分词器文档

训练器

Hugging Face's logo
加入 Hugging Face 社区

并获取增强型文档体验

以开始使用

训练器

Python
Rust
Node

BpeTrainer

class tokenizers.trainers.BpeTrainer

( )

参数

  • vocab_size (int, 可选) — 最终词汇表的大小,包括所有标记和字母表。
  • min_frequency (int, 可选) — 一对为了合并应该具有的最小频率。
  • show_progress (bool, 可选) — 是否在训练时显示进度条。
  • special_tokens (List[Union[str, AddedToken]], 可选) — 模型应该知道的特殊标记列表。
  • limit_alphabet (int, 可选) — 字母表中要保留的最大不同字符数。
  • continuing_subword_prefix (str, 可选) — 用于每个非词首子词的前缀。
  • end_of_word_suffix (str, 可选) — 用于每个词尾子词的后缀。
  • max_token_length (int, 可选) — 阻止创建超过指定大小的token。 这有助于减少像======这样的高度重复token污染你的词表,例如维基百科

能够训练BPE模型的训练器

UnigramTrainer

class tokenizers.trainers.UnigramTrainer

( vocab_size = 8000 show_progress = True special_tokens = [] shrinking_factor = 0.75 unk_token = None max_piece_length = 16 n_sub_iterations = 2 )

参数

  • vocab_size (int) — 最终词表的规模,包括所有token和字母表。
  • show_progress (bool) — 是否在训练时显示进度条。
  • special_tokens (List[Union[str, AddedToken]]) — 模型应该知道的特殊token列表。
  • initial_alphabet (List[str]) — 要包含在初始字母表中的字符列表,即使在训练数据集中没有看到它们。 如果字符串包含多个字符,则只保留第一个字符。
  • shrinking_factor (float) — 训练的每个步骤中用于修剪词表的收缩因子。
  • unk_token (str) — 用于超出词表的token。
  • n_sub_iterations (int) — 在修剪词汇表之前执行的 EM 算法迭代次数。

能够训练 Unigram 模型的训练器

WordLevelTrainer

class tokenizers.trainers.WordLevelTrainer

( )

参数

  • vocab_size (int, optional) — 包含所有标记和字母表的最终词汇表的大小。
  • min_frequency (int, optional) — 为了合并,一对应该具有的最小频率。
  • show_progress (bool, optional) — 是否在训练时显示进度条。
  • special_tokens (List[Union[str, AddedToken]]) — 模型应该知道的特殊标记列表。

能够训练 WorldLevel 模型的训练器

WordPieceTrainer

class tokenizers.trainers.WordPieceTrainer

( vocab_size = 30000 min_frequency = 0 show_progress = True special_tokens = [] limit_alphabet = None initial_alphabet = [] continuing_subword_prefix = '##' end_of_word_suffix = None )

参数

  • vocab_size (int, optional) — 包含所有标记和字母表的最终词汇表的大小。
  • min_frequency (int, optional) — 为了合并,一对应该具有的最小频率。
  • show_progress (bool, optional) — 是否在训练时显示进度条。
  • limit_alphabet (int, 可选) — 字母表中保留的最大不同字符数。
  • initial_alphabet (List[str], 可选) — 要包含在初始字母表中的字符列表,即使在训练数据集中未看到它们。如果字符串包含多个字符,则只保留第一个字符。
  • continuing_subword_prefix (str, 可选) — 用于所有不是词首的子词的前缀。
  • end_of_word_suffix (str, 可选) — 用于所有是词尾的子词的后缀。

能够训练 WordPiece 模型的训练器