逐块构建分词器

正如我们在前面的章节中看到的，分词包含几个步骤

归一化（对文本进行任何必要的清理，例如删除空格或重音符号、Unicode 归一化等）
预分词（将输入拆分为单词）
通过模型运行输入（使用预分词的单词生成 token 序列）
后处理（添加分词器的特殊 token，生成注意力掩码和 token 类型 ID）

作为提醒，再次查看整个过程

🤗 Tokenizers 库的构建旨在为每个步骤提供多种选项，您可以将它们混合搭配在一起。在本节中，我们将了解如何从头开始构建分词器，而不是像我们在第 2 节中所做的那样从旧的分词器训练新的分词器。然后，您将能够构建您能想到的任何类型的分词器！

更准确地说，该库围绕一个中央 Tokenizer 类构建，构建块在子模块中重新组合

normalizers 包含您可以使用的所有可能的 Normalizer 类型（完整列表此处）。
pre_tokenizers 包含您可以使用的所有可能的 PreTokenizer 类型（完整列表此处）。
models 包含您可以使用的各种 Model 类型，例如 BPE、WordPiece 和 Unigram（完整列表此处）。
trainers 包含您可以用来在语料库上训练模型的所有不同类型的 Trainer（每种模型类型一个；完整列表此处）。
post_processors 包含您可以使用的各种 PostProcessor 类型（完整列表此处）。
decoders 包含您可以用来解码分词输出的各种 Decoder 类型（完整列表此处）。

您可以在此处找到构建块的完整列表。

获取语料库

为了训练我们的新分词器，我们将使用一个小的文本语料库（以便示例运行速度快）。获取语料库的步骤与我们在本章开头所采取的步骤类似，但这次我们将使用 WikiText-2 数据集

from datasets import load_dataset

dataset = load_dataset("wikitext", name="wikitext-2-raw-v1", split="train")


def get_training_corpus():
    for i in range(0, len(dataset), 1000):
        yield dataset[i : i + 1000]["text"]

函数 get_training_corpus() 是一个生成器，它将生成 1,000 个文本的批次，我们将使用这些批次来训练分词器。

🤗 Tokenizers 也可以直接在文本文件上进行训练。以下是如何生成包含 WikiText-2 中的所有文本/输入的文本文件，我们可以在本地使用

with open("wikitext-2.txt", "w", encoding="utf-8") as f:
    for i in range(len(dataset)):
        f.write(dataset[i]["text"] + "\n")

接下来，我们将向您展示如何逐块构建您自己的 BERT、GPT-2 和 XLNet 分词器。这将为我们提供三种主要分词算法的示例：WordPiece、BPE 和 Unigram。让我们从 BERT 开始！

从头开始构建 WordPiece 分词器

要使用 🤗 Tokenizers 库构建分词器，我们首先使用 model 实例化 Tokenizer 对象，然后将其 normalizer、pre_tokenizer、post_processor 和 decoder 属性设置为我们想要的值。

对于此示例，我们将创建一个带有 WordPiece 模型的 Tokenizer

from tokenizers import (
    decoders,
    models,
    normalizers,
    pre_tokenizers,
    processors,
    trainers,
    Tokenizer,
)

tokenizer = Tokenizer(models.WordPiece(unk_token="[UNK]"))

我们必须指定 unk_token，以便模型知道在遇到之前未见过的字符时返回什么。我们可以在此处设置的其他参数包括模型的 vocab（我们将训练模型，因此我们无需设置此项）和 max_input_chars_per_word，它指定每个单词的最大长度（超过传递值的单词将被拆分）。

分词的第一步是归一化，所以让我们从这里开始。由于 BERT 得到广泛使用，因此有一个 BertNormalizer，其中包含我们可以为 BERT 设置的经典选项：lowercase 和 strip_accents，它们是不言自明的；clean_text 用于删除所有控制字符并将重复空格替换为单个空格；以及 handle_chinese_chars，它在中国字符周围放置空格。要复制 bert-base-uncased 分词器，我们可以只设置此归一化器

tokenizer.normalizer = normalizers.BertNormalizer(lowercase=True)

然而，一般来说，在构建新的分词器时，您将无法访问 🤗 Tokenizers 库中已实现的如此方便的归一化器 —— 因此，让我们看看如何手动创建 BERT 归一化器。该库提供了 Lowercase 归一化器和 StripAccents 归一化器，您可以使用 Sequence 组合多个归一化器

tokenizer.normalizer = normalizers.Sequence(
    [normalizers.NFD(), normalizers.Lowercase(), normalizers.StripAccents()]
)

我们还使用了 NFD Unicode 归一化器，否则 StripAccents 归一化器将无法正确识别重音字符，因此不会将其去除。

正如我们之前看到的，我们可以使用 normalizer 的 normalize_str() 方法来检查它对给定文本的影响

print(tokenizer.normalizer.normalize_str("Héllò hôw are ü?"))

hello how are u?

