilBERT model
ALBERT model
CamemBERT model
XLM-RoBERTa model
Longformer model
RoBERTa model
Reformer model
Bert model
OpenAI GPT model
OpenAI GPT-2 model
Transformer-XL model
XLNet model
XLM model
CTRL model
Flaubert model
ELECTRA model
这些模型的参数、用法大同小异。默认框架为 PyTorch,使用 TensorFlow 框架在类的前面加上 'TF" 即可。
每种模型都有至少一个预训练模型,限于篇幅,这里仅仅列举 Bert 的常用预训练模型:
完整的预训练模型列表可以在 transformers 官网上找到。
使用 transformers 库有三种方法:
使用 pipeline
;
指定预训练模型;
使用 AutoModels
加载预训练模型。
transformers.pipeline
这个管线函数包含三个部分:
Tokenizer;
一个模型实例;其它增强模型输出的功能。它只有一个必需参数 task,接受如下变量之一:
feature-extraction
sentiment-analysis
ner
question-answering
fill-mask
summarization
translation_xx_to_yy
text-generation
这个函数还有其它可选参数,但是我的试用经验是,什么都不要动,使用默认参数即可。
例子:
>>> from transformers import pipeline
>>> nlp = pipeline("sentiment-analysis")
>>> print(nlp("I hate you"))
[{'label': 'NEGATIVE', 'score': 0.9991129040718079}]
>>> print(nlp("I love you"))
[{'label': 'POSITIVE', 'score': 0.9998656511306763}]
指定预训练模型 Bert
这里我们以 Bert 为例。
2.1 配置 Bert 模型(可选,推荐不使用)transformers.BertConfig
transformers.BertConfig
可以自定义 Bert 模型的结构,以下参数都是可选的:
vocab_size
:词汇数,默认 30522;
hidden_size
:编码器内隐藏层神经元数量,默认 768;
num_hidden_layers
:编码器内隐藏层层数,默认 12;
num_attention_heads
:编码器内注意力头数,默认 12;
intermediate_size
:编码器内全连接层的输入维度,默认 3072;
hidden_act
:编码器内激活函数,默认 ‘gelu’,还可为 ‘relu’、‘swish’ 或 ‘gelu_new’
hidden_dropout_prob
:词嵌入层或编码器的 dropout,默认为 0.1;
attention_probs_dropout_prob
:注意力的 dropout,默认为 0.1;
max_position_embeddings
:模型使用的最大序列长度,默认为 512;
type_vocab_size
:词汇表类别,默认为 2;
initializer_range
:神经元权重的标准差,默认为 0.02;
layer_norm_eps
:layer normalization 的 epsilon 值,默认为 1e-12.
使用方法:
configuration = BertConfig() # 进行模型的配置,变量为空即使用默认参数
model = BertModel(configuration) # 使用自定义配置实例化 Bert 模型
configuration = model.config # 查看模型参数
2.2 分词 transformers.BertTokenizer
所有的 tokenizer
都继承自 transformers.PreTrainedTokenizer
基类,因此有共同的参数和方法实例化的参数有
model_max_length
:可选参数,最大输入长度,默认为 1e30;
padding_side
:可选参数,填充的方向,应为 ‘left’ 或 ‘right’;
bos_token
:可选参数,每句话的起始标记,默认为 ‘’;
eos_token
:可选参数,每句话的结束标记,默认为 ‘’;
unk_token
:可选参数,未知的标记,默认为 ‘’;
sep_token
:可选参数,分隔标记,默认为 ‘’;
pad_token
:可选参数,填充标记,默认为 ‘’;
cls_token
:可选参数,分类标记,默认为 ‘’;
mask_token
:可选参数,遮盖标记,默认为 ‘<MASK’。
为了演示,我们先实例化一个 BertTokenizer
。
tokenizer = BertTokenizer.from_pretrained('bert-base-cased')
常用的方法有:
from_pretrained(model)
:载入预训练词汇表;
tokenizer.tokenize(str)
:分词;
tokenizer.tokenize('Hello word!')
['Hello', 'word', '!']
encode(text, ...)
:将文本分词后编码为包含对应 id 的列表;
tokenizer.encode('Hello word!')
[101, 8667, 1937, 106, 102]
encode_plus(text, ...)
:将文本分词后创建一个包含对应 id,token 类型及是否遮盖的词典;
tokenizer.encode_plus('Hello world!')
