BertJapanese
概述
在日语文本上训练的 BERT 模型。
有两种不同的分词方法的模型
要使用 MecabTokenizer,您应该 pip install transformers["ja"]
(或者如果您从源代码安装,则为 pip install -e .["ja"]
)来安装依赖项。
使用 MeCab 和 WordPiece 分词的模型示例
>>> import torch
>>> from transformers import AutoModel, AutoTokenizer
>>> bertjapanese = AutoModel.from_pretrained("cl-tohoku/bert-base-japanese")
>>> tokenizer = AutoTokenizer.from_pretrained("cl-tohoku/bert-base-japanese")
>>> ## Input Japanese Text
>>> line = "吾輩は猫である。"
>>> inputs = tokenizer(line, return_tensors="pt")
>>> print(tokenizer.decode(inputs["input_ids"][0]))
[CLS] 吾輩 は 猫 で ある 。 [SEP]
>>> outputs = bertjapanese(**inputs)
使用字符分词的模型示例
>>> bertjapanese = AutoModel.from_pretrained("cl-tohoku/bert-base-japanese-char")
>>> tokenizer = AutoTokenizer.from_pretrained("cl-tohoku/bert-base-japanese-char")
>>> ## Input Japanese Text
>>> line = "吾輩は猫である。"
>>> inputs = tokenizer(line, return_tensors="pt")
>>> print(tokenizer.decode(inputs["input_ids"][0]))
[CLS] 吾 輩 は 猫 で あ る 。 [SEP]
>>> outputs = bertjapanese(**inputs)
此模型由 cl-tohoku 贡献。
此实现与 BERT 相同,除了分词方法。有关 API 参考信息,请参阅 BERT 文档。
BertJapaneseTokenizer
类 transformers.BertJapaneseTokenizer
< 源代码 >( vocab_file spm_file = None do_lower_case = False do_word_tokenize = True do_subword_tokenize = True word_tokenizer_type = 'basic' subword_tokenizer_type = 'wordpiece' never_split = None unk_token = '[UNK]' sep_token = '[SEP]' pad_token = '[PAD]' cls_token = '[CLS]' mask_token = '[MASK]' mecab_kwargs = None sudachi_kwargs = None jumanpp_kwargs = None **kwargs )
参数
- vocab_file (
str
) — 单词片段(wordpiece)词汇表文件路径,每行一个单词片段。 - spm_file (
str
, 可选) — SentencePiece 文件路径(通常具有 .spm 或 .model 扩展名),包含词汇表。 - do_lower_case (
bool
, 可选,默认为True
) — 是否将输入转换为小写。仅当 do_basic_tokenize=True 时有效。 - do_word_tokenize (
bool
, 可选,默认为True
) — 是否进行分词。 - do_subword_tokenize (
bool
, 可选,默认为True
) — 是否进行子词分词。 - word_tokenizer_type (
str
, 可选,默认为"basic"
) — 分词器类型。选择 [“basic”, “mecab”, “sudachi”, “jumanpp”] 中的一种。 - subword_tokenizer_type (
str
, 可选,默认为"wordpiece"
) — 子词分词器类型。选择 [“wordpiece”, “character”, “sentencepiece”] 中的一种。 - jumanpp_kwargs (
dict
, 可选) — 传递给JumanppTokenizer
构造函数的字典。
构建用于日语文本的 BERT 分词器。
此分词器继承自 PreTrainedTokenizer,其中包含大部分主要方法。用户应参考:此超类以获取有关这些方法的更多信息。
build_inputs_with_special_tokens
< 源代码 > ( token_ids_0: List token_ids_1: Optional = None ) → List[int]
通过连接和添加特殊标记,从序列或一对序列构建用于序列分类任务的模型输入。BERT 序列具有以下格式
- 单个序列:
[CLS] X [SEP]
- 序列对:
[CLS] A [SEP] B [SEP]
将一系列标记(字符串)转换为单个字符串。