深入了解 如果您在包含 unicode 字符 u"\u0085" 的字符串上测试先前归一化器的两个版本，您肯定会注意到这两个归一化器并不完全等效。为了不过分复杂化 normalizers.Sequence 的版本，我们没有包含当 clean_text 参数设置为 True 时 BertNormalizer 需要的 Regex 替换 - 这是默认行为。但请不要担心：可以通过向归一化器序列添加两个 normalizers.Replace 来获得完全相同的归一化，而无需使用方便的 BertNormalizer。

下一步是预分词步骤。同样，有一个预构建的 BertPreTokenizer 我们可以使用

tokenizer.pre_tokenizer = pre_tokenizers.BertPreTokenizer()

或者我们可以从头开始构建它

tokenizer.pre_tokenizer = pre_tokenizers.Whitespace()

请注意，Whitespace 预分词器在空格和所有不是字母、数字或下划线字符的字符上进行拆分，因此它在技术上会在空格和标点符号上拆分

tokenizer.pre_tokenizer.pre_tokenize_str("Let's test my pre-tokenizer.")

[('Let', (0, 3)), ("'", (3, 4)), ('s', (4, 5)), ('test', (6, 10)), ('my', (11, 13)), ('pre', (14, 17)),
 ('-', (17, 18)), ('tokenizer', (18, 27)), ('.', (27, 28))]

如果您只想在空格上拆分，则应改用 WhitespaceSplit 预分词器

pre_tokenizer = pre_tokenizers.WhitespaceSplit()
pre_tokenizer.pre_tokenize_str("Let's test my pre-tokenizer.")

[("Let's", (0, 5)), ('test', (6, 10)), ('my', (11, 13)), ('pre-tokenizer.', (14, 28))]

与归一化器一样，您可以使用 Sequence 来组合多个预分词器

pre_tokenizer = pre_tokenizers.Sequence(
    [pre_tokenizers.WhitespaceSplit(), pre_tokenizers.Punctuation()]
)
pre_tokenizer.pre_tokenize_str("Let's test my pre-tokenizer.")

[('Let', (0, 3)), ("'", (3, 4)), ('s', (4, 5)), ('test', (6, 10)), ('my', (11, 13)), ('pre', (14, 17)),
 ('-', (17, 18)), ('tokenizer', (18, 27)), ('.', (27, 28))]

分词管道中的下一步是通过模型运行输入。我们已经在初始化中指定了我们的模型，但我们仍然需要训练它，这将需要一个 WordPieceTrainer。在 🤗 Tokenizers 中实例化训练器时要记住的主要事项是，您需要将您打算使用的所有特殊 token 传递给它 —— 否则它不会将它们添加到词汇表中，因为它们不在训练语料库中

special_tokens = ["[UNK]", "[PAD]", "[CLS]", "[SEP]", "[MASK]"]
trainer = trainers.WordPieceTrainer(vocab_size=25000, special_tokens=special_tokens)

除了指定 vocab_size 和 special_tokens 之外，我们还可以设置 min_frequency（token 必须出现的次数才能包含在词汇表中）或更改 continuing_subword_prefix（如果我们想使用与 ## 不同的前缀）。

要使用我们之前定义的迭代器训练我们的模型，我们只需执行此命令

tokenizer.train_from_iterator(get_training_corpus(), trainer=trainer)

我们还可以使用文本文件来训练我们的分词器，如下所示（我们预先使用空的 WordPiece 重新初始化模型）

tokenizer.model = models.WordPiece(unk_token="[UNK]")
tokenizer.train(["wikitext-2.txt"], trainer=trainer)

在这两种情况下，我们都可以通过调用 encode() 方法在文本上测试分词器

encoding = tokenizer.encode("Let's test this tokenizer.")
print(encoding.tokens)

['let', "'", 's', 'test', 'this', 'tok', '##eni', '##zer', '.']

