Transformers 文档
BertJapanese
并获得增强的文档体验
开始使用
BertJapanese
概述
在日文文本上训练的 BERT 模型。
有两种不同分词方法的模型:
要使用 MecabTokenizer,您应运行 `pip install transformers["ja"]`(如果从源码安装,则运行 `pip install -e .["ja"]`)来安装依赖项。
详见 cl-tohoku 仓库。
使用 MeCab 和 WordPiece 分词模型的示例
>>> 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)
使用字符分词模型的示例
>>> 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)
该模型由 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
class transformers.BertJapaneseTokenizer
< 来源 >( 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`) — 指向每行一个 wordpiece 的词汇表文件的路径。
- spm_file (`str`, *可选*) — 指向 SentencePiece 文件的路径(通常具有 .spm 或 .model 扩展名),该文件包含词汇表。
- 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`) — 是否进行单词分词。
- 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"`) — 单词分词器的类型。可从 [“basic”, “mecab”, “sudachi”, “jumanpp”] 中选择。
- subword_tokenizer_type (`str`, *可选*, 默认为 `"wordpiece"`) — 子词分词器的类型。可从 [“wordpiece”, “character”, “sentencepiece”] 中选择。
- mecab_kwargs (`dict`, *可选*) — 传递给 `MecabTokenizer` 构造函数的字典。
- sudachi_kwargs (`dict`, *可选*) — 传递给 `SudachiTokenizer` 构造函数的字典。
- jumanpp_kwargs (`dict`, *可选*) — 传递给 `JumanppTokenizer` 构造函数的字典。
为日文文本构造一个 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
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → `List[int]`
通过连接和添加特殊标记,从一个序列或一对序列构建用于序列分类任务的模型输入。BERT 序列的格式如下:
- 单个序列:
[CLS] X [SEP]
- 序列对:
[CLS] A [SEP] B [SEP]
将标记序列(字符串)转换为单个字符串。
get_special_tokens_mask
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None already_has_special_tokens: bool = False ) → `List[int]`
从没有添加特殊标记的标记列表中检索序列ID。此方法在使用分词器prepare_for_model
方法添加特殊标记时调用。