tokenizers Tokenizer类

基类原型

tokenizers.Tokenizer(model)

基类说明

Tokenizer函数构造一个分词器对象。分词方式主要有word-level、subword-level、char-level三种，其中，subword-level分词方式又有四种不同实现的方法：BPE、Unigram、WordPiece、SentencePiece。

参数model表示分词器使用的分词方式，接受一个Model对象，这里主要实现了word-level的分词方式以及subword-level的分词方式。Tokenizer类主要的方法有：

1、from_file(path)：从指定文件加载Tokenizer对象。

2、from_pretrained(identifier, revision = ‘main’, auth_token = None)：从Hugging Face Hub官网上加载一个已存在的Tokenizer对象。参数identifier就是加载的对象模型。

3、from_str(json)：从json格式的字符串来加载Tokenizer对象。

4、from_buffer(buffer)：从缓冲区来加载Tokenizer对象。

5、encode(sequence, pair = None, is_pretokenized = False, add_special_tokens = True)：对于给定的一个分句进行编码，返回一个Encoding对象。参数pair表示第二个分句。参数is_pretokenized表示是否已经预分词化，如果为True，则输入的sequence和pair都应该为一个列表。

6、encode_batch(input, is_pretokenized = False, add_special_tokens = True)：对多个分句进行编码，返回一个Encoding对象。

7、decode(ids, skip_special_tokens = True)：表示对一个id序列进行解码，将id映射为字符串。参数skip_special_tokens表示是否跳过特殊的字符串。这些特殊的字符串是由add_special_tokens函数来创建的。

8、decode_batch(sequences, skip_special_tokens = True)：表示对多个id序列进行解码。

9、add_tokens(tokens)：添加新的分词，这些分词会添加到词汇表中。

10、add_special_tokens(tokens)：添加特殊的分词到词汇表中，与add_tokens函数不同的是，这些特殊的分词可以在解码时被忽略。

11、enable_padding(direction = ‘right’, pad_id = 0, pad_type_id = 0, pad_token = ‘[PAD]’, length = None, pad_to_multiple_of = None)：设置在进行encode_batch操作时，当各个分句的长度不一样时应用填充。

12、enable_truncation(max_length, stride = 0, strategy = ‘longest_first’, direction = ‘right’ )：设置在进行encode_batch操作时，当各个分句的长度不一样时对分句进行截取。

13、no_padding( )：禁用填充。
14、no_truncation( )：禁用截取。

15、save(path, pretty = True):保存tokenizer模型（一个json文件）到指定路径，参数pretty表示用一行还是多行来表示json文件，默认为多行。

16、train(files, trainer = None)：用指定文件列表里面的数据来训练分词器。

17、id_to_token(id)：将单个id转换成单个字符。
18、token_to_id(token)：将单个字符转换成单个id。

函数使用

1、tokenizer模型的加载

# 第一种加载方式
# 从json文件中加载tokenizer对象
tokenizer0 = tokenizers.Tokenizer.from_file("./tokenizer4/vocab.json")
# 从hugging face 官网中在线加载tokenzier对象
tokenizer1 = tokenizers.Tokenizer.from_pretrained("distilbert-base-uncased")
# 根据json文件的内容字符串来加载tokenizer对象
with open("./tokenizer4/vocab.json", "r", encoding="utf8") as file:
    json_dict = json.load(file)
    json_string = json.dumps(json_dict)
tokenizer2 = tokenizers.Tokenizer.from_str(json_string)

# 第二种加载方式
tokenizer = tokenizers.Tokenizer()
tokenizer.model = models.BPE().from_file(vocab="./tokenizer4/vocab.json", merges="./tokenizer4/merges.txt")

2、tokenizer模型的训练

# 中文分词方式，除了BPE，还有WordPiece、Unigram两种
tokenizer = tokenizers.Tokenizer(models.BPE())
tokenizer.pre_tokenizer = pre_tokenizers.Whitespace()
tokenizer.decoder = decoders.BPEDecoder()
trainer = trainers.BpeTrainer()
tokenizer.train(["ch_demo_sm.txt"], trainer)

# 英文分词方式，word-level分词方式
tokenizer = tokenizers.Tokenizer(models.WordLevel())
tokenizer.pre_tokenizer = pre_tokenizers.Whitespace()
trainer = trainers.WordLevelTrainer(special_tokens=["[PAD]"])
tokenizer.train(["en_demo_sm.txt"], trainer)

# 英文分词方式，subword-level分词方式
# 这里使用wordpiece分词方法
tokenizer = tokenizers.Tokenizer(models.WordPiece())
tokenizer.pre_tokenizer = pre_tokenizers.Whitespace()
trainer = trainers.WordPieceTrainer(special_tokens=["[PAD]"])
tokenizer.train(["en_demo_sm.txt"], trainer)

3、tokenizer模型的保存

# 使用tokenizer.save函数保存，会生成一个vocab.json文件
tokenizer.save("./tokenizer4/vocab.json")

# 使用tokenizer.model.save保存，会生成一个vocab.json和一个merges.txt文件
# 注意这个vocab.json和上面的vocab.json文件内容不一样。
tokenizer.model.save("./tokenizer4")

4、使用tokenizer模型进行encode和decode操作

# 编码一个句子
encoding0 = tokenizer.encode("any attempt to leave surprises me.")
# 编码一个有两个分句的句子
encoding1 = tokenizer.encode("any attempt to leave surprises me.", pair="arrival of John dead surprised me.")
# 参数is_pretokenized=True时，参数sequence应为一个列表
encoding2 = tokenizer.encode(["any attempt to leave surprises me."],
                             is_pretokenized=True)
# 编码多个句子
encodings0 = tokenizer.encode_batch(["any attempt to leave surprises me.",
                                    "the arrival of John dead surprised me."])
# 编码多个有两个分词的句子
encodings1 = tokenizer.encode_batch([("any attempt to leave surprises me.", "John's arrival dead surprised me."),
                                     ("John's attempt to leave surprised me.", "the arrival of John dead surprised me.")])
# 参数is_pretokenized=True时，参数sequence应为一个列表
encodings2 = tokenizer.encode_batch([["any attempt to leave surprises me."],
                                    ["the arrival of John dead surprised me."]], 
                                    is_pretokenized=True)
                                    
# 对一个ids进行解码
decode_string = tokenizer.decode(encoding1.ids, skip_special_tokens=False)
# 对多个ids进行解码
decode_strings = tokenizer.decode_batch([encodings1[0].ids, encodings1[1].ids])

# 将单词变成id
token_id = tokenizer.token_to_id("me")
# 将id变成单词
token = tokenizer.id_to_token(62)