获得的 encoding 是一个 Encoding，它在其各种属性中包含分词器的所有必要输出：ids、type_ids、tokens、offsets、attention_mask、special_tokens_mask 和 overflowing。

分词管道中的最后一步是后处理。我们需要在开头添加 [CLS] token，并在结尾（或每句话之后，如果我们有一对句子）添加 [SEP] token。我们将为此使用 TemplateProcessor，但首先我们需要知道词汇表中 [CLS] 和 [SEP] token 的 ID

cls_token_id = tokenizer.token_to_id("[CLS]")
sep_token_id = tokenizer.token_to_id("[SEP]")
print(cls_token_id, sep_token_id)

(2, 3)

要编写 TemplateProcessor 的模板，我们必须指定如何处理单个句子和一对句子。对于两者，我们都写入我们想要使用的特殊 token；第一个（或单个）句子用 $A 表示，而第二个句子（如果编码一对句子）用 $B 表示。对于每个句子（特殊 token 和句子），我们还在冒号后指定相应的 token 类型 ID。

因此，经典的 BERT 模板定义如下

tokenizer.post_processor = processors.TemplateProcessing(
    single=f"[CLS]:0 $A:0 [SEP]:0",
    pair=f"[CLS]:0 $A:0 [SEP]:0 $B:1 [SEP]:1",
    special_tokens=[("[CLS]", cls_token_id), ("[SEP]", sep_token_id)],
)

请注意，我们需要传递特殊 token 的 ID，以便分词器可以正确地将它们转换为其 ID。

添加此项后，回到我们之前的示例将得到

encoding = tokenizer.encode("Let's test this tokenizer.")
print(encoding.tokens)

['[CLS]', 'let', "'", 's', 'test', 'this', 'tok', '##eni', '##zer', '.', '[SEP]']

在一对句子上，我们得到正确的结果

encoding = tokenizer.encode("Let's test this tokenizer...", "on a pair of sentences.")
print(encoding.tokens)
print(encoding.type_ids)

['[CLS]', 'let', "'", 's', 'test', 'this', 'tok', '##eni', '##zer', '...', '[SEP]', 'on', 'a', 'pair', 'of', 'sentences', '.', '[SEP]']
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1]

我们几乎完成了从头开始构建此分词器 —— 最后一步是包含一个解码器

tokenizer.decoder = decoders.WordPiece(prefix="##")

让我们在之前的 encoding 上测试它

tokenizer.decode(encoding.ids)

"let's test this tokenizer... on a pair of sentences."

太棒了！我们可以像这样将我们的分词器保存在单个 JSON 文件中

tokenizer.save("tokenizer.json")

然后我们可以使用 from_file() 方法在 Tokenizer 对象中重新加载该文件

new_tokenizer = Tokenizer.from_file("tokenizer.json")

要在 🤗 Transformers 中使用此分词器，我们必须将其包装在 PreTrainedTokenizerFast 中。我们可以使用通用类，或者，如果我们的分词器对应于现有模型，则使用该类（此处为 BertTokenizerFast）。如果您应用本课程来构建全新的分词器，则必须使用第一个选项。

要将分词器包装在 PreTrainedTokenizerFast 中，我们可以将我们构建的分词器作为 tokenizer_object 传递，也可以将我们保存的分词器文件作为 tokenizer_file 传递。要记住的关键是，我们必须手动设置所有特殊 token，因为该类无法从 tokenizer 对象推断哪个 token 是掩码 token、[CLS] token 等。

from transformers import PreTrainedTokenizerFast

wrapped_tokenizer = PreTrainedTokenizerFast(
    tokenizer_object=tokenizer,
    # tokenizer_file="tokenizer.json", # You can load from the tokenizer file, alternatively
    unk_token="[UNK]",
    pad_token="[PAD]",
    cls_token="[CLS]",
    sep_token="[SEP]",
    mask_token="[MASK]",
)

如果您正在使用特定的分词器类（例如 BertTokenizerFast），您只需要指定与默认 token 不同的特殊 token（此处为无）

from transformers import BertTokenizerFast

wrapped_tokenizer = BertTokenizerFast(tokenizer_object=tokenizer)

然后，您可以像使用任何其他 🤗 Transformers 分词器一样使用此分词器。您可以使用 save_pretrained() 方法保存它，或使用 push_to_hub() 方法将其上传到 Hub。

