PhoBERT
概述
PhoBERT 模型由 Dat Quoc Nguyen 和 Anh Tuan Nguyen 在 PhoBERT: Pre-trained language models for Vietnamese 中提出。
论文摘要如下:
我们提出了 PhoBERT,包含两个版本:PhoBERT-base 和 PhoBERT-large,这是首个公开发布的、针对越南语进行预训练的大规模单语语言模型。实验结果表明,PhoBERT 始终优于最新的最佳预训练多语言模型 XLM-R(Conneau 等人,2020),并在多个越南语特定 NLP 任务中取得了最先进的结果,包括词性标注、依存句法分析、命名实体识别和自然语言推理。
该模型由 dqnguyen 贡献。原始代码可以在这里找到 here。
使用示例
>>> import torch
>>> from transformers import AutoModel, AutoTokenizer
>>> phobert = AutoModel.from_pretrained("vinai/phobert-base")
>>> tokenizer = AutoTokenizer.from_pretrained("vinai/phobert-base")
>>> # INPUT TEXT MUST BE ALREADY WORD-SEGMENTED!
>>> line = "Tôi là sinh_viên trường đại_học Công_nghệ ."
>>> input_ids = torch.tensor([tokenizer.encode(line)])
>>> with torch.no_grad():
... features = phobert(input_ids) # Models outputs are now tuples
>>> # With TensorFlow 2.0+:
>>> # from transformers import TFAutoModel
>>> # phobert = TFAutoModel.from_pretrained("vinai/phobert-base")
PhoBERT 的实现与 BERT 相同,除了分词之外。有关配置类及其参数的信息,请参阅 BERT 文档。PhoBERT 特定的分词器将在下面介绍。
PhobertTokenizer
class transformers.PhobertTokenizer
< 源代码 >( vocab_file merges_file 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
) — 词汇表文件路径。 - merges_file (
str
) — 合并文件路径。 - bos_token (
st
, 可选, 默认为"<s>"
) — 在预训练期间使用的序列开始标记。可用作序列分类标记。在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。在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序列时,例如序列分类的两个序列或问答的文本和问题。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>"
) — 用于执行序列分类(对整个序列进行分类而不是对每个标记进行分类)时的分类标记。它是使用特殊标记构建时序列的第一个标记。 - unk_token (
str
,可选,默认为"<unk>"
) — 未知标记。词汇表中不存在的标记无法转换为 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>"
) — 用于掩蔽值的标记。这是使用掩蔽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 PhoBERT 分词器。基于字节对编码。
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。
从文本文件中加载预先存在的字典,并将它的符号添加到此实例中。
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,从序列或一对序列为序列分类任务构建模型输入。PhoBERT 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。
get_special_tokens_mask
< 源代码 > ( token_ids_0: List token_ids_1: Optional = None already_has_special_tokens: bool = False ) → List[int]
从没有添加特殊令牌的令牌列表中检索序列 ID。当使用分词器 prepare_for_model
方法添加特殊令牌时,会调用此方法。