参数

• text (str, List[str], List[List[str]]，可选) — 要编码的序列或序列批次。每个序列可以是字符串或字符串列表（预标记化字符串）。如果序列作为字符串列表（预标记化）提供，则必须设置 is_split_into_words=True（以消除与序列批次的歧义）。
• text_pair (str, List[str], List[List[str]]，可选) — 要编码的序列或序列批次。每个序列可以是字符串或字符串列表（预标记化字符串）。如果序列作为字符串列表（预标记化）提供，则必须设置 is_split_into_words=True（以消除与序列批次的歧义）。
• text_target (str, List[str], List[List[str]]，可选) — 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表（预标记化字符串）。如果序列作为字符串列表（预标记化）提供，则必须设置 is_split_into_words=True（以消除与序列批次的歧义）。
• text_pair_target (str, List[str], List[List[str]]，可选) — 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表（预标记化字符串）。如果序列作为字符串列表（预标记化）提供，则必须设置 is_split_into_words=True（以消除与序列批次的歧义）。
• add_special_tokens (bool，可选，默认为 True) — 在编码序列时是否添加特殊标记。这将使用底层的 PretrainedTokenizerBase.build_inputs_with_special_tokens 函数，该函数定义了哪些标记会自动添加到输入 ID 中。如果您想自动添加 bos 或 eos 标记，这将很有用。
• padding (bool, str 或 PaddingStrategy, 可选，默认为 False) — 激活并控制填充。接受以下值：
  • True 或 'longest'：填充到批次中最长的序列（如果仅提供单个序列，则不填充）。
  • 'max_length'：填充到使用参数 max_length 指定的最大长度，或者如果未提供该参数，则填充到模型可接受的最大输入长度。
  • False 或 'do_not_pad'（默认）：不填充（即，可以输出具有不同长度序列的批次）。
• truncation (bool, str 或 TruncationStrategy, 可选，默认为 False) — 激活并控制截断。接受以下值：
  • True 或 'longest_first'：截断到使用参数 max_length 指定的最大长度，或者如果未提供该参数，则截断到模型可接受的最大输入长度。如果提供了一对序列（或一对序列的批次），则此操作将逐个标记进行截断，从该对中最长的序列中删除一个标记。
  • 'only_first'：截断到使用参数 max_length 指定的最大长度，或者如果未提供该参数，则截断到模型可接受的最大输入长度。如果提供了一对序列（或一对序列的批次），则此操作将仅截断该对的第一个序列。
  • 'only_second'：截断到使用参数 max_length 指定的最大长度，或者如果未提供该参数，则截断到模型可接受的最大输入长度。如果提供了一对序列（或一对序列的批次），则此操作将仅截断该对的第二个序列。
  • False 或 'do_not_truncate'（默认）：不截断（即，可以输出序列长度大于模型最大可接受输入大小的批次）。
• max_length (int, 可选) — 通过截断/填充参数之一控制要使用的最大长度。

  如果未设置或设置为 None，则如果截断/填充参数之一需要最大长度，则此操作将使用预定义的模型最大长度。如果模型没有特定的最大输入长度（如 XLNet），则将停用截断/填充到最大长度。

• stride (int, 可选，默认为 0) — 如果与 max_length 一起设置为一个数字，则当 return_overflowing_tokens=True 时返回的溢出标记将包含来自截断序列末尾的一些标记，以提供截断序列和溢出序列之间的一些重叠。此参数的值定义了重叠标记的数量。
• is_split_into_words (bool, 可选，默认为 False) — 输入是否已预先分词（例如，拆分为单词）。如果设置为 True，则分词器假设输入已拆分为单词（例如，通过在空格处拆分），它将对这些单词进行分词。这对于 NER 或标记分类很有用。
• pad_to_multiple_of (int, 可选) — 如果设置，将序列填充到提供的值的倍数。需要激活 padding。这对于在具有计算能力 >= 7.5（Volta）的 NVIDIA 硬件上启用 Tensor Core 特别有用。
• padding_side (str, 可选) — 模型应在其上应用填充的一侧。应在 [‘right’, ‘left’] 中选择。默认值从同名的类属性中获取。
• return_tensors (str 或 TensorType, 可选) — 如果设置，将返回张量而不是 Python 整数列表。可接受的值为：
  • 'tf'：返回 TensorFlow tf.constant 对象。
  • 'pt'：返回 PyTorch torch.Tensor 对象。
  • 'np'：返回 NumPy np.ndarray 对象。
• return_token_type_ids (bool，可选) — 是否返回 token 类型 ID。如果保留默认值，则将根据特定分词器的默认值返回 token 类型 ID，由 return_outputs 属性定义。

  什么是 token 类型 ID？

• return_attention_mask (bool，可选) — 是否返回注意力掩码。如果保留默认值，则将根据特定分词器的默认值返回注意力掩码，由 return_outputs 属性定义。

  什么是注意力掩码？

• return_overflowing_tokens (bool，可选，默认为 False) — 是否返回溢出的 token 序列。如果使用 truncation_strategy = longest_first 或 True 提供了一对输入 ID 序列（或一对序列的批次），则会引发错误而不是返回溢出的 token。
• return_special_tokens_mask (bool，可选，默认为 False) — 是否返回特殊 token 掩码信息。
• return_offsets_mapping (bool，可选，默认为 False) — 是否返回每个 token 的 (char_start, char_end)。

  这仅适用于继承自 PreTrainedTokenizerFast 的快速分词器，如果使用 Python 的分词器，此方法将引发 NotImplementedError。

• return_length (bool，可选，默认为 False) — 是否返回编码输入的长度。
• verbose (bool，可选，默认为 True) — 是否打印更多信息和警告。kwargs — 传递给 self.tokenize() 方法