Python算法实战

通俗易懂讲解大模型：Tokenizer

Tokenizer

Tokenizer 是 NLP pipeline 的核心组件之一。Tokenizer 的目标是：将文本转换为模型可以处理的数据。模型只能处理数字，因此 Tokenizer 需要将文本输入转换为数字输入。

通常而言有三种类型的 Tokenizer ：Word-based Tokenizer、Character-based Tokenizer、Subword Tokenizer 。
- Word-based Tokenizer：通常很容易设置和使用，只需几条规则，并且通常会产生不错的结果。
  
  例如，我们可以通过应用 Python 的split()函数，通过空格将文本 tokenize 为单词：
  
  但是，Word-based Tokenizer 最终会得到一些非常大的词表 vocabulary 。如，Transformer-XL 将得到一个大小为 267735 的词表。如此庞大的词表将迫使模型学习一个巨大的 embedding matrix ，这导致了空间复杂度和时间复杂度的增加。一般而言，transformers 模型的词表规模很少超过 50K ，尤其是当它们仅在一种语言上进行训练时。
- Character-based Tokenizer：将文本拆分为字符，而不是单词。这有两个主要好处：
  - 词表规模要小得多（通常只有几十甚至几百）。
  - unknown token 要少得多（因为任意单词都可以从字符构建）。
  但是，Character-based Tokenizer 有两个不足：
  - 首先， tokenize 之后得到字符表示，其意义不大：每个字符本身并没有多少语义。例如，学习字母 "t" 的有意义的 representation ，要比学习单词 "today" 的 representation 困难得多。因此，Character-based Tokenizer 往往伴随着性能的损失。
    
    然而这又因语言而异，例如，在中文中每个字符比拉丁语言中的每个字符包含更多的信息。
  - 其次，相比较 word-based tokenization，character-based tokenization 得到更大量的 token ，这增大了模型的负担。例如，使用 word-based tokenizer，一个单词只会是单个token ；但是当使用 character-based tokenizer 时，一个单词很容易变成 10 个或更多的 token 。
- Subword-based Tokenizer：它是 word-based tokenizer 和 character-based tokenizer 的折衷。
  
  subword tokenization 算法依赖于这样一个原则：不应将常用词拆分为更小的子词subword ，而应将低频词分解为有意义的子词。这使得我们能够使用较小的词表进行相对较好的覆盖，并且几乎没有 unknown token 。
  
  例如："football" 可能被认定是一个低频词，可以分解为 "foot" 和 "ball"。而 "foot" 和 "ball" 作为独立的子词可能出现得更高频，同时 "football" 的含义由 "foot" 和 "ball" 复合而来。
  
  subword tokenization 允许模型具有合理的词表规模，同时能够学习有意义的 representation 。此外，subword tokenization 通过将单词分解成已知的子词，使模型能够处理以前从未见过的单词。

技术交流

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

相关资料、数据、技术交流提升，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、添加微信号：dkl88194，备注：来自CSDN + 技术交流
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

一、Subword Tokenization 算法

有三种常见的 subword tokenization 算法：Byte Pair Encoding: BPE 、WordPiece、Unigram。

1.1 BPE

Byte Pair Encoding: BPE 来自于论文 《Neural Machine Translation of Rare Words with Subword Units》（2015） 。
BPE 是一种简单的数据压缩技术，它迭代式地替换序列中最频繁的字节对。我们不是合并频繁的字节对，而是合并频繁的字符或字符序列。
- 首先，我们用 character vocabulary 初始化 symbol vocabulary ，将每个单词表示为一个字符序列，加上一个特殊的单词结束符，这允许我们在 tokenization 后恢复原始的 tokenization 。
- 然后，我们迭代地计算所有 symbol pair ，并用新的 symbol 'AB' 替换最频繁的 symbol pair ('A','B') 。每个merge 操作产生一个新的 symbol ，它代表一个 character n-gram 。
  
  同时，每个 merge 代表一个规则。
最终的 symbol vocabulary 大小等于 initial vocabulary 的大小，加上 merge 操作的次数（这是算法唯一的超参数）。
下面的显示了一个最小化的 Python 实现。在实践中，我们通过索引所有 pair 并增量更新数据结构来提高效率：

示例：

注意，初始的 vocab 已经将单词拆分为字符序列，并用 ' ' 分隔。这个步骤被称作 pre-tokenization 。
在机器翻译任务上，有两种应用 BPE 的方法：
- 学习两个独立的编码，一个用于 source vocabulary 、另一个用于 target vocabulary 。
  
  这种方法的优点是：在文本和词表规模方面更紧凑，并且更能保证在相应语言的训练文本中看到每个 subword 单元。
- 学习两个 vocabulary 的并集上的编码，称之为 joint BPE 。
  
  这种方法的优点是：提高了 source tokenization 和 target tokenization 之间的一致性。如果我们独立地应用 BPE ，相同的 name 在两种语言中可能被不同地 tokenization ，这使得神经模型更难学习 subword 单元之间的映射。
Byte-level BPE：包含所有基础字符 base character 的 base vocabulary 可能非常大，例如，将所有 unicode 字符（一共 65536 个，即2 个字节的表示范围）作为基础字符。

为了获得更小的 base vocabulary ，GPT-2 使用 byte 作为 base vocabulary 。这是一个聪明的技巧，它强制 base vocabulary 的大小为 256 （一个字节的表示范围），同时确保每个基本字符都包含在 vocabulary 中。GPT-2 具有 50257 的词表大小，其对应于 256 个 byte-base token 、一个特殊的文本结束 token 、以及通过 50000 次 merge 所学到的 symbol 。

相比之下，使用传统 BPE 的GPT 的词表规模为 40478 ，其中包含 478 个基本字符，并在40000 次merge 后停止训练。
来自 Hugging Face 上的例子：
- 假设在 pre-tokenization 之后，我们得到了如下的单词及其频次的集合：
  
  将所有单词拆分到字符，则我们得到：
  
  此时 base vocabulary 为：
- 然后，BPE 计算每个可能的 symbol pair ，然后挑选出现频次最高的 symbol pair 。
  
  此时，频次最高的 symbol pair 是：将 "u" 后面跟着 "g" 的 symbol pair 合并为 "ug" 。
  
  此时单词及其频次的集合为：
  
  此时 base vocabulary 为：
- BPE 然后确定下一个最常见的 symbol pair，即 "u" 后面跟着 "n" 。因此，BPE 将 "u", "n" 合并为 "un" 。
  
  下一个最常见的 symbol pair，即 "h" 后面跟着 "ug" 。因此，BPE 将 "h", "ug" 合并为 "hug" 。
  
  此时单词及其频次的集合为：
  
  此时 base vocabulary 为：
假设 BPE 的训练在这个时刻结束，那么所学习的所有 merge rule 将被应用于新的单词。例如：
- 单词 "bug" 被 tokenized 为 ["b", "ug"] 。
- 单词 "mug" 被 tokenized 为 ["", "ug"]，因为 symbol "m" 不在 base vocabulary 中。

1.2 WordPiece

与 BPE 一样，WordPiece （《Japanese and korean voice search》(2012)）从一个小的词汇表开始，并学习 merge 规则。二者之间的区别在于 merge 的方式不同：WordPiece 不是选择最高频的 pair ，而是通过如下公式计算每个 pair 的得分：

(1)score(t1,t2)=freq(t1,2)freq(t1)×freq(t2)

其中：
- t1 和 t2 为两个 token，t1,2 为它们 merge 之后得到的新的 token 。
- freq(t) 为 token t 在语料库中出现的频次。
选择 score 最高的一对 token 等价于：

(2)maxt1,t2score(t1,t2)=maxt1,t2freq(t1,2)/Nfreq(t1)/N×freq(t2)/N=maxt1,t2log⁡p(t1,2)−[log⁡p(t1)+log⁡p(t2)]

其中：N 为语料库中的 token 总数。

因此 WordPiece 的物理意义为：通过将 t1,t2 合并为 t1,2 之后，语料库的对数似然的增量最大化。
来自 Hugging Face 上的例子：
- 假设在 pre-tokenization 之后，我们得到了如下的单词及其频次的集合：
  
  将所有单词拆分到字符，则我们得到：
  
  注意：WordPiece 通过添加前缀（在 BERT 中是 ##）来识别子词，这可以识别一个子词是否是单词的开始。这里通过将前缀添加到单词内的每个字符来拆分的，单词的首字符不添加前缀。
  
  此时的 base vocabulary 为：
- 然后，WordPiece 计算每个可能的 symbol pair ，然后挑选 score 最高的 symbol pair 。
  
  学到的第一个 merge 是 ("##g", "##s") -> ("##gs")。注意,当我们合并时,我们删除了两个 token 之间的 ##，所以我们添加 "##gs" 到词表中。
  
  此时单词及其频次的集合为：
  
  此时 base vocabulary 为：
- 我们继续这样处理，直到达到我们所需的词汇量。
tokenization 算法：WordPiece 和 BPE 中的 tokenization 的不同在于：WordPiece 仅保存最终词表，而不保存学到的 merge rule 。

在应用时，从待 tokenized 的单词开始，WordPiece 找到词表中能够匹配到的最长的子词，然后对单词进行拆分。例如，如果我们使用上面例子中学到的词表来 tokenize 单词 "hugs"：
- 首先，单词从头开始能匹配到的词表中的最长子词是 "hug"，所以我们在那里拆分并得到 ["hug", "##s"]。
- 然后，我们继续匹配剩下的 "##s"。刚好能够匹配到词表中的子词 "##s"。
最终， "hugs" 的 tokenization 是 ["hug", "##s"]。

如果使用 BPE , 我们将按顺序应用学习到的merge rule，并将其 tokenize 为 ["hu", "##gs"]，所以编码不同。
当tokenization 无法在词表中找到子词时，整个单词被 tokenize 为 unknown 。例如 "bum"，由于"##m" 不在词表中，由此产生的tokenization 将只是 ["[UNK]"], 不是 ["b", "##u", "[UNK]"]。

这是与 BPE 的另一个区别：BPE 只会将不在词汇表中的单个字符 tokenize 为 unknown 。例如 "bum"，由于"##m" 不在词表中，由此产生的tokenization 是 ["b", "##u", "[UNK]"]。

1.3 SentencePiece

SentencePiece （《Subword Regularization: Improving Neural Network Translation Models with Multiple Subword Candidates》(2018)）中经常使用 Unigram 算法。
Unigram 算法假设每个子词都是独立出现的，因此一个子词序列 x=(x1,⋯,xM) 出现的概率是每个子词出现概率的乘积，即：

(3)P(x)=∏i=1Mp(xi)∀ixi∈V,∑x∈Vp(x)=1.0

其中：x 为子词，p(x) 为子词出现的概率，V 为词表。

对于给定的句子 X ，其最佳 tokenization 为：

其中：S(X) 为句子 X 的所有候选 tokenization 。

如果我们已知词表 V 以及每个子词出现的概率 p(x) ，则 x∗ 可以通过维特比算法求解得到。
现在的问题是，给定一个训练语料库 D ，如何获得词表 V 以及每个子词出现的概率 p(x) 。Unigram 利用 EM 算法来求解如下的边际似然 marginal likelihood L：

