Transformers 文档

BertJapanese

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

BertJapanese

PyTorch TensorFlow Flax

概述

在日本文本上训练的 BERT 模型。

有两种不同的分词方法模型:

  • 使用 MeCab 和 WordPiece 进行分词。这需要一些额外的依赖项,fugashi,它是 MeCab 的包装器。
  • 分词为字符。

要使用 MecabTokenizer,您应该 pip install transformers["ja"] (或者如果您从源代码安装,则 pip install -e .["ja"]) 来安装依赖项。

请参阅 cl-tohoku 仓库的详细信息

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

class transformers.BertJapaneseTokenizer

< >

( 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) — 一词一片词汇表文件的路径。
  • spm_file (str, optional) — SentencePiece 文件的路径(通常带有 .spm 或 .model 扩展名),其中包含词汇表。
  • do_lower_case (bool, optional, defaults to True) — 是否将输入转换为小写。仅当 do_basic_tokenize=True 时有效。
  • do_word_tokenize (bool, optional, defaults to True) — 是否进行分词。
  • do_subword_tokenize (bool, optional, defaults to True) — 是否进行子词分词。
  • word_tokenizer_type (str, optional, defaults to "basic") — 词分词器的类型。从 [“basic”, “mecab”, “sudachi”, “jumanpp”] 中选择。
  • subword_tokenizer_type (str, optional, defaults to "wordpiece") — 子词分词器的类型。从 [“wordpiece”, “character”, “sentencepiece”] 中选择。
  • mecab_kwargs (dict, optional) — 传递给 MecabTokenizer 构造函数的字典。
  • sudachi_kwargs (dict, optional) — 传递给 SudachiTokenizer 构造函数的字典。
  • jumanpp_kwargs (dict, optional) — 传递给 JumanppTokenizer 构造函数的字典。

为日文文本构建 BERT 分词器。

此分词器继承自 PreTrainedTokenizer,其中包含大多数主要方法。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

< >

( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None ) List[int]

参数

  • token_ids_0 (List[int]) — 将向其添加特殊标记的 ID 列表。
  • token_ids_1 (List[int], optional) — 序列对的可选第二个 ID 列表。

返回值

List[int]

输入 ID 的列表,其中包含适当的特殊标记。

通过连接和添加特殊标记,从序列或序列对构建模型输入,以用于序列分类任务。 BERT 序列具有以下格式

  • 单个序列:[CLS] X [SEP]
  • 序列对:[CLS] A [SEP] B [SEP]

convert_tokens_to_string

< >

( tokens )

将标记(字符串)序列转换为单个字符串。

create_token_type_ids_from_sequences

< >

( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None ) List[int]

参数

  • token_ids_0 (List[int]) — ID 列表。
  • token_ids_1 (List[int], optional) — 序列对的可选第二个 ID 列表。

返回值

List[int]

根据给定的序列,返回token type IDs列表。

从传递的两个序列创建一个掩码,用于序列对分类任务。 BERT 序列

对掩码具有以下格式

0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
| first sequence    | second sequence |

如果 token_ids_1None,则此方法仅返回掩码的第一部分 (0s)。

get_special_tokens_mask

< >

( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None already_has_special_tokens: bool = False ) List[int]

参数

  • token_ids_0 (List[int]) — ID 列表。
  • token_ids_1 (List[int], optional) — 序列对的可选第二个 ID 列表。
  • already_has_special_tokens (bool, optional, defaults to False) — 指示 token 列表是否已经为模型格式化了特殊 token。

返回值

List[int]

一个整数列表,值域为 [0, 1]:1 代表特殊 token,0 代表序列 token。

从没有添加特殊 token 的 token 列表中检索序列 ID。当使用 tokenizer 的 prepare_for_model 方法添加特殊 token 时,会调用此方法。

< > 在 GitHub 上更新