现在我们已经了解了如何构建 WordPiece 分词器，让我们对 BPE 分词器执行相同的操作。我们将稍微加快速度，因为您了解所有步骤，并且仅突出显示差异。

从头开始构建 BPE 分词器

现在让我们构建 GPT-2 分词器。与 BERT 分词器一样，我们首先使用 BPE 模型初始化 Tokenizer

tokenizer = Tokenizer(models.BPE())

与 BERT 类似，如果我们有词汇表，我们也可以使用词汇表初始化此模型（在这种情况下，我们需要传递 vocab 和 merges），但由于我们将从头开始训练，因此我们无需这样做。我们也不需要指定 unk_token，因为 GPT-2 使用字节级 BPE，不需要它。

GPT-2 不使用归一化器，因此我们跳过该步骤，直接进行预分词

tokenizer.pre_tokenizer = pre_tokenizers.ByteLevel(add_prefix_space=False)

我们在此处添加到 ByteLevel 的选项是不在句子开头添加空格（否则是默认设置）。我们可以像以前一样查看示例文本的预分词

tokenizer.pre_tokenizer.pre_tokenize_str("Let's test pre-tokenization!")

[('Let', (0, 3)), ("'s", (3, 5)), ('Ġtest', (5, 10)), ('Ġpre', (10, 14)), ('-', (14, 15)),
 ('tokenization', (15, 27)), ('!', (27, 28))]

下一步是模型，需要训练。对于 GPT-2，唯一的特殊 token 是文本结束 token

trainer = trainers.BpeTrainer(vocab_size=25000, special_tokens=["<|endoftext|>"])
tokenizer.train_from_iterator(get_training_corpus(), trainer=trainer)

与 WordPieceTrainer 一样，以及 vocab_size 和 special_tokens，如果需要，我们可以指定 min_frequency，或者如果我们有词尾后缀（例如 </w>），我们可以使用 end_of_word_suffix 设置它。

此分词器也可以在文本文件上进行训练

tokenizer.model = models.BPE()
tokenizer.train(["wikitext-2.txt"], trainer=trainer)

让我们看一下示例文本的分词

encoding = tokenizer.encode("Let's test this tokenizer.")
print(encoding.tokens)

['L', 'et', "'", 's', 'Ġtest', 'Ġthis', 'Ġto', 'ken', 'izer', '.']

我们对 GPT-2 分词器应用字节级后处理，如下所示

tokenizer.post_processor = processors.ByteLevel(trim_offsets=False)

trim_offsets = False 选项指示后处理器，我们应该保持以“Ġ”开头的 token 的偏移量不变：这样，偏移量的开头将指向单词之前的空格，而不是单词的第一个字符（因为空格在技术上是 token 的一部分）。让我们看一下我们刚刚编码的文本的结果，其中 'Ġtest' 是索引 4 处的 token

sentence = "Let's test this tokenizer."
encoding = tokenizer.encode(sentence)
start, end = encoding.offsets[4]
sentence[start:end]

' test'

最后，我们添加一个字节级解码器

tokenizer.decoder = decoders.ByteLevel()

我们可以再次检查它是否正常工作

tokenizer.decode(encoding.ids)

"Let's test this tokenizer."

太棒了！现在我们完成了，我们可以像以前一样保存分词器，如果想在 🤗 Transformers 中使用它，可以将其包装在 PreTrainedTokenizerFast 或 GPT2TokenizerFast 中

from transformers import PreTrainedTokenizerFast

wrapped_tokenizer = PreTrainedTokenizerFast(
    tokenizer_object=tokenizer,
    bos_token="<|endoftext|>",
    eos_token="<|endoftext|>",
)

或

from transformers import GPT2TokenizerFast

wrapped_tokenizer = GPT2TokenizerFast(tokenizer_object=tokenizer)

作为最后一个示例，我们将向您展示如何从头开始构建 Unigram 分词器。

从头开始构建 Unigram 分词器

现在让我们构建 XLNet 分词器。与之前的分词器一样，我们首先使用 Unigram 模型初始化 Tokenizer

tokenizer = Tokenizer(models.Unigram())

同样，如果我们有词汇表，我们也可以使用词汇表初始化此模型。

对于归一化，XLNet 使用了一些替换（来自 SentencePiece）

from tokenizers import Regex

tokenizer.normalizer = normalizers.Sequence(
    [
        normalizers.Replace("``", '"'),
        normalizers.Replace("''", '"'),
        normalizers.NFKD(),
        normalizers.StripAccents(),
        normalizers.Replace(Regex(" {2,}"), " "),
    ]
)

这会将 “ 和 ” 替换为 ”，并将两个或多个空格的任何序列替换为单个空格，以及删除要分词的文本中的重音符号。

用于任何 SentencePiece 分词器的预分词器是 Metaspace

tokenizer.pre_tokenizer = pre_tokenizers.Metaspace()

我们可以像以前一样查看示例文本的预分词

tokenizer.pre_tokenizer.pre_tokenize_str("Let's test the pre-tokenizer!")