(5)L=∑s=1|D|log⁡P(X(s))=∑s=1|D|log⁡(∑x∈S(X(s))P(x))

其中：X(s) 表示语料库 D 中的第 s 个句子。

这里 Unigram 将 p(x) 视作隐变量。
为求解 L ，Unigram 采用了迭代式算法：
- 首先，启发式地从训练语料库中获取一个足够大的 seed vocabulary 。
  
  一种选择方法是：使用所有字符、以及语料库中最高频的 substring 。
- 重复以下步骤，直到词表规模 |V| 达到预期的值：
  - 固定词表，通过 EM 算法优化 p(x) 。
  - 对每个子词 xi 计算 lossi ，其中 lossi 表示当 xi 从当前词表移除时，似然 L 降低的数值。
  - 根据 lossi 进行降序排列，保留 top η% 的子词（例如，80% ）。
  注意，我们总是在词表中保留单个 character 从而防止 out-of-vocabulary 。
最终的词表 V 包含了语料库中的所有单个字符、也包括了一些 character-based tokenization 结果、甚至包括一些 word-based tokenization 结果。因此 Unigram 算法是这三者的混合体。
来自 Hugging Face 上的例子：
- 假设在 pre-tokenization 之后，我们得到了如下的单词及其频次的集合：
  
  seed vocabulary 采用初始词表的所有严格子字符串（即，不包含它自身）：
- 对于每个单词，考虑 tokenization 概率最高的。例如，对于 "pug"：
  - tokenization 为 ["p", "u", "g"] 的概率为：
    
    (6)P([“p”,“u”,“g”])=P(“p” )×P(“u” )×P(“g” )=5210×36210×20210=0.000389
    
    这里 210 为词表中所有 token 的频次之和。
  - tokenization 为 ["pu", "g"] 的概率为：
    
    (7)P([“pu”,“g”])=P(“pu” )×P(“g” )=5210×20210=0.0022676
  Unigram 选择对单词进行 tokenization 最高的那个：
  
  所以, "pug" 将被标记为 ["p", "ug"] 或者 ["pu", "g"]，取决于首先遇到这些中的哪一个。注意，在更大的语料库中这样的相等的情况很少见。
  
  通常在语料库中找到所有可能的 tokenization 并计算它们的概率，一般来说会有点困难。因此需要利用维特比算法。
  
  这里我们得到每个单词的最佳 tokenization：
- 现在我们需要计算从词表中删除每个 token 如何影响损失。然后我们根据这个损失对 token 进行排序，选择 top η% 的 token 。

二、算法原理

对于 BPE, WordPiece, Unigram 这三个算法，我们采用相同的语料库如下：

2.1 BPE

训练算法：
为了对新文本进行tokenization，我们对其进行 pre-tokenization 、拆分为单个字符，然后应用学到的所有 merge 规则。

2.2 WordPiece

训练算法：
为了对新文本进行tokenization，我们对其进行 pre-tokenization ，然后对每个单词寻找从头开始匹配到的最大子词并进行拆分。然后不断重复这种拆分。

2.3 Unigram

训练算法：
为了对新文本进行tokenization，我们对其进行 pre-tokenization ，然后对每个单词进行维特比解码。

三、Hugging Face Tokenizer 库

安装：
使用不同 subword tokenization 算法的 Transformer-based 模型：
- GPT, GPT-2, RoBERTa, BART, DeBERTa 等模型使用了 BPE，其中 GPT-2 使用了 byte-level BPE 。
- BERT, DistilBERT, MobileBERT, Funnel Transformers, MPNET 等模型使用了 WordPiece。
  
  注意，Google 从未开源 WordPiece 训练算法的实现，因此 Hugging Face 中的实现是 Hugging Face 基于已发表文献的最佳猜测，它可能不是 100% 正确的。
- AlBERT, T5, mBART, Big Bird, XLNet 等模型使用了 Unigram 。
tokenizer应用于文本的流程如下，其中包括：
- Normalization：标准化步骤，包括一些常规清理，例如删除不必要的空格、小写、以及删除重音符号。
  
  Transformers tokenizer 有一个属性叫做 backend_tokenizer 它提供了对 Tokenizers 库中底层tokenizer的访问。backend_tokenizer 的 normalizer 属性可以获取执行标准化的 normalizer 。而 normalizer 的 normalize_str() 方法执行标准化。
- Pre-tokenization：tokenizer 不能单独在原始文本上进行训练。相反，我们首先需要将文本拆分为小的单元，例如单词。这就是pre-tokenization 步骤。基于单词的tokenizer可以简单地基于空白和标点符号将原始文本拆分为单词。这些词将是tokenizer在训练期间可以学习的子词边界。
  
  backend_tokenizer 的 pre_tokenizer 属性可以获取执行 pre-tokenization 的 pre_tokenizer 。而 pre_tokenizer 的 pre_tokenize_str() 方法执行 pre-tokenization 。
  
  请注意 tokenizer 如何跟踪单词的偏移量。
  
  由于我们使用的是BERT tokenizer ， pre_tokenizer 涉及对空格和标点符号进行拆分。而其他 tokenizer 可以有不同的规则。例如，GPT-2 tokenizer 和 T5 tokenizer：
  
  GPT-2 tokenizer 也会在空格和标点符号上拆分，但它会保留空格并将它们替换为 Ġ 符号。注意，与 BERT tokenizer 不同，GPT-2 tokenizer 不会忽略双空格。
  
  与 GPT-2 tokenizer 一样， T-5 tokenizer 保留空格并用特定 token （即 "_"）替换它们。但是， T-5 tokenizer 只在空格上拆分，而不拆分标点符号。注意， T-5 tokenizer 默认在句子的开头添加了一个空格（即，_hello），并忽略了 are 和 u 之间的双空格。
- Model：执行 tokenization 从而生成 token 序列。
- Postprocessor：针对具体的任务插入 special token ，以及生成 attention mask 和 token-type ID 。
Tokenizers 库 旨在为每个步骤提供多个选项，从而方便用于自由地组合。

3.1 Normalizers

class tokenizers.normalizers.Normalizer：所有 normalizer 的基类。

方法：
- normalize(normalized)：执行标准化（原地操作）。如果你仅仅想知道在原始字符串上执行标准化的结果，建议使用 normalize_str() 。
  
  参数：normalized，被执行标准化的字符串。
- normalize_str(sequence) -> str：执行标准化，返回标准化后的字符串。
  
  参数：sequence，被执行标准化的字符串。
class tokenizers.normalizers.BertNormalizer：Bert normalizer ，包括清理文本（移除控制字符并替代以空格）、移除重音、处理中文字符（中文字符周围添加空格）、字母转小写。
其它的一些 normalizer：
class tokenizers.normalizers.Sequence(normalizers)：将一组 normalizer 拼成一个序列，以给定的顺序依次执行各个 normalizer 。
示例：

3.2 Pre-tokenizers

class tokenizers.pre_tokenizers.PreTokenizer()：所有 pre-tokenizer 的基类。

方法：
- pre_tokenize(pretok)：执行pre-tokenize（原地操作）。如果你仅仅想知道在原始字符串上执行 pre-tokenize 的结果，建议使用 pre_tokenize_str() 。
  
  参数：pretok，被执行标准化的字符串。
- pre_tokenize_str(sequence) -> List[Tuple[str, Offsets]]：执行 pre-tokenize ，返回结果字符串序列以及每个结果的偏移量。
  
  参数：sequence，被执行pre-tokenize 的字符串。
class tokenizers.pre_tokenizers.BertPreTokenizer() ：BertPreTokenizer，在每个空格和标点符号上拆分。每个标点符号被视为一个独立的单元。
class tokenizers.pre_tokenizers.ByteLevel(add_prefix_space = True, use_regex = True)：ByteLevel PreTokenizer ，将给定字符串的所有字节替换为相应的表示并拆分为单词。

参数：
- add_prefix_space：是否在第一个单词前面添加空格，如果第一个单词前面目前还没有空格。
- use_regex：如果为 False 则阻止该 pre_tokenizer 使用 GPT2 的正则表达式来在空格上拆分。
方法：
- alphabet() -> List[str]：返回所有字母组成的字符的列表。由于 ByteLevel PreTokenizer 作用在 byte level，因此字母表里有 256 个不同的字符。
class tokenizers.pre_tokenizers.CharDelimiterSplit(delimiter) ：CharDelimiterSplit，简单地在给定的 char 上拆分，类似于 .split(delimiter) 。

参数：delimiter：一个字符，指定拆分的分隔符。
class tokenizers.pre_tokenizers.Digits(individual_digits = False)：Digits，利用数字来拆分。

参数：individual_digits，一个布尔值，如果为 True 则每个数字都单独处理（如 "123" 被拆分为 "1", "2", "3" ）；否则数字被整体处理（如 "123" 被视为一个整体）。
class tokenizers.pre_tokenizers.Metaspace(replacement = '_', add_prefix_space = True ) ：Metaspace pre-tokenizer，用给定的 replacement 字符来代替任意空白符，并在空白符上执行拆分。

参数：
- replacement：一个字符串，指定替换字符，必须只有一个字符。默认为 SentencePiece 中的配置。
- add_prefix_space：一个布尔值，是否在首个单词之前没有空格的时候添加一个空格。
class tokenizers.pre_tokenizers.Punctuation( behavior = 'isolated' )：Punctuation pre-tokenizer ，在标点符号上进行拆分。

参数：behavior：指定拆分之后如何处理标点符号。可以为 "removed", "isolated", "merged_with_previous", "merged_with_next", "contiguous" 。
class tokenizers.pre_tokenizers.Split( pattern, behavior, invert = False ) ：Split PreTokenizer ，基于指定的模式和行为来拆分。

参数：
- pattern：一个字符串或正则表达式，指定拆分模式。
- behavior：一个字符串，指定拆分之后如何处理这个模式。可以为 "removed", "isolated", "merged_with_previous", "merged_with_next", "contiguous" 。
- invert：一个布尔值，指定是否翻转 pattern 。
class class tokenizers.pre_tokenizers.UnicodeScripts() ：这个 pre-tokenizer 在不同的 language family 上进行拆分。遵从 SentencePiece Unigram 的实现。
class tokenizers.pre_tokenizers.Whitespace()：这个 pre-tokenizer 在使用如下的正则表达式进行拆分：\w+|[^\w\s]+ 。
class tokenizers.pre_tokenizers.WhitespaceSplit()：这个 pre-tokenizer 在空格上拆分，类似于 .split() 。
示例：

3.3 Models

class tokenizers.models.Model() ：所有 Model 的基类。

每个 model 代表一个实际的 tokenization 算法。

方法：
- get_trainer() -> Trainer：返回关联的 Trainer ，该 Trainer 用于训练该 model。
- id_to_token(id) -> str：返回 id 关联的 token 字符串。
  
