【AI大模型】Transformers大模型库（三）：特殊标记（special tokens）

LDG_AGI

发布于 2024-08-13 16:10:27

1420

发布于 2024-08-13 16:10:27

一、引言

这里的Transformers指的是huggingface开发的大模型库，为huggingface上数以万计的预训练大模型提供预测、训练等服务。

🤗 Transformers 提供了数以千计的预训练模型，支持 100 多种语言的文本分类、信息抽取、问答、摘要、翻译、文本生成。它的宗旨是让最先进的 NLP 技术人人易用。 🤗 Transformers 提供了便于快速下载和使用的API，让你可以把预训练模型用在给定文本、在你的数据集上微调然后通过 model hub 与社区共享。同时，每个定义的 Python 模块均完全独立，方便修改和快速研究实验。 🤗 Transformers 支持三个最热门的深度学习库： Jax, PyTorch 以及 TensorFlow — 并与之无缝整合。你可以直接使用一个框架训练你的模型然后用另一个加载和推理。

本文重点介绍特殊标记（special tokens）。

二、特殊标记（special tokens）

2.1 概述

在Hugging Face的transformers库中，不同的模型预训练时可能会使用特定的特殊标记（special tokens），这些标记用于帮助模型理解输入序列的结构，尤其是在处理序列分类、问答、文本生成等任务时。以下是一些常见的特殊标记及其用途：

2.2 主要功能

[CLS] (Classification Token)，编码101：通常用于序列分类任务的开始。模型会基于这个标记的输出来进行分类决策。
[SEP] (Separator Token)，编码102：用于分隔序列中的不同部分，比如在问答任务中分隔问题和文本，在多句子输入中分隔句子。对应编码102
[PAD] (Padding Token)，编码0：用于填充，确保所有批次的输入序列长度一致。它在模型计算时通常会被忽略。对应编码
[MASK]，编码103：主要用于BERT的掩码语言模型任务，模型会预测这个标记所遮掩的单词是什么。
[UNK] (Unknown Token)，编码100：代表词汇表中未包含的单词。
[BOS] (Beginning of Sentence) 和 [EOS] (End of Sentence)：在某些模型中使用，分别表示句子的开始和结束。

2.3 代码示例

使用这些特殊标记的例子，比如在BERT模型中准备输入：

from transformers import BertTokenizer

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
text = "Hello, I'm a text."
text_pair = "And this is another text."
inputs1 = tokenizer.encode_plus(text, text_pair, add_special_tokens=True)
print(inputs1) 
"""
{'input_ids': [101, 7592, 1010, 1045, 1005, 1049, 1037, 3793, 1012, 102, 1998, 2023, 2003, 2178, 3793, 1012, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
"""
print(tokenizer.decode(inputs1['input_ids']))
"""
[CLS] hello, i'm a text. [SEP] and this is another text. [SEP]
"""
inputs2 = tokenizer.encode(text,add_special_tokens=True)
print(inputs2)  
"""
[101, 7592, 1010, 1045, 1005, 1049, 1037, 3793, 1012, 102]
"""

print(tokenizer.encode(['[UNK]','[SEP]','[PAD]', '[CLS]', '[MASK]','BOS','EOS']))

#[101, 100, 102, 0, 101, 103, 100, 100, 102]，去掉头部101和尾部102即为特殊标记的编码ID

将句子Hello, I'm a text进行encode时，会自动在开头和结尾加上[CLS]和[SEP]，如果采用encode_plus对两个句子进行拼接，会加入[SEP]进行句子语义切割。告诉计算机这是两句话。 add_special_tokens=True为默认值，默认在encode编码的时候加入特殊标识，如果为False则可以不加入，但可能会丢失断句的信息。