[("▁Let's", (0, 5)), ('▁test', (5, 10)), ('▁the', (10, 14)), ('▁pre-tokenizer!', (14, 29))]

下一步是模型，需要训练。XLNet 有相当多的特殊 token

special_tokens = ["<cls>", "<sep>", "<unk>", "<pad>", "<mask>", "<s>", "</s>"]
trainer = trainers.UnigramTrainer(
    vocab_size=25000, special_tokens=special_tokens, unk_token="<unk>"
)
tokenizer.train_from_iterator(get_training_corpus(), trainer=trainer)

对于 UnigramTrainer，一个非常重要的参数是不要忘记 unk_token。我们还可以传递 Unigram 算法特有的其他参数，例如在每个删除 token 的步骤中的 shrinking_factor（默认为 0.75）或 max_piece_length 以指定给定 token 的最大长度（默认为 16）。

此分词器也可以在文本文件上进行训练

tokenizer.model = models.Unigram()
tokenizer.train(["wikitext-2.txt"], trainer=trainer)

让我们看一下示例文本的分词

encoding = tokenizer.encode("Let's test this tokenizer.")
print(encoding.tokens)

['▁Let', "'", 's', '▁test', '▁this', '▁to', 'ken', 'izer', '.']

XLNet 的一个特点是将 <cls> token 放在句子的末尾，类型 ID 为 2（以区别于其他 token）。结果，它是在左侧填充。我们可以像 BERT 一样使用模板处理所有特殊 token 和 token 类型 ID，但首先我们必须获取 <cls> 和 <sep> token 的 ID

cls_token_id = tokenizer.token_to_id("<cls>")
sep_token_id = tokenizer.token_to_id("<sep>")
print(cls_token_id, sep_token_id)

0 1

模板如下所示

tokenizer.post_processor = processors.TemplateProcessing(
    single="$A:0 <sep>:0 <cls>:2",
    pair="$A:0 <sep>:0 $B:1 <sep>:1 <cls>:2",
    special_tokens=[("<sep>", sep_token_id), ("<cls>", cls_token_id)],
)

我们可以通过编码一对句子来测试它是否有效

encoding = tokenizer.encode("Let's test this tokenizer...", "on a pair of sentences!")
print(encoding.tokens)
print(encoding.type_ids)

['▁Let', "'", 's', '▁test', '▁this', '▁to', 'ken', 'izer', '.', '.', '.', '<sep>', '▁', 'on', '▁', 'a', '▁pair', 
  '▁of', '▁sentence', 's', '!', '<sep>', '<cls>']
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2]

最后，我们添加一个 Metaspace 解码器

tokenizer.decoder = decoders.Metaspace()

我们完成了此分词器！我们可以像以前一样保存分词器，如果想在 🤗 Transformers 中使用它，可以将其包装在 PreTrainedTokenizerFast 或 XLNetTokenizerFast 中。使用 PreTrainedTokenizerFast 时需要注意的一点是，除了特殊 token 之外，我们还需要告诉 🤗 Transformers 库在左侧填充

from transformers import PreTrainedTokenizerFast

wrapped_tokenizer = PreTrainedTokenizerFast(
    tokenizer_object=tokenizer,
    bos_token="<s>",
    eos_token="</s>",
    unk_token="<unk>",
    pad_token="<pad>",
    cls_token="<cls>",
    sep_token="<sep>",
    mask_token="<mask>",
    padding_side="left",
)

或替代方法

from transformers import XLNetTokenizerFast

wrapped_tokenizer = XLNetTokenizerFast(tokenizer_object=tokenizer)

现在您已经了解了如何使用各种构建块来构建现有的分词器，您应该能够使用 🤗 Tokenizers 库编写您想要的任何分词器，并能够在 🤗 Transformers 中使用它。

< > 在 GitHub 上更新

LLM 课程

逐块构建分词器

获取语料库

从头开始构建 WordPiece 分词器

从头开始构建 BPE 分词器

从头开始构建 Unigram 分词器