  参数：id：待转换的 ID 。
- token_to_id(token) -> int ：返回 token 字符串关联的整数 id 。
  
  参数：token：待转换的 token 字符串。
- tokenize( sequence ) -> A List of Token：把给定的字符串执行 tokenize ，返回一个 token 序列。
  
  参数：sequence：一个字符串。
- save( folder, prefix) -> List[str]：在指定的目录中保存 model 。其中被创建的文件使用指定的前缀。如果目录中已有同名的文件，则直接覆盖同名文件。
  
  参数：
  - folder：模型保存的目录。
  - prefix：一个字符串，指定被保存的各种文件的文件名前缀。
  返回值：一个字符串列表，表示被保存的各种文件的文件名。
class tokenizers.models.BPE：BPE 模型。

参数：
- vocab：一个字典 Dict[str, int]，指定字符串 key 及其 id ，表示词表。
- merges：token pair 的列表 List[Tuple[str, str]]，表示 merge 规则。
- cache_capacity：一个整数，指定 BPE cache 包含的单词数量。 BPE cache 能够通过保存多个单词的 merge 操作的结果来加速该过程。
- dropout：一个浮点数，指定 BPE dropout 比例。取值在 0.0 ~ 1.0 之间。
- unk_token：一个字符串，指定 unknown token 。
- continuing_subword_prefix：一个字符串，指定当该子词不是单词的首个子词时，子词的前缀，。
- end_of_word_suffix：一个字符串，指定当该子词是单词的最后一个子词时，子词的后缀。
- fuse_unk：一个布尔值，指定是否将连续的多个 unknown token 合并为单个 unknown token 。
方法：
- from_file( vocab, merges, **kwargs) -> BPE：从文件中初始化一个 BPE 。
  
  参数：
  - vocab：vocab.json 文件的路径。
  - merges：merges.txt 文件的路径。
  该方法等价于：
- read_file( vocab, merges) -> A Tuple ：从文件中加载词表和 merge 规则。
  
  参数：参考 from_file() 。
class tokenizers.models.Unigram( vocab )：Unigram 模型。

参数：
- vocab：由字符串和浮点数组成的元组的列表 List[Tuple[str, float]] ，指定 token 及其 score，如 [("am", -0.2442), ...]
class tokenizers.models.WordLevel( vocab, unk_token )：WordLevel 模型。

参数：参考 BPE 模型。

方法：
- from_file( vocab, un_token) -> WordLevel：从文件中初始化一个 WordLevel 。
  
  参数：
  - vocab：vocab.json 文件的路径。
  - un_token：一个字符串，指定 unknown token 。
- read_file(vocab) -> Dict[str, int] ：从文件中读取词表。
  
  参数：参考 from_file 。
class tokenizers.models.WordPiece( vocab, unk_token, max_input_chars_per_word)：WordPiece 模型。

参数：
- vocab：一个字典 Dict[str, int]，指定字符串 key 及其 id ，表示词表。
- unk_token：一个字符串，指定 unknown token 。
- max_input_chars_per_word：一个整数，指定一个单词中允许的最大字符数。
方法：
- from_file(vocab, **kwargs) -> WordPiece：从文件中初始化一个 WordPiece 。
  
  参数：vocab：vocab.json 文件的路径。
- read_file(vocab) -> Dict[Str, int]：从文件中读取词表。
  
  参数：参考 from_file 。

3.4 Trainers

class tokenizers.trainers.BpeTrainer：BPE Trainer，用于训练 BPE 模型。

参数：
- vocab_size：一个整数，表示final vocabulary 大小，包括所有的 token 和字母表 alphabet 。
- min_frequency：一个整数，表示一个 pair 的频次至少为多少时才考虑被 merge 。
- show_progress：一个布尔值，指定在训练期间是否展示进度条。
- special_tokens：一个字符串列表，指定 special token 。
- limit_alphabet：一个整数，指定字母表中最多保持多少个不同的字符。
- initial_alphabet：一个字符串列表，指定初始的字母表。如果字符串包含多个字符，那么仅考虑首个字符。这个字母表可以包含训练数据集中不存在的字符。
- continuing_subword_prefix：一个字符串，如果子词不是单词的首个子词，那么添加这个前缀。
- end_of_word_suffix：一个字符串，如果子词是单词的末尾子词，那么添加这个后缀。
class tokenizers.trainers.UnigramTrainer：Unigram Trainer，用于训练 Unigram 模型。

参数：
- vocab_size, show_progress, special_tokens：参考 BpeTrainer 。
- shrinking_factor：一个浮点数，指定在训练的每个 step 需要对词表规模缩放多少比例（即，保留 top 的多少）。
- unk_token：一个字符串，指定 unknown token 。
- max_piece_length：一个整数，指定 token 的最大长度（字符个数）。
- n_sub_iterations：一个整数，指定裁剪词表之前执行 EM 算法的迭代次数。
class tokenizers.trainers.WordLevelTrainer：WordLevel Trainer，用于训练 WordLevel 模型。

参数：参考 BpeTrainer 。
class tokenizers.trainers.WordPieceTrainer ： WordPiece Trainer，用于训练 WordPiece 模型。

参数：参考 BpeTrainer 。

3.5 Post-processors

class tokenizers.processors.BertProcessing( sep, cls)：BERT 的 Post-processor 。

参数：
- sep：一个 (str, int) 的元组，给出 [SEP] token 及其 id 。
- cls：一个 (str, int) 的元组，给出 [CLS] token 及其 id 。
方法：
- num_special_tokens_to_add(is_pair)：返回需要添加到 single/pair 句子的 special token 的数量。
  
  参数：is_pair：一个布尔值，指定预期的输入是单个句子还是句子对。
- process(encoding, pair=None, add_special_tokens=True)：对指定的 encoding 执行后处理。
  
  参数：
  - encoding：单个句子的 encoding，类型为 tokenizer.Encoding 。
  - pair：一对句子的 encoding，类型为 tokenizer.Encoding 。
  - add_special_tokens：一个布尔值，指定是否添加 special token 。
BertProcessing 会把 [SEP] token 和 [CLS] token 添加到被 tokenized 的 token 序列中。
class tokenizers.processors.ByteLevel( trim_offsets = True)：ByteLevel BPE 的 Post-processor 。

参数：
- trim_offsets：一个布尔值，是否从生成的 offsets 中移除空格。
方法：参考 BertProcessing 。

这个 Post-processor 会小心地裁剪 offsets 。默认情况下，ByteLevel BPE 可能会在生成的 token 中包含空格。如果你不希望 offsets 中包含这些空格，则可以使用这个 Post-processor 。
class tokenizers.processors.RobertaProcessing( sep, cls, trim_offsets=True, add_prefix_space=True)：Roberta 的 Post-processor 。

参数：
- sep,cls：参考 BertProcessing。
- trim_offsets：参考 ByteLevel 。
- add_prefix_space：一个布尔值，指定是否在 pre-tokenization 阶段启用了 add_prefix_space 。这个参数是为了配合 trim_offsets 使用。
方法：参考 BertProcessing 。
class tokenizers.processors.TemplateProcessing(single, pair, special_tokens)：这是一个 Post-processor 的模板，以便将 special token 添加到相关的每个输入序列。、

参数：
- single：一个模板字符串或模板字符串列表，用于单个输入序列。如果是字符串，那么使用空格来拆分 token 。
- pair：一个模板字符串或模板字符串列表，用于一对输入序列。如果是字符串，那么使用空格来拆分 token 。
  
  模板的标准格式为 (:) 。
  - 模板中可以基于 type_id 来占位，如 "[CLS] $0, $1, $2 [SEP]" ，此时 identifier 默认为 A 。
  - 模板中也可以基于 sequence identifier 来占位，如 "[CLS] $A, $B [SEP]" ，此时 type_id 默认为 0 。
  - 模板中也可以同时使用 type_id 和 sequence 来占位，如 "[CLS] $A:0 [SEP]" 。
- special_tokens：一个元组序列，指定每个模板字符串使用的 special token 及其id 。
  
  或者是一个字典，键包括："id" ，指定 special token id；"ids"，指定关联的 ID；"tokens"：指定关联的 token 。
方法：参考 BertProcessing 。

以 BERT tokenizer 为例，它需要两个 special token ：[CLS] （用于第一个句子的开头）、 [SEP] （用于每个句子的结尾）。最终结果看起来如下所示：

其中这一对输入序列的 type-id 如下：

此时可以应用 TemplateProcessing 为：

注意：[SEP]:1 表示最后一个 [SEP] 的 type_id = 1 。

3.6 Decoders

class tokenizers.decoders.BPEDecoder(suffix = '')：BPE 解码器。

参数：suffix ：一个字符串，用来表示单词结尾的后缀。在解码过程中，这个后缀将被替换为空格。

方法：
- decode(tokens)：解码给定的 token 列表，返回解码后的字符串。
class tokenizers.decoders.ByteLevel()：ByteLevel 解码器，用于 ByteLevel PreTokenizer 配合使用。

方法：参考 BPEDecoder 。
class tokenizers.decoders.CTC( pad_token = '', word_delimiter_token = '|', cleanup = True) ：CTC 解码器。

参数：
- pad_token：一个字符串，由 CTC 使用来分隔一个新的 token 。
- word_delimiter_token：一个字符串，表示单词的分隔符 token，它将被空格符替代。
- cleanup：一个字符串，指定是否清理一些人工增加的 token ，如标点符号之前的空格。
方法：参考 BPEDecoder 。
class tokenizers.decoders.Metaspace(replacement='▁', add_prefix_space =True) ：Metaspace 解码器。

参数：
- replacement：一个字符串，指定编码时的替换字符（必须为单个字符）。默认为 '▁' （U+2581），被 SentencePiece 所使用。
- add_prefix_space：一个布尔值，指定编码时是否启用了 add_prefix_space 。
方法：参考 BPEDecoder 。
class tokenizers.decoders.WordPiece(prefix='##', cleanup=True)：WordPiece 编码器。

参数：
- prefix：一个字符串，指定编码时的 prefix。
- cleanup：一个布尔值，指定是否清理一些人工增加的 token ，如标点符号之前的空格。
方法：参考 BPEDecoder 。

3.7 Tokenizer

class tokenizers.Tokenizer(model)：Tokenizer，它处理原始文本输入并输出一个 Encoding 对象。

参数：
- model：一个 Model 对象，代表 Tokenizer 使用到的核心算法，如 tokenizers.models.BPE 等等。
属性：
- decoder：一个 Decoder 对象，代表 Tokenizer 使用到的解码器，如 tokenizers.decoders.BPEDecoder 。
- model：一个 Model 对象，代表 Tokenizer 使用到的核心算法。
- normalizer：一个 Normalizer 对象，用于对输入进行标准化。
- padding：一个字典，如果开启 padding，则它给出当前的 padding 参数。
  
  该属性无法被 set，可以用 enable_padding() 来开启。
- post_processor：一个 PostProcessor 对象，用于后处理。
- pre_tokenizer：一个 PreTokenizer 对象，用于前处理。
- truncation：一个字典，如果开启 truncation，则它给出当前的 truncation 参数。
  