{'input_ids': [101, 8667, 1937, 106, 102], 'token_type_ids': [0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1]}
convert_ids_to_tokens(ids, skip_special_tokens)
:将 id 映射为 token;
tokenizer.convert_ids_to_tokens(tokens)
['[CLS]', 'Hello', 'word', '!', '[SEP]']
decode(token_ids)
:将 id 解码;
tokenizer.decode(tokens)
'[CLS] Hello word! [SEP]'
convert_tokens_to_ids(tokens)
:将 token 映射为 id。
tokenizer.convert_tokens_to_ids(['[CLS]', 'Hello', 'word', '!', '[SEP]'])
[101, 8667, 1937, 106, 102]
2.3 使用预训练模型
根据任务的需要,既可以选择没有为指定任务 finetune
的模型如 transformers.BertModel
,也可以选择为指定任务 finetune
之后的模型如 transformers.BertForSequenceClassification
。一共有 6 个指定的任务类型:
transformers.BertForMaskedLM
:语言模型;
transformers.BertForNextSentencePrediction
:判断下一句话是否与上一句有关;
transformers.BertForSequenceClassification
:序列分类如 GLUE;
transformers.BertForMultipleChoice
:文本分类;
transformers.BertForTokenClassification
:token 分类如 NER,
transformers.BertForQuestionAnswering
;问答。
3. 使用 AutoModels
使用 AutoModels
与上面的指定模型进行预训练大同小异,只不过是另一种方式加载模型而已。
3.1 加载自动配置 transformers.AutoConfig
使用类方法 from_pretrained
加载模型配置,参数既可以为模型名称,也可以为具体文件。
config = AutoConfig.from_pretrained('bert-base-uncased')
# 或者直接加载模型文件
config = AutoConfig.from_pretrained('./test/bert_saved_model/')
3.2 加载分词器 transformers.AutoTokenizer
与上面的 BertTokenizer
非常相似,也是使用 from_pretrained
类方法加载预训练模型。
tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased')
# 或者直接加载模型文件
tokenizer = AutoTokenizer.from_pretrained('./test/bert_saved_model/')
3.3 加载模型 transformers.AutoModel
可以使用 from_pretrained
加载预训练模型:
model = AutoModel.from_pretrained('bert-base-uncased')
# 或者直接加载模型文件
model = AutoModel.from_pretrained('./test/bert_model/')
选好了预训练模型以后,只需要给模型接一个全连接层,这个神经网络就搭好了(当然可以根据需要添加更复杂的结构)。
tokenizer
是进行语言处理的基础,transformer
实现分词器的基类是
tokenizer = AutoTokenizer.from_pretrained(tokenizer_type)
后面可以通过from_pretrained
函数中的retrained_model_name_or_path()
方法,指定路径或者模型名称来加载对应的分词器。
文档给的实例
tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased') # Download vocabulary from S3 and cache.
tokenizer = AutoTokenizer.from_pretrained('./test/bert_saved_model/') # E.g. tokenizer was saved using `save_pretrained('./test/saved_model/')`
分别从Amazon的s3里直接下载以及从本地路径读取。
2.分词器的核心函数
2.1 tokenize
作为分词器,首先一定是进行分词操作。
from transformers.tokenization_bert import BertTokenizer
tokenizer = BertTokenizer.from_pretrained("bert-base-uncased")
print("词典大小:",tokenizer.vocab_size)
text = "hello world!I am Lisa."
tokens = tokenizer.tokenize(text)
print("分词结果:",tokens)
##词典大小: 30522
##分词结果: ['hello', 'world', '!', 'I', 'am', 'Lisa', '.']
这里使用了Bert的分词器,注意Bert会将不常用的词汇进行细分,比如fearless
,经过分词会给出 'fear','##less'。使用双#号表示连续词汇的分词。
2.2 Encode
编码操作,实现了分词tokenize
和词汇的编码convert_tokens_to_ids
。首先将会对输入序列进行分词操作,之后将分词的结果进行编码,将词汇转换为词典中的id返回。
self.convert_tokens_to_ids(self.tokenize(text))
##这里的结果是一个列表,包含多个id,如
[24,64,8636,414,125,23,982]
2.3 Decode
解码操作,实现了词汇的解码convert_ids_to_tokens
和转换convert_tokens_to_string
。首先会将给出的编码输入,如上面的id列表,转换成相应的分词结果,再转换成相应的输入序列。
self.convert_tokens_to_string(self.convert_ids_to_tokens(token_ids))
文章来源:https://www.cnblogs.com/End1ess/p/16165854.html
https://blog.csdn.net/weixin_44614687/article/details/106800244
布施恩德可便相知重
微信扫一扫打赏
支付宝扫一扫打赏