Transformers 文档
PhoBERT
并获得增强的文档体验
开始使用
PhoBERT
概述
PhoBERT 模型由 Dat Quoc Nguyen 和 Anh Tuan Nguyen 在论文 PhoBERT: 越南语预训练语言模型 中提出。
论文摘要如下:
我们推出了 PhoBERT 的两个版本:PhoBERT-base 和 PhoBERT-large,它们是首批针对越南语预训练的大规模单语语言模型。实验结果表明,PhoBERT 在多项越南语 NLP 任务(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)中始终优于最新的最佳预训练多语言模型 XLM-R (Conneau et al., 2020),并提升了这些任务的最新技术水平。
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")
除了分词之外,PhoBERT 的实现与 BERT 相同。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进行说明。
Phobert分词器
类 transformers.PhobertTokenizer
< 来源 >( 词汇文件 合并文件 起始标记 = '<s>' 结束标记 = '</s>' 分隔标记 = '</s>' 分类标记 = '<s>' 未知标记 = '<unk>' 填充标记 = '<pad>' 掩码标记 = '<mask>' **kwargs )
参数
- vocab_file (
str
) — 词汇文件路径。 - merges_file (
str
) — 合并文件路径。 - bos_token (
st
, 可选, 默认为"<s>"
) — 预训练期间使用的序列开始标记。可用作序列分类器标记。使用特殊标记构建序列时,这不是用于序列开头的标记。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,这不是用于序列结尾的标记。使用的标记是
sep_token
。 - sep_token (
str
, 可选, 默认为"</s>"
) — 分隔标记,用于从多个序列构建序列时,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,用于序列分类(整个序列的分类而不是按标记分类)。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不能转换为 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>"
) — 用于掩盖值的标记。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 PhoBERT 分词器。基于字节对编码。
此分词器继承自 PreTrainedTokenizer,其中包含了大部分主要方法。用户应参阅此超类以获取有关这些方法的更多信息。
从文本文件加载预设字典,并将其符号添加到此实例。
使用特殊标记构建输入
< 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。PhoBERT 序列的格式如下:
- 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。
从序列创建标记类型 ID
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → list[int]
从传递给序列对分类任务的两个序列创建掩码。PhoBERT 不使用标记类型 ID,因此返回一个零列表。
获取特殊标记掩码
< 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。