  该属性无法被 set，可以用 enable_truncation() 来开启。
方法：
- add_special_tokens(tokens) -> int：添加指定的 special token 到 Tokenizer。
  
  参数： tokens：一个字符串列表或 AddedToken 列表，指定被添加的 special token 。这些 special token 被添加到词表。
  
  返回值：词表中被新增的 token 数量。如果 special token 已经位于词表中，那么它就不是新增的了。
  
  这些 special token 不会被 model 处理（即，不会被拆分为多个 token），并且在解码期间从输出中被删除。
- add_tokens(tokens) -> int ：添加指定的 token 到 Tokenizer。
  
  参数和返回值：参考 add_special_tokens 。
  
  这些 token 不会被 model 处理（即，不会被拆分为多个 token）。
- decode( ids, skip_special_tokens = True) -> str：解码得到字符串。
  
  参数：
  - ids：一个整数序列，表示待解码的 token id 。
  - skip_special_tokens：一个布尔值，指定是否从解码结果中移除 special token 。
- decode_batch( sequences, skip_special_tokens = True) -> List[str] ：解码一个 batch 的字符串。
  
  参数：
  - sequences：一个 batch 的整数序列，表示待解码的 token id 。
  - skip_special_tokens：参考 decode 。
- enable_padding(direction = 'right', pad_id = 0, pad_type_id = 0, pad_token = '[PAD]', length = None, pad_to_multiple_of = None)：启用 padding 功能。
  
  参数：
  - direction：一个字符串，指定填充方式，可以是左填充 'left' 或右填充 'right' 。
  - pad_id：一个整数，指定 pad token 的 id 。
  - pad_token：一个字符串，指定 pad token 字符串。
  - length：一个整数，指定填充后的字符串长度。如果为 None，则选择 batch 中的最长序列的长度。
  - pad_to_multiple_of：一个整数，假设为 n ，那么填充后的长度与 2n 对齐。例如，length=250，但是 pad_to_multiple_of=8，那么将填充到长度为 256 。
- enable_truncation( max_length, stride=0, strategy = 'longest_first', direction='right') ：启用 truncation 功能。
  
  参数：
  - max_length：一个整数，指定截断后的字符串长度。
  - stride：一个整数，指定在溢出序列中，需要包含前一个序列的长度。
    
    溢出序列指的是被截断后的尾部序列。如 abcdefg，截断长度为 4，stride=2，那么截断方式为：abcd, cdef, efg 。
  - strategy：一个字符串，指定截断的策略。可以为："longest_first"、"only_first "、"only_second" 。
    
    其中 "only_first "、"only_second" 用于句子对，仅对第一个句子或第二个句子进行截断。
  - direction：一个字符串，指定截断方向。可以为："left"、"right" 。
- encode(sequence, pair = None, is_pretokenized = False, add_special_tokens = True) -> Encoding ：编码指定的句子或句子对，返回编码结果。
  
  参数：
  - sequence：一个 InputSequence 对象，指定输入的句子。如果 is_pretokenized =True，那么 sequence 是 PreTokenizedInputSequence 对象；否则是 TextInputSequence 对象。
  - pair：一个 InputSequence 对象，指定输入的句子pair 。如果 is_pretokenized =True，那么 sequence 是 PreTokenizedInputSequence 对象；否则是 TextInputSequence 对象。
  - is_pretokenized：一个布尔值，指定输入是否已经被 pre-tokenized 。
  - add_special_tokens：一个布尔值，指定是否添加 special token 。
- encode_batch(input, is_pretokenized = False, add_special_tokens = True) -> List[Encoding] ：编码一个 batch 的句子或句子对，返回编码结果。
  
  参数：
  - input： TextInputSequence 或者 PreTokenizedInputSequence 的一个列表。参考 encode() 。
  - is_pretokenized/add_special_tokens：参考 encode() 。
- from_buffer( buffer ) -> Tokenizer：从 buffer 中创建并返回一个 Tokenizer 。
  
  参数：buffer：一个 bytes ，包含了已经序列化好的 Tokenizer 。
- from_file( path) -> Tokenizer：从文件中创建并返回一个 Tokenizer 。
  
  参数：path：一个本地 JSON 文件，包含了已经序列化好的 Tokenizer 。
- from_pretrained(identifier, revision = 'main', auth_token = None) -> Tokenizer ：从 Hugging Face Hub 上的已有文件来创建并返回一个 Tokenizer 。
  
  参数：
  - identifier：一个字符串，用于指定 Hugging Face Hub 上的一个模型，它包含一个 tokenizer.json 文件。
  - revision：指定选择 Hugging Face Hub 上的模型的哪个 git branch 或者 git commit id 。
  - auth_token：一个字符串，指定 auth token 从而用于访问 Hugging Face Hub 上的私有 repository 。
- from_str(json) -> Tokenizer：从字符串中创建并返回一个 Tokenizer 。
  
  参数：json：一个有效的 JSON 字符串，表示已经序列化好的 Tokenizer 。
- get_vocab( with_added_tokens = True) -> Dict[str, int] ：返回词表（token 及其 id ）。
  
  参数：
  - with_added_tokens：一个布尔值，指定是否包含 added token 。
- get_vocab_size( with_added_tokens = True) ->int ：返回词表的大小。
  
  参数：参考 get_vocab() 。
- id_to_token(id) -> str：将 id 转换回字符串。如果 id 不在词表中，则返回 None 。
  
  参数：id：一个整数，表示要转换的 id 。
- no_padding()：关闭 padding 。
- no_truncation()：关闭 truncation 。
- num_special_tokens_to_add( is_pair)：返回预期要添加到单个句子或者句子对中的 special token 的数量。
  
  参数：is_pair：一个布尔值，表示要计算单个句子的还是句子对的 special token 数量。
- post_process(encoding, pair = None, add_special_tokens = True ) -> Encoding：final 后处理。
  
  参数：
  - encoding：一个 Encoding 对象，表示对单个句子的编码结果。
  - pair：一个 Encoding 对象，表示对句子对的编码结果。
  - add_special_tokens：一个布尔值，指定是否添加 special token 。
  后处理步骤包括：
  - 根据 truncation 参数执行截断（根据 enable_truncation()来开启）。
  - 应用 PostProcessor 。
  - 根据 padding 参数执行填充（根据 enable_padding() 来开启）。
- save(path, pretty=True)：将 Tokenizer 保存到指定路径的文件。
  
  参数：
  - path：一个字符串，指定保存文件的路径。
  - pretty：一个布尔值，指定保存的 JSON 文件是否需要被 pretty formated 。
- to_str(pretty = False) -> str：返回一个字符串代表被序列化的 Tokenizer 。
- token_to_id(token) -> int：将给定的 token 转换为对应的 id。如果 token 不在词表中，则返回 None 。
  
  参数：token：一个字符串，指定待转换的 token 。
- train(files, trainer = None)：利用给定的文件来训练 Tokenizer 。
  
  参数：
  - files：一个字符串列表，指定用于训练 Tokenizer 的文件路径。
  - trainer：一个 Trainer 对象，指定用于训练 Model 的 trainer 。
  该方法从文件中一行一行地读取，保留所有的空格和换行符。
- train_from_iterator(iterator, trainer=None, length=None)：利用给定的迭代器来训练 Tokenizer 。
  
  参数：
  - iterator：一个 Iterator 对象，对它迭代的结果返回字符串或者字符串列表。
  - trainer：一个 Trainer 对象，指定用于训练 Model 的 trainer 。
  - length：一个整数，指定 iterator 中的序列数量，这用于提供有意义的进度跟踪。
tokenizers.InputSequence：代表所有类型的输入序列，作为 Tokenizer 的输入。

如果 is_pretokenized=False，则为 TextInputSequence；如果 is_pretokenized=True，则为 PreTokenizedInputSequence 。
- tokenizers.TextInputSequence：一个字符串，代表一个输入序列。
  
  TextInputSequence 就是 str 的别名。
- tokenizers.PreTokenizedInputSequence：一个 pre-tokenized 的输入序列，可以为一个字符串列表、或者一个字符串元组。
  
  PreTokenizedInputSequence 是 Union[List[str], Tuple[str]] 的别名。
tokenizers.EncodeInput ：代表所有类型的、用于 batch 编码的输入序列，作为 Tokenizer 的 batch 编码的输入。

如果 is_pretokenized=False，则为 TextEncodeInput；如果 is_pretokenized=True，则为 PreTokenizedEncodeInput 。
- tokenizers.TextEncodeInput：用于编码的文本输入，可以为 TextInputSequence 的一个元组、或者长度为 2 的列表。
  
  TextEncodeInput 是 Union[str, Tuple[str, str], List[str]] 的别名。
- tokenizers.PreTokenizedEncodeInput： pre-tokenized 的、用于编码的文本输入。可以为 PreTokenizedInputSequence 的一个序列、或者一对序列（每个元素为 PreTokenizedInputSequence 的元组或者长度为 2 的列表）。
  
  PreTokenizedEncodeInput 是 Union[List[str], Tuple[str], Tuple[Union[List[str], Tuple[str]], Union[List[str], Tuple[str]]], List[Union[List[str], Tuple[str]]]] 的别名。
class tokenizers.AddedToken(content, single_word=False, lstrip=False, rstrip=False, normalized=True)：代表要被添加到 Tokenizer 中的一个 token 。

参数：
- content：一个字符串，指定 token 的内容。
- single_word：一个布尔值，指定该 token 是否仅匹配单个 word 。例如，该值为 True 时，"ing" 不会匹配单词 "playing" ；改值为 False 时，"ing" 可以匹配单词 "playing" 。
- lstrip：一个布尔值，指定是否移除该 token 的所有左侧空格。
- rstrip：一个布尔值，指定是否移除该 token 的所有右侧空格。
- normalized：一个布尔值，指定该 token 是否匹配输入文本的 normalized 版本。
class tokenizers.Encoding()：Encoding 代表 Tokenizer 的输出。

属性：
- attention_mask：一个整数列表，给出attention mask ，表示哪些 token 应该被 attended （1 对应的）、哪些不应该被 attended （0 对应的）。
- ids：一个整数列表，给出编码后的 ID 列表。
- n_sequences：一个整数，返回 Encoding 中包含多少个句子。
- offsets：元组(int, int) 的一个列表，指定每个 token 的偏移量（相对于文本开头）。通过这个 offsets 以及给定的文本，你可以获取对应的 token 。
- overflowing： overflowing Encoding 的一个列表。当使用截断时， Tokenizer 会根据需要将输出分成尽可能多的部分，从而匹配指定的 max length 。这个字段允许你检索所有截断之后的、后续的片段。
  
  当你使用句子对时，overflowing pieces 将包含足够多的变化，从而覆盖所有可能的组合，同时考虑到所提供的 max length 。
- sequence_ids：一个整数列表，表示序列的 id （一个序列就是一个句子）。每个 id 代表一个句子并关联到该句子的每个 token 。
  
