BertNormalizer
class tokenizers.normalizers.BertNormalizer
( clean_text = True handle_chinese_chars = True strip_accents = None lowercase = True )
参数
- clean_text (
bool
, optional, 默认为 True
) — 是否清理文本,通过移除任何控制字符并将所有空白符替换为标准空格。 - handle_chinese_chars (
bool
, optional, 默认为 True
) — 是否处理中文字符,在它们周围添加空格。 - strip_accents (
bool
, optional) — 是否去除所有重音符号。如果未指定此选项(即 == None),则将由 lowercase 的值决定(与原始 Bert 一致)。 - lowercase (
bool
, optional, 默认为 True
) — 是否转换为小写。
BertNormalizer
负责在将原始文本提供给 Bert 模型之前对其进行归一化。这包括清理文本、处理重音、中文字符和转换为小写。
Lowercase
class tokenizers.normalizers.Lowercase
( )
小写转换归一化器
NFC
class tokenizers.normalizers.NFC
( )
NFC Unicode 归一化器
NFD
class tokenizers.normalizers.NFD
( )
NFD Unicode 归一化器
NFKC
class tokenizers.normalizers.NFKC
( )
NFKC Unicode 归一化器
NFKD
class tokenizers.normalizers.NFKD
( )
NFKD Unicode 归一化器
Nmt
class tokenizers.normalizers.Nmt
( )
Nmt 归一化器
Normalizer
class tokenizers.normalizers.Normalizer
( )
所有归一化器的基类
这个类不应该被直接实例化。相反,任何 Normalizer 的实现都会在实例化时返回这个类的实例。
归一化
( normalized )
参数
- normalized (
NormalizedString
) — 要应用此 Normalizer 的归一化字符串
就地归一化一个 NormalizedString
此方法允许修改 NormalizedString
以跟踪对齐信息。如果你只想查看对原始字符串进行归一化的结果,可以使用 normalize_str()
normalize_str
( sequence ) → str
参数
- sequence (
str
) — 要归一化的字符串
归一化后的字符串
归一化给定的字符串
此方法提供了一种可视化 Normalizer 效果的方式,但它不跟踪对齐信息。如果需要获取/转换偏移量,可以使用 normalize()
Precompiled
class tokenizers.normalizers.Precompiled
( precompiled_charsmap )
预编译归一化器。请勿手动使用,它用于与 SentencePiece 的兼容性。
Replace
class tokenizers.normalizers.Replace
( pattern content )
替换归一化器
Sequence
class tokenizers.normalizers.Sequence
( )
参数
- normalizers (
List[Normalizer]
) — 要按顺序运行的 Normalizer 列表
允许将多个其他 Normalizer 作为序列连接起来。所有归一化器按给定顺序依次运行
Strip
class tokenizers.normalizers.Strip
( left = True right = True )
Strip 归一化器
StripAccents
class tokenizers.normalizers.StripAccents
( )
StripAccents 归一化器