Transformers 文档
BERTweet
并获得增强的文档体验
开始使用
BERTweet
BERTweet
BERTweet 与 BERT-base 共享相同的架构,但它像 RoBERTa 一样在英文推文上进行预训练。它在与推文相关的任务上表现非常好,例如词性标注、命名实体识别和文本分类。
你可以在 VinAI Research 组织下找到所有原始的 BERTweet 检查点。
有关如何将 BERTweet 应用于不同语言任务的更多示例,请参阅 BERT 文档。
以下示例演示了如何使用 Pipeline、AutoModel 和命令行预测 <mask>
标记。
import torch
from transformers import pipeline
pipeline = pipeline(
task="fill-mask",
model="vinai/bertweet-base",
torch_dtype=torch.float16,
device=0
)
pipeline("Plants create <mask> through a process known as photosynthesis.")
注意
- 使用 AutoTokenizer 或 BertweetTokenizer,因为它预加载了一个适应推文特定标记(如主题标签 (#)、提及 (@)、表情符号和常用缩写)的自定义词汇表。请确保同时安装 emoji 库。
- 输入应在右侧进行填充 (
padding="max_length"
),因为 BERT 使用绝对位置嵌入。
BertweetTokenizer
class transformers.BertweetTokenizer
< 来源 >( vocab_file merges_file normalization = False bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '<unk>' pad_token = '<pad>' mask_token = '<mask>' **kwargs )
参数
- vocab_file (
str
) — 词汇表文件的路径。 - merges_file (
str
) — 合并文件的路径。 - normalization (
bool
, *可选*, 默认为 `False`) — 是否应用规范化预处理。 - bos_token (
str
, *可选*, 默认为 `"<s>"`) — 序列开始标记,在预训练期间使用。可用作序列分类器标记。使用特殊标记构建序列时,这不是用于序列开始的标记。使用的标记是
cls_token
。 - eos_token (
str
, *可选*, 默认为 `"</s>"`) — 序列结束标记。使用特殊标记构建序列时,这不是用于序列结束的标记。使用的标记是
sep_token
。 - sep_token (
str
, *可选*, 默认为 `"</s>"`) — 分隔符标记,用于从多个序列构建一个序列时,例如用于序列分类的两个序列,或用于问答的文本和问题。它也用作使用特殊标记构建的序列的最后一个标记。 - cls_token (
str
, *可选*, 默认为 `"<s>"`) — 分类器标记,用于进行序列分类(对整个序列进行分类,而不是逐个标记分类)。当使用特殊标记构建时,它是序列的第一个标记。 - unk_token (
str
, *可选*, 默认为 `"<unk>"`) — 未知标记。不在词汇表中的标记无法转换为 ID,而是设置为此标记。 - pad_token (
str
, *可选*, 默认为 `"<pad>"`) — 用于填充的标记,例如在批处理不同长度的序列时。 - mask_token (
str
, *可选*, 默认为 `"<mask>"`) — 用于掩码值的标记。这是使用掩码语言建模训练此模型时使用的标记。这是模型将尝试预测的标记。
构建一个 BERTweet 分词器,使用字节对编码 (Byte-Pair-Encoding)。
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。
从文本文件中加载一个预先存在的字典,并将其符号添加到此实例中。
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为序列分类任务构建模型输入。BERTweet 序列具有以下格式:
- 单个序列:
<s> X </s>
- 序列对:
<s> A </s></s> B </s>
将标记序列(字符串)转换为单个字符串。
create_token_type_ids_from_sequences
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → list[int]
从传入的两个序列中创建一个掩码,用于序列对分类任务。BERTweet 不使用标记类型 ID,因此返回一个零列表。
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。
规范化 Tweet 中的标记
规范化原始 Tweet