  注意，如果 token 属于任何句子（如 special token ），那么它的 sequence_id 为 None 。
- special_token_mask：一个整数列表，指定哪些 token 是 special token、哪些不是。
- tokens：一个字符串列表，表示生成的 token 序列。
- type_ids：一个整数列表，表示生成的 type ID。常用于序列分类或问答任务，使得语言模型知道每个 token 来自于哪个输入序列。
  
  它和 sequence_ids 相同的功能。
- word_ids：一个整数列表，指定每个单词的位置编号（用于指示哪些 token 是属于同一个单词）。它们表示每个 token 关联的单词的位置。
  
  如果输入是 pre-tokenized，那么它们对应于给定的 input label 的 ID；否则它们对应于所使用的 PreTokenizer 定义的单词索引。
  
  例如，如果 word_ids = [0,0,0,1] ，那么表明前三个 token 都属于同一个单词，第四个 token 属于另一个单词。
- words：一个整数的列表，指定生成的单词的索引。将来被废弃，推荐使用 word_ids 属性。
方法：
- char_to_token(char_pos, sequence_index=0) -> int：返回包含指定字符的 token 是 token 序列中的第几个 token 。
  
  参数：
  - char_pos：一个整数，指定目标字符在输入序列的哪个位置。
  - sequence_index：一个整数，指定目标字符位于哪个句子。
- char_to_word(char_pos, sequence_index=0) -> int ：返回包含指定字符是该句子中的第几个单词。
  
  参数：参考 char_to_token() 。
- merge( encodings, growing_offsets = True ) -> Encoding：合并 encoding 列表到 final Encoding 。
  
  参数：
  - encodings：一个 Encoding 列表，表示待合并的 encoding 。
  - growing_offsets：一个布尔值，指定合并过程中，偏移量是否需要累加。
- pad(length, direction = 'right', pad_id = 0, pad_type_id = 0, pad_token = '[PAD]' ) ：将 Encoding 填充到指定长度。
  
  参数：
  - length：一个整数，指定要填充到的长度。
  - direction：一个字符串，指定填充方式，可以是左填充 'left' 或右填充 'right' 。
  - pad_id：一个整数，指定 pad token 的 id 。
  - pad_type_id：一个整数，指定 pad token 对应的 type ID 。
  - pad_token：一个字符串，指定 pad token 字符串。
- set_sequence_id(sequence_id)：设定为当前 Encoding 中的所有 token 设置 sequence_id 。
  
  参数：sequence_id：一个整数，指定 sequence_id 。
- token_to_chars(token_index) -> Tuple[int, int] ：获取指定 token 的偏移量。通过这个偏移量，我们可以从原始的输入序列中获取到该 token 。
  
  参数：token_index：被编码的序列中的 token 的索引。
- token_to_sequence(token_index) -> int ：获取指定 token 的 sequence id 。
  
  参数：token_index：被编码的序列中的 token 的索引。
  
  对于单个句子的输入，返回结果通常是 0 ；对于句子对的输入，如果 token 位于第一个句子则返回 0；如果位于第二个句子则返回 1 。
- token_to_word(token_index) -> int：获取包含指定 token 的单词是该句子中的第几个单词。
  
  参数：token_index：被编码的序列中的 token 的索引。
- truncate(max_length, stride=0, direction='right')：截断 Encoding 到指定的长度。
  
  参数：
  - max_length：一个整数，指定要截断到的长度。
  - stride：一个整数，指定每个 overflowing 片段包含前一个片段的长度（以 token 为基本单位）。
  - direction：一个字符串，指定截断方向。可以为 'right' 或 'left' 。
  如果 Encoding 代表多个序列，那么截断之后，这个信息被丢失。结果被认为是单个序列。
- word_to_chars(word_index, sequence_index = 0) -> Tuple(int, int) ：返回指定的单词在原始句子中的区间。
  
  参数：
  - word_index：一个整数，指定了目标单词的索引。
  - sequence_index：一个整数，指定目标单词位于哪个句子。
- word_to_tokens(word_index, sequence_index = 0) -> Tuple(int, int)：返回指定的单词在 token 序列中的区间。
  
  参数：参考 word_to_chars 。
class tokenizers.tools.Annotation(start: int, end:int, label:str)：一个 Annotation ，用于可视化。

参数：
- start：一个整数，指定位于字符串中的开始位置。
- end：一个整数，指定位于字符串中的结束位置。
- label：一个字符串，指定 label 字符串。
class tokenizers.tools.EncodingVisualizer(tokenizer: Tokenizer, default_to_notebook: bool = True, annotation_converter:typing.Union[typing.Callable[[typing.Any], tokenizers.tools.visualizer.Annotation], NoneType] = None )：构建一个 EncodingVisualizer 。

参数：
- tokenizer：一个Tokenizer 对象，表示 tokenizer 实例。
- default_to_notebook：一个布尔值，指定是否渲染 html 输出从而适配 notebook 。
- annotation_converter：一个可调用对象，它通常是一个 lambda 函数，接受一个任意类型的输入并返回一个 Annotation 对象。
方法：
- __call__(text: str, annotations: typing.List[tokenizers.tools.visualizer.Annotation] = [], default_to_notebook: typing.Optional[bool] = None )：对给定的文本构建一个可视化。
  
  参数：
  - text：一个字符串，指定需要被 tokenize 的字符串。
  - annotations：text 对应的一个列表的注解。可以是一个 Annotation 类，或者通过一个转换函数返回一个 Annotation 。
  - default_to_notebook：一个布尔值，如果为 True 则渲染 html 字符串到 notebook；否则直接返回一个 html 字符串。

四、Tokenizer 库的应用

4.1 从头开始训练 WordPiece

代码：
要在 Transformers 中使用这个 tokenizer，我们必须将它封装在一个 PreTrainedTokenizerFast 类中。
- 如果是Transformers 已有的模型，如 BERT，那么就可以用对应的 PreTrainedTokenizerFast 子类，如 BertTokenizerFast 。
- 或者也可以直接使用 PreTrainedTokenizerFast，方法为：
  
  注意：我们必须手动设置所有 special token ，因为 PreTrainedTokenizerFast 无法从 tokenizer 对象推断出这些 special token 。
  
  虽然 tokenizer 有 special token 属性，但是这个属性是所有 special token 的集合，无法区分哪个是 CLS、哪个是 SEP 。
最后，这些 wrapped_tokenizer 可以使用 save_pretrained() 方法或 push_to_hub() 方法来保存到 Hugging Face Hub 。其中 save_pretrained() 方法会保存三个文件：'tokenizer_config.json'、'special_tokens_map.json'、'tokenizer.json' 。

4.2 从头开始训练 BPE

代码：
我们可以把训练好的 tokenizer 封装在一个 PreTrainedTokenizerFast 类中，从而在 Transformers 中使用：
- 直接使用 GPT2TokenizerFast：
- 使用 PreTrainedTokenizerFast 类：

4.3 从头开始训练 Unigram

代码：
我们可以把训练好的 tokenizer 封装在一个 PreTrainedTokenizerFast 类中，从而在 Transformers 中使用：
- 直接使用 XLNetTokenizerFast：
- 使用 PreTrainedTokenizerFast 类：

五、Tokenizer in Transformers

tokenizer 负责为模型准备 input。大多数 tokenizer 有两种风格：基于 Python 的实现、以及基于 Rust library Tokenizer 的 "Fast" 实现。

这个 "Fast" 实现的优点：在 batched tokenization 、以及原始字符串到 token space 之间的方法上（如，获得给定 token 的 span 时），获得显著的加速。
PreTrainedTokenizer 基类和 PreTrainedTokenizerFast 基类实现了通用的方法，它们都依赖于SpecialTokensMixin 、以及包含通用方法的 PreTrainedTokenizerBase 。

5.1 PreTrainedTokenizerBase

class PreTrainedTokenizerBase(**kwargs)：PreTrainedTokenizer 和 PreTrainedTokenizerFast 的基类。

参数：
- model_max_length：一个整数，指定 transformer model 的输入的 max 长度（以 token 为单位衡量）。当 tokenizer 采用 from_pretrained() 被加载时，model_max_length 被设置为 transformer model 关联的 max_model_input_sizes 值。
  
  如果未提供，则默认为 VERY_LARGE_INTEGER （等于 int(1e30)）。
- padding_side：一个字符串，指定填充发生在哪一侧。可以为 'right' 或 'left' 。默认从相同名字的 class attribute 中选取。
- truncation_side：一个字符串，指定截断发生在哪一侧。可以为 'right' 或 'left' 。默认从相同名字的 class attribute 中选取。
- model_input_names：一个字符串列表，指定模型的前向传播所接受的 input 的列表，如 ["token_type_ids", "attention_mask"] 。默认从相同名字的 class attribute 中选取。
- bos_token：一个字符串或者 AddedToken，表示句子开始的 special token 。self.bos_token 将和 self.bos_token_id 关联。
- eos_token：一个字符串或者 AddedToken，表示句子结束的 special token 。self.eos_token 将和 self.eos_token_id 关联。
- unk_token：一个字符串或者 AddedToken，表示 out-of-vocabulary token 的 special token 。self.unk_token 将和 self.unk_token_id 关联。
- sep_token：一个字符串或者 AddedToken，表示同一个输入中分隔两个不同句子的 special token 。self.sep_token 将和 self.sep_token_id 关联。
- pad_token：一个字符串或者 AddedToken，表示 padding token 的 special token 。self.pad_token 将和 self.pad_token_id 关联。
- cls_token：一个字符串或者 AddedToken，表示 cls token 的 special token 。self.cls_token 将和 self.cls_token_id 关联。
- mask_token：一个字符串或者 AddedToken，表示 mask token 的 special token 。self.mask_token 将和 self.mask_token_id 关联。
- additional_special_tokens：字符串或者 AddedToken 的一个元组或列表，表示额外的 special token 。可以确保它们不会被 tokenization 过程所拆分。self.additional_special_tokens 将和 self.additional_special_tokens_ids 关联。
class attribute（被派生类所重写）：
- vocab_files_names：一个字典 Dict[str, str]，键为每个模型的初始化方法中的针对 vocabulary file 的 keyword name ，值为 vocabulary file 的文件名。
- pretrained_vocab_files_map：一个字典的字典 Dict[str, Dict[str, str]] ，high-level 的键为每个模型的初始化方法中的针对 vocabulary file 的 keyword name ，low-level 的键为预训练模型的简称 short-cut-name ，值为预训练的词表文件的 url 。
- max_model_input_sizes：一个字典 Dict[str, int] ，键为预训练模型的简称，值为该模型的序列输入的最大长度。如果模型没有最大输入大小，则为 None 。
- pretrained_init_configuration：一个字典的字典，Dict[str, Dict[str, Any]]，键为预训练模型的简称，值为包含特定参数的字典。当使用 from_pretrained() 方法加载 tokenizer 时，这些参数将传递给针对该预训练模型的 tokenizer class 的初始化方法。
- model_input_names：字符串的一个列表，指定模型的前向传播所接受的 input 的列表。
- padding_side：一个字符串，指定填充发生在哪一侧。
- truncation_side：一个字符串，指定截断发生在哪一侧。
方法：
- __call__：核心方法，用于执行 tokenization 过程从而为模型准备输入。
  
  参数：
  - text：一个字符串、字符串的列表、字符串的列表的列表，指定需要被编码的序列或 batched 序列。每个序列可以是一个字符串（原始文本）、或者字符串的列表（pretokenized 字符串）、或者字符串的列表的列表（batched 的pretokenized 字符串）。
    
    此外，如果你提供了字符串的列表，那么必须设置 is_split_into_words 参数从而消除歧义。如果 is_split_into_words=True，此时字符串的列表代表 pretokenized 字符串；如果 is_split_into_words=False，此时字符串的列表代表 batched 的原始字符串。
  - text_pair：一个字符串、字符串的列表、字符串的列表的列表，指定需要被编码的序列或 batched 序列。格式的解释参考 text 。
  - text_target：一个字符串、字符串的列表、字符串的列表的列表，指定需要被编码的 target text 的序列或 batched 序列。格式的解释参考 text 。
  - text_pair_target：一个字符串、字符串的列表、字符串的列表的列表，指定需要被编码的 target text 的序列或 batched 序列。格式的解释参考 text 。
  - add_special_tokens：一个布尔值，指定是否使用与模型相关的 special token 来编码序列。
  - padding：一个布尔值、字符串、或 PaddingStrategy，指定启用填充并控制填充。可以为：
    - True 或 "longest"：填充到 batch 中最长的序列。如果仅提供单个序列，则不填充。
    - "max_length"：填充到由 max_length 所指定的最大长度，或填充到模型可接受的最大输入长度（如果 max_length 参数未提供）。
    - False 或 "do_not_pad" （默认值）：不填充。此时 batch 的输出可能具有不同的序列长度。
  - truncation：一个布尔值、字符串、或 TruncationStrategy，指定启用截断并控制截断。可以为：
    - True 或 "longest_first"：截断到由参数 max_length 指定的最大长度，或截断到模型可接受的最大输入长度（如果 max_length 参数未提供）。
      
      如果输入是序列的 pair，那么将同时截断第一个序列和第二个序列，然后根据两两组合进行笛卡尔积得到多个结果。假设第一个序列为 abc，第二个序列为 xyz，假设 max_length=2，那么得到四个结果：(ab, xy), (c, xy), (ab, z), (y,z) 。
    - "only_first"：截断到由参数 max_length 指定的最大长度，或截断到模型可接受的最大输入长度（如果 max_length 参数未提供）。
      
      如果输入是序列的 pair，那么仅截断第一个序列。
    - "only_second"：截断到由参数 max_length 指定的最大长度，或截断到模型可接受的最大输入长度（如果 max_length 参数未提供）。
      
      如果输入是序列的 pair，那么仅截断第二个序列。
    - False 或 "do_not_truncate" （默认值）：不截断。此时 batch 的输出可能出现超过模型可接受的最大输入长度。
  - max_length：一个整数控制，控制 truncation/padding 使用的最大长度。如果未设置或者为 None，则使用预定义的 model maximum length 。如果模型没有特定的 maximum input length （如 XLNet），那么 truncation/padding 到最大长度的能力将被禁用。
  - stride：一个整数，默认为 0。如果 return_overflowing_tokens = True ，那么返回的 overflowing token 将包含被截断的序列的末尾的一些 token ，那么 stride 参数将指定 truncated sequence 和 overflowing sequence 之间的重叠 token 的数量。
  - is_split_into_words：一个布尔值，指定提供的输入字符串是否已经被 pre-tokenized 。如果为 True，那么 tokenizer 假设输入已被拆分为单词，那么 tokenizer 将对这些单词进行 tokenize 。
  - pad_to_multiple_of：一个整数，指定将序列填充到指定的倍数。这对于在 NVIDA 硬件上使用 Tensor Cores 非常有用。
  - return_tensors：一个字符串或 TensorType，指定返回张量而不是返回 python 整数列表。可以为："tf" （TensorFlow 张量）、"pt" （Pytorch 张量）、"np"（np.ndarray 对象）。
  - return_token_type_ids：一个布尔值，指定是否返回 token type ID 。如果为 None，则将根据特定 tokenizer 的默认值（由 return_outputs 属性来定义）来返回 token type ID 。
  - return_attention_mask：一个布尔值，指定是否返回 attention mask 。如果为 None，则将根据特定 tokenizer 的默认值（由 return_outputs 属性来定义）来返回 attention mask 。
  - return_overflowing_tokens：指定是否返回 overflowing token sequence 。如果为 sequence pair 或者 batched 的 sequence pair ，并且 truncation_strategy = 'longest_first'/True ，那么抛出异常而不是返回 overflowing token 。
  - return_special_tokens_mask：一个布尔值，指定是否返回 special tokens mask 。
  - return_offsets_mapping：一个布尔值，指定是否为每个 token 返回 (char_start, char_end) 的偏移量。
    
    这仅在从 PreTrainedTokenizerFast 继承的 fask tokenizer 上可用。如果使用 Python tokenizer，则抛出 NotImplementedError 异常。
  - return_length：一个布尔值，指定是否返回被编码的 input 的长度。
  - verbose：一个布尔值，指定是否打印更多信息和警告。
  - **kwargs：关键字参数，传递给 self.tokenize() 方法。
  返回值：一个 BatchEncoding 对象。
- as_target_tokenizer()：临时设置 tokenizer 对 target 进行编码（一对句子的第二个句子）。对 seq-to-seq 模型关联的 tokenizer 非常有用，这些模型需要对 label 序列进行稍微不同的处理。
- batch_decode()：通过调用 decode 方法将 token id 的列表的列表（内层列表表示一个序列，外层列表表示 batch）转换成字符串的列表。
  
  参数：
  - sequences：tokenized input id 的列表，表示解码的 id 序列。它可以从 __calll__ 方法返回而来。
  - skip_special_tokens：一个布尔值，指定是否从解码结果中移除 special token 。
  - clean_up_tokenization_spaces：一个布尔值，指定是否清理 tokenization 空格。
  - kwargs ：关键字参数，将传递给具体于底层模型的 decode() 方法。
  返回值：一个字符串列表，表示解码结果。
- batch_encode_plus()：对序列的一个列表、或者 sequence pair 的一个列表进行 tokenize 和 prepare 。该方法被废弃，推荐使用 __call__() 方法。
  
  参数：
  - batch_text_or_text_pairs：一个 batch 的序列、或者一个 batch 的 sequence pair 。
  - 其它参数参考 __call__() 方法。
  返回值：一个 BatchEncoding 对象。
- build_inputs_with_special_tokens(token_ids_0: List[int], token_ids_1: Optional[List[int]] = None) -> List[int]：向 model input 中插入 special token 。
  
  参数：
  - token_ids_0：一个整数列表，指定第一个 tokenized 序列。
  - token_ids_：一个整数列表，指定第二个 tokenized 序列。
  返回值：一个整数列表，表示插入了 special token 之后的 model input 。
  
  注意，这里面的实现并没有添加 special token，并且该方法需要被子类所重写。
- clean_up_tokenization(out_string: str) -> str ：执行一些简单的英文 tokenization artifact （如标点符号前的空格，以及缩写形式）。
  
  参数：out_string：待清理的文本。
  
  返回值：清理后的文本。
- convert_tokens_to_string(tokens: typing.List[str]) -> str ：将一个 token 序列转换成单个字符串。
  
  参数：tokens：一个 token 序列。
  
  返回值：转换后的字符串。
  
  最简单的转换方式为 " ".join(tokens)，但是我们可能需要移除 sub-word 的某些前缀（如 ## ）。
- create_token_type_ids_from_sequences(token_ids_0: List[int], token_ids_1: Optional[List[int]] = None) -> List[int]：创建 token type ID 。
  
  参数：
  - token_ids_0：一个整数列表，指定第一个 tokenized 序列。
  - token_ids_：一个整数列表，指定第二个 tokenized 序列。
  返回值：一个整数列表，表示 token type ID 。
- decode()：把 token id 的一个序列转换成字符串，类似于 self.convert_tokens_to_string(self.convert_ids_to_tokens(token_ids)) 。
  
  参数：
  - token_ids：tokenized input id 的列表，它可以从 __calll__ 方法返回而来。
  - 其它参数参考 batch_decode() 。
  返回值：解码后的字符串。
- encode()：将一个字符串转换为 token id 序列，它类似于 self.convert_tokens_to_ids(self.tokenize(text)) 。
  
  参数：
  - text：指定待编码的第一个字符串。可以为一个字符串、一个字符串的列表（表示 tokenized string ）、一个整数的列表（通过 convert_tokens_to_ids 将 tokenized string 转换而来）。
  - text_pair：指定待编码的第二个字符串。格式参考 text 。
  - 其它参数参考 batch_encode_plus() 方法。
  返回值：文本对应的 tokenized id 。
- encode_plus()：对序列或 sequence pair 进行 tokenize 和 prepare 。该方法被废弃，推荐使用 __call__() 方法。
  
  参数：
  - text/text_pair：参考 encode() 方法。
  - 其它参数参考 batch_encode_plus() 方法。
  返回值：一个 BatchEncoding 对象。
- from_pretrained(pretrained_model_name_or_path: Union[str, os.PathLike], *init_inputs, **kwargs) ：从一个预定义的 tokenizer 中初始化一个 PreTrainedTokenizerBase （或者派生类）的对象。
  
  参数：
  - pretrained_model_name_or_path：一个字符串或者 os.PathLike 对象，指定预定义的 tokenizer 的位置。可以为：
    - 一个字符串，指定托管在 huggingface.co 上的 model repo 中的预定义 tokenizer 的 model id 。有效的 model id 可以位于 root-level，如 bert-base-uncased ；也可以位于某个 namespace 下，如 huaxz/bert-base-german-cased 。
    - 包含 vocabulary 文件的目录的路径，这些 vocabulary 被 tokenizer 所要求。这个路径可以由 save_pretrained() 方法来得到。
    - 指向单个 vovabulary file 的文件名（被废弃，因为无法应用于所有派生类），例如 BERT/XLNet 的 tokenizer 只需要单个 vocabulary file 。
  - cache_dir：一个字符串或者 os.PathLike 对象，指定下载的 predefined tokenizer 词表文件被缓存的目录。
  - force_download：一个布尔值，指定是否强制下载词表文件并覆盖已被缓存的版本（如果已经存在的话）。
  - resume_download：一个布尔值，指定是否删除未完整接收的文件。否则，如果存在这样的文件，将尝试恢复下载。
  - proxies：一个字典，指定协议或端口的代理服务器，如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'} 。
  - use_auth_token：一个字符串或布尔值，指定 authorization token 用于认证。如果为 True，则使用 huggingface-cli 登录时所生成的 token （存储在 ~/.huggingface）。
  - local_files_only：一个布尔值，指定是否仅依赖于本地文件而不尝试下载任何文件。
  - revision：一个字符串，指定要使用的 specific model version 。它可以是 git branch 名称、git tag 名称、或者 git commit id 。因为 huggingface.co 依赖于 git-based 系统。
  - subfolder：一个字符串，如果相关文件位于 huggingface.co 模型的 model repo 的子目录中时，需要指定该参数。
  - inputs：其它的位置参数，用于传递给 Tokenizer__init__() 方法。
  - kwargs：其它的关键字参数，用于传递给 Tokenizer__init__() 方法。可以用于设置 special token，如 bos_token, eos_token,... 。
  返回值：一个初始化好的 tokenizer 。
- get_special_tokens_mask(self, token_ids_0: List[int], token_ids_1: Optional[List[int]] = None, already_has_special_tokens: bool = False) -> List[int]：获取 special token mask 。
  
  参数：
  - token_ids_0：一个整数列表，指定第一个序列的 token id 。
  - token_ids_1：一个整数列表，指定第二个序列的 token id 。
  - already_has_special_tokens：一个布尔值，指定 token list 是否已经使用 special token 进行了格式化。
  返回值：一个整数列表，每个元素取值为 0 或 1，其中 1 代表该位置是 special token 。
- get_vocab() -> Dict[str, int]：获取词表，它是一个 token 字符串到 token id 的字典。
  
  当 token 位于词表中时， tokenizer.get_vocab()[token] 等价于 tokenizer.convert_tokens_to_ids(token) 。
- pad()：填充单个 encoded input 或者 batch encoded input 到指定的长度（或 batch 内的最大长度）。注意，对于 fask tokenizer，直接调用 __call__() 方法要比 encode() + pad() 方法快得多。
  
  参数：
  - encoded_inputs：单个 tokenized input ，或者 batched 的 tokenized input 。
  - 其它参数：参考 __call__() 。
  返回值：一个 BatchEncoding 对象。
- prepare_for_model()：
  
  参数：
  - ids：一个整数列表，指定第一个序列的 tokenized input id 。
  - pair_ids：一个整数列表，指定第二个序列的 tokenized input id 。
  - 其它参数：参考 __call__() 。
  返回值：一个 BatchEncoding 对象。
  
  对 input id 的序列、 input id 的一对序列进行 prepare，以便模型可以使用。它添加 special token、截断序列。
  
  注意，如果 pair_ids 不是 None，且 truncation_strategy ='longest_first' / True ，那么抛出异常。
- prepare_seq2seq_batch()：为翻译任务准备 model input。
  
  参数：
  - src_texts：一个文档序列，指定 source 文本。
  - tgt_texts：一个文档序列，指定 target 文本。
  - max_length：一个整数，指定编码器输入的最大长度。如果为 None，则使用预定义的 model maximum length 。如果模型没有特定的 maximum input length （如 XLNet），那么 truncation/padding 到最大长度的能力将被禁用。
  - max_target_length：一个整数，指定解码器输入的最大长度。如果为 None，则使用 max_length 值。
  - 其它参数：参考 __call__() 。
  返回值：一个 BatchEncoding 对象。
- push_to_hub()：将 tokenizer 文件上传到 Model Hub （对应于本地 repo clone 的远程 repo path 或 repo name）。
  
  参数：
  - repo_id：一个字符串，指定你的 tokenizer 要被 push 到的 repository 的名字。它应该包含你的 organization name 。
  - use_temp_dir：一个字符串，指定在将文件推送到 Hub 之前是否使用临时目录来存储文件。如果没有 repo_id 名字的目录，则默认为 True；否则默认为 False 。
  - commit_message：一个字符串，指定 git commit mesage 。默认为 "Upload tokenizer" 。
  - private：一个字符串，指定被创建的 repository 是否是 private 的。
  - use_auth_token：参考 from_pretrained() 。
  - max_shard_size：一个整数或者字符串，仅用于模型，指定 checkpoint 被分片之前的最大的大小。checkpoint 将被分片使得每个文件低于这个大小。默认为 "10GB" 。如果是字符串，需要指定单位。
  - create_pr：一个布尔值，指定是否创建一个 PR 还是直接 commit 。
- register_for_auto_class(auto_class = 'AutoTokenizer')：以指定的 auto class 来注册当前的 class。仅用于自定义的 tokenizer，因为库中的 tokenizer 已经映射到 AutoTokenizer 。
  
  参数：auto_class：一个字符串或 type，指定这个新的 tokenizer 注册到哪个 class 。
- save_pretrained()：保存 full tokenizer state 。
  
  参数：
  - save_directory：一个字符串或者 os.PathLike 对象，指定将 tokenizer 保存到哪里。
  - legacy_format：一个布尔值，仅适用于 fast tokenizer。如果为 None ，那么如果存在 legacy format 就以该格式保存 tokenizer；如果不存在 legacy format 就以统一的 JSON 格式保存 tokenizer。其中， legacy format 具有 tokenizer specific vocabulary 文件和独立的 added_tokens 文件。
    
    如果为 False，则将仅以统一的 JSON 格式保存 tokenizer 。如果为 True ，则以 legacy format 格式保存 tokenizer。
    
    legacy format 格式与 slow tokenizer 是不兼容的，因此无法加载到 slow tokenizer 中。
  - filename_prefix：一个字符串，指定添加到 tokenizer 保存文件的文件名前缀。
  - push_to_hub：一个布尔值，指定是否在保存之后将 tokenizer 推送到 Hugging Face Hub 上。你可以设置 repo_id 指定推送到哪个 repository ，默认为 repo_id = save_directory 。
  - kwargs：传递给 push_to_hub() 方法的关键字参数。
  返回值：字符串的一个元组，表示被保存的文件名。
- save_vocabulary(save_directory: str, filename_prefix: typing.Optional[str] = None ) -> Tuple(str)：仅保存 tokenizer 的词表（vocabulary + added tokens）。该方法不会保存 configuration 以及 special token 。
  
  参数和返回值：参考 save_pretrained() 。
- tokenize(text: str, pair: typing.Optional[str] = None, add_special_tokens: bool = False, **kwargs ) -> List[str]：将一个字符串转换为 token 序列，用 unk_token 来替代 unknown token 。
  
  参数：
  - text ：一个字符串，指定被 tokenized 文本。
  - pair ：一个字符串，指定第二个被 tokenized 文本。
  - add_special_tokens：一个布尔值，指定是否添加 special token ，其中这些 special token 关联了对应的模型。
  - kwargs：关键字参数，传递给底层的 model spedific encode 方法，参考 __call__() 。
  返回值：一个字符串列表，表示被 token 序列。
- truncate_sequences()：
  
  参数：
  - ids：一个整数列表，表示第一个序列的 tokenized input id 。可以通过对一个字符串执行 toenize() + convert_token_to_ids() 来获得。
  - pair_ids：一个整数列表，表示第二个序列的 tokenized input id 。
  - num_tokens_to_remove：一个整数，指定使用截断策略要移除的 token 的数量。
  - truncation_strategy/stride：参考 __call__() 方法。
  返回值：一个元组，分别给出了 truncated ids、truncated pair_ids、以及 overflowing token 的列表。
  
  注意：如果截断策略为 "longest_first" 且提供了 sequence pair 或者 batched 的 sequence pair，则 overflowing token 为空列表。

5.2 SpecialTokensMixin

class transformers.SpecialTokensMixin(verbose = True, **kwargs)：由 PreTrainedTokenizer 和 PreTrainedTokenizerFast 派生的 mixin ，用于处理关于 special token 的特定行为。

参数：
- bos_token：一个字符串或 AddedToken，指定代表句子开头的 special token 。
- eos_token：一个字符串或 AddedToken，指定代表句子结尾的 special token 。
- unk_token：一个字符串或 AddedToken，指定代表 out-of-vocabulary token的 special token 。
- sep_token：一个字符串或 AddedToken，指定代表同一个输入中分隔两个不同句子的 special token 。
- pad_token：一个字符串或者 AddedToken，指定代表 padding token 的 special token 。self.pad_token 将和 self.pad_token_id 关联。
- cls_token：一个字符串或者 AddedToken，指定代表 cls token 的 special token 。
- mask_token：一个字符串或者 AddedToken，指定代表 mask token 的 special token 。
- additional_special_tokens：字符串或者 AddedToken 的一个元组或列表，指定代表额外的 special token 。
方法：
- add_special_tokens(special_tokens_dict: typing.Dict[str, typing.Union[str, tokenizers.AddedToken]]) -> int：添加一个 special token 的字典（如 eos,pad,cls）到 encoder 中。如果 special token 不在 vocabulary 中，则添加这些 special token 。
  
  参数：special_tokens_dict ：一个字典，key 为 special token 的名字（如 'bos_token', 'eos_token',.. 等等），值为 special token 的取值。
  
  返回值：新增到 vocabulary 中的 token 的数量。
  
  注意：当 vocabulary 添加了新的 special token 之后，词表规模发生了变化，此时你需要 resize token embedding matrix 从而使得 embedding matrix 匹配词表。方法是调用 resize_token_embeddings() 方法。
- add_tokens(new_tokens: typing.Union[str, tokenizers.AddedToken, typing.List[typing.Union[str, tokenizers.AddedToken]]], special_tokens: bool = False ) -> int：添加新的 token 到 tokenizer class 中。如果新 token 不在词表中，则会被添加到词表中。
  
  参数：
  - new_tokens：一个字符串、AddedToken、或者 str/AddedToken 的字符串，指定被添加到 tokenizer 中的 token 。
  - special_tokens：一个布尔值，指定是否可用于指定 token 为一个 special token。
  返回值：新增到词表中的 token 数量。
  
  注意：当 vocabulary 添加了新的 special token 之后，词表规模发生了变化，此时你需要 resize token embedding matrix 从而使得 embedding matrix 匹配词表。
- sanitize_special_tokens() -> int ：检查词表中的 token 并返回词表中的 token 数量。
class transformers.tokenization_utils_base.TruncationStrategy(value, names = None, module = None, qualname = None, type = None, start = 1 ) ：TruncationStrategy 的枚举类。
class transformers.CharSpan(start: int, end: int)：原始字符串中的 character span 。

参数：
- start：一个整数，指定字符的开始位置。
- end：一个整数，指定字符的结束位置。
class transformers.TokenSpan(start: int, end: int)：原始字符串中的 token span 。

参数：
- start：一个整数，指定 token 的开始位置。
- end：一个整数，指定 token 的结束位置。

5.3 PreTrainedTokenizer

class transformers.PreTrainedTokenizer(**kwargs)：所有 slow tokenizer 的基类，继承自 PreTrainedTokenizerBase 。

PreTrainedTokenizer 在所有 tokenizer 之上以统一的方式包含 added token，因此我们不必处理各种底层字典结构的 specific vocabulary augmentation 方法（如 BPE、sentencepiece 、…）。

参数：参考 PreTrainedTokenizerBase 。
class attribute （被派生类所重写）：参考 PreTrainedTokenizerBase 。
方法：
- convert_ids_to_tokens(ids: typing.Union[int, typing.List[int]], skip_special_tokens: bool = False ) -> str or List[str]：解码，将 token id 序列转换为 token 序列。
  
  参数：
  - ids：一个整数或整数序列，指定需要被转换的 token id 。
  - skip_special_tokens：一个布尔值，指定是否从解码结果中移除 special token 。
  返回值：一个字符串或字符串序列。
- convert_tokens_to_ids(tokens: typing.Union[str, typing.List[str]] ) -> int or List[int] ：编码，将 token 序列转换为 token id 序列。
  
  参数：tokens：一个字符串或字符串序列，表示单个 token 或 token 序列。
  
  返回值：一个整数或整数序列。
- get_added_vocab() -> Dict[str, int]：返回词表中的 added token。
  
  返回值：一个字典，key 为 added token，值为对应的 id 。
- num_special_tokens_to_add( pair: bool=False) -> int：返回需要添加到 single/pair 句子的 special token 的数量。
  
  参数：is_pair：一个布尔值，指定预期的输入是单个句子还是句子对。
- prepare_for_tokenization(text: str, is_split_into_words: bool = False, **kwargs ) -> Tuple[str, Dict[str, Any]] ：执行 tokenization 之前的任何必要的转换。
  
  参数：
  - text：一个字符串，指定被处理的文本。
  - is_split_into_words：一个布尔值，指定输入是否已经被 pre-tokenized。如果为 True，那么 tokenizer 假定 input 已经被拆分为单词了。
  返回值：一个元组，分别表示处理后的文本、以及处理后的 kwargs 。
  
  这个方法应该从 kwargs 中弹出参数，并返回剩余的 kwargs。我们在编码过程的最后测试 kwargs，从而确保所有的参数都被使用。
- tokenize(text: str, **kwargs ) -> List[str]：将字符串转换为 token 序列。
  
  参数：
  - text：一个字符串，指定被处理的文本。
  - **kwargs：关键字参数，被传给 prepare_for_tokenization() 方法。
  返回值：一个字符串列表，表示 token 序列。
- 其它方法参考 PreTrainedTokenizerBase 。

5.4 PreTrainedTokenizerFast

class transformers.PreTrainedTokenizerFast(*args, **kwargs)：所有 fast tokenizer 的基类，继承自 PreTrainedTokenizerBase 。

PreTrainedTokenizerFast 在所有 tokenizer 之上以统一的方式包含 added token，因此我们不必处理各种底层字典结构的 specific vocabulary augmentation 方法（如 BPE、sentencepiece 、…）。

参数：参考 PreTrainedTokenizerBase 。
class attribute （被派生类所重写）：参考 PreTrainedTokenizerBase 。
方法：
- set_truncation_and_padding()：一个上下文管理器，为 fast tokenizer 定义截断策略和填充策略。一旦设置好之后，后面就延续这个设置。
  
  参数：参考 PreTrainedTokenizerBase.__call__() 方法。
  
  默认的 tokenizer 都是没有填充、没有截断的。在该方法管理的代码段，可以使用指定的策略；一旦退出该代码段，则又恢复回没有填充、没有截断的策略。
- train_new_from_iterator(text_iterator, vocab_size, length = None, new_special_tokens = None, special_tokens_map = None, **kwargs) -> PreTrainedTokenizerFast ：返回一个新的 tokenizer，这个 new tokenizer 与原始 tokenizer 具有相同的类型但是在 text_iterator 上训练得到（使用原始 tokenizer 相同的默认值，如 special token ）。
  
  参数：
  - text_iterator：一个生成器或者字符串列表，指定训练语料库。对 text_iterator 迭代的结果是字符串。
  - vocab_size：一个整数，指定新 tokenizer 期待的词表大小。
  - length：一个整数，指定 text_iterator 中的总的文本数量。这用于有意义的进度跟踪。
  - new_special_tokens：一个 str/AddedToken 的列表，指定添加到新 tokenizer 中的 new spiecial token 。
  - special_tokens_map：一个字典，用于为新 tokenizer 重新命名某些 special token ，即 old special token name -> new special token name 。
  - kwargs：关键字参数，用于传递给 trainer 。
  返回值：一个 PreTrainedTokenizerFast 对象。
有两种方法来检查 tokenizer是快的还是慢的：
- 通过 tokenizer.is_fast 属性。
- 通过 Encoding 对象（tokenizer 编码的结果）的 encoding.is_fast 属性。

5.5 BatchEncoding

class class transformers.BatchEncoding()：BatchEncoding 持有 __call__(), encode_plus(), batch_encode_plus() 等方法的输出。

参数：
- data：一个字典，键为 'input_ids', 'attention_mask',... 。该数据由 __call__/encode_plus/batch_encode_plus 等方法返回。
- encoding：EncodingFast 或 EncodingFast 的序列。如果 tokenizer 是一个 fast tokenizer，那么它将输出额外的信息，如，从 word/character space 到 token space 的映射。那么 EncodingFast 就用于保存这些额外的信息。
- tensor_type：一个字符串或者 TensorType 。你可以指定一种类型从而将整数列表转换为对应的张量类型。
- prepend_batch_axis：一个布尔值，指定在整数列表转换为对应的张量类型时，是否添加一个 batch axis 。
- n_sequences：一个整数，指定生成当前 BatchEncoding 的序列的数量。
BatchEncoding 派生自 python 字典，因此可以直接用作一个字典。此外，它还有一些自定义的方法。
方法：
- char_to_token(batch_or_char_index: int, char_index: Optional[int] = None, sequence_index: int = 0) -> int：返回 encoded output 中指定索引（索引相对于原始文本）的 character 所在位置的 token 的索引。
  
  参数：
  - batch_or_char_index：一个整数，如果原始输入是一个 batch，则指定 character 位于第几个样本；如果原始输入是单个序列，则指定 character 的索引。
  - char_index ：一个整数，配合 batch_or_char_index 使用，则它指定character 位于 batch 内哪个样本的哪个索引。
  - sequence_index：一个整数，如果输入是一对句子，则指定character 位于是第一个句子还是第二个句子。
  返回值：一个整数，表示对应的 token 的索引。
  
  调用方式：
- char_to_word(batch_or_char_index: int, char_index: Optional[int] = None, sequence_index: int = 0) -> int or List[int]：返回 encoded output 中指定索引（索引相对于原始文本）的 character 所在的 word 的索引。
  
  参数：参考 char_to_token() 。
  
  返回值：一个整数或整数列表，表示对应的 word 的索引。
- convert_to_tensors(self, tensor_type: Optional[Union[str, TensorType]] = None, prepend_batch_axis: bool = False)：将内部内容转换为张量。
  
  参数：参考 BatchEncoding.__init__() 方法。
- sequence_ids( batch_index: int = 0) -> List[Optional[int]] ：返回 sequence id 的列表，列表中每个元素表示每个 token 的 sequence id （即，是样本内的第几个句子）。
  
  参数：batch_index：一个整数，指定 batch 内第几个序列。
  
  返回值：一个整数列表。
  
  sequence id 表示原始句子的 id：
  - None：表示 special token 。
  - 0：表示 token 对应的单词位于第一个句子。
  - 1 ：表示 token 对应的单词位于第二个句子。
- to(device: Union[str, torch.device]) -> BatchEncoding ：将 BatchEncoding 移动到指定的设备上，仅用于 PyTorch 。
  
  参数： device：一个字符串或者 torch.device，指定指定的设备。
  
  返回：相同的 BatchEncoding ，但是位于指定的设备上。
- token_to_chars(batch_or_token_index: int, token_index: Optional[int] = None) -> CharSpan：返回 token 在原始字符串中的区间。
  
  参数：
  - batch_or_token_index：一个整数，如果原始输入是一个 batch，则指定 token 位于第几个样本；如果原始输入是单个样本，则指定 token 的索引。
  - token_index：一个整数，配合 batch_or_token_index 使用，则它指定token 位于 batch 内哪个样本的哪个索引。
  返回值：一个 CharSpan ，表示对应的字符的区间（ [a,b) 这种半闭半开区间）。
  
  调用方式：
  - token_to_sequence(batch_or_token_index: int, token_index: Optional[int] = None) -> int：返回 token 在原始输入的第几个句子。

token_to_word(batch_or_token_index: int, token_index: Optional[int] = None) -> int ：返回 token 在原始输入的 word 的索引。

参数：参考 token_to_chars 。

返回值：一个整数，表示 word 的索引。
tokens( batch_index: int = 0) -> List[str]：返回指定 batch 索引处的 token 列表。

参数：batch_index：一个整数，指定 batch 索引。

返回值：一个字符串列表，表示 token 列表。
word_ids( batch_index: int = 0) -> List[Optional[int]]：返回指定 batch 索引处的 token 对应的 word 索引的列表。

参数：参考 tokens() 。

返回值：一个整数列表，表示每个 token 对应的 word 索引。special token 被映射到 None 。
word_to_chars(batch_or_word_index: int, word_index: Optional[int] = None, sequence_index: int = 0) -> CharSpan ：返回指定的单词在原始字符串中的区间。

参数：
- batch_or_word_index：一个整数，如果原始输入是一个 batch，则指定 word 位于第几个样本；如果原始输入是单个样本，则指定 word 的索引。
- word_index：一个整数，配合 batch_or_word_index 使用，则它指定word 位于 batch 内哪个样本的哪个索引。
- sequence_index：一个整数，指定目标单词位于第一个句子还是第二个句子。
返回值：一个 CharSpan 。
word_to_tokens( batch_or_word_index: int, word_index: Optional[int] = None, sequence_index: int = 0) -> Optional[TokenSpan]：返回指定的单词对应的 token 的索引。

参数：参考 word_to_chars 。

返回值：一个 TokenSpan 。
words( batch_index: int = 0) -> List[Optional[int]] ：返回指定 batch 处每个 token 对应的单词的索引。

参数：
- batch_idex：一个整数，指定获取 batch 中第几个样本。
返回值：一个整数列表，表示每个单词的索引。

special token 将被映射到 None 。相同单词的不同 token 被映射到相同的单词索引。

示例：

5.6 应用

编码：直接调用 __call__() 方法：

或者依次调用 tokenize 和 convert_tokens_to_ids ：
解码：通过 decode() 方法实现：
一个 batch 的输入：填充：
截断序列：
- longest_first 截断：
- only_second 截断方式：
- only_first 截断方式：
- 非零的 stride 叠加only_second 截断方式：

通俗易懂讲解大模型：Tokenizer

Tokenizer

技术交流

一、Subword Tokenization 算法

1.1 BPE

1.2 WordPiece

1.3 SentencePiece

二、算法原理

2.1 BPE

2.2 WordPiece

2.3 Unigram

三、Hugging Face Tokenizer 库

3.1 Normalizers

3.2 Pre-tokenizers

3.3 Models

3.4 Trainers

3.5 Post-processors

3.6 Decoders

3.7 Tokenizer

四、Tokenizer 库的应用

4.1 从头开始训练 WordPiece

4.2 从头开始训练 BPE

4.3 从头开始训练 Unigram

五、Tokenizer in Transformers

5.1 PreTrainedTokenizerBase

5.2 SpecialTokensMixin

5.3 PreTrainedTokenizer

5.4 PreTrainedTokenizerFast

5.5 BatchEncoding

5.6 应用

你可能感兴趣的:(大模型理论与实战,深度学习,算法,人工智能)