同学你好！本文章于2021年末编写，获得广泛的好评！

故在2022年末对本系列进行填充与更新，欢迎大家订阅最新的专栏，获取基于Pytorch1.10版本的理论代码(2023版)实现，

Pytorch深度学习·理论篇(2023版)目录地址为：

CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录

本专栏将通过系统的深度学习实例，从可解释性的角度对深度学习的原理进行讲解与分析，通过将深度学习知识与Pytorch的高效结合，帮助各位新入门的读者理解深度学习各个模板之间的关系，这些均是在Pytorch上实现的，可以有效的结合当前各位研究生的研究方向，设计人工智能的各个领域，是经过一年时间打磨的精品专栏！

https://v9999.blog.csdn.net/article/details/127587345

欢迎大家订阅(2023版)理论篇

以下为2021版原文~~~~

1 Tokenizer

在Transformers库中，提供了一个通用的词表工具Tokenizer，该工具是用Rust编写的，其可以实现NLP任务中数据预处理环节的相关任务。

1.1 Tokenizer工具中的组件

在词表工具Tokenizer中，主要通过PreTrainedTokenizer类实现对外接口的使用。

1.1.1 Normaizer

对输入字符串进行规范化转换，如对文本进行小写转换、使用uni-code规范化。

1.1.2 PreTokenizer

对输入数据进行预处理，如基于字节空格、字符等级别对文本进'Madel：生成和使用子词的横型，如Wordlevel、BPE、WordPlece等模型。这部分是可训练的。

1.1.3 Post-Processor

对分词后的文本进行二次处理。例如，在BERT模型中，使用ssor为输入文本添加特殊字符（如[CLS]、[SEP]等)。

1.1.4 Dcoder

负责将标记化输入映射回原始字符串。

1.1.5 Trainer

为每个模型提供培训能力。

1.2 子词的拆分

词表工具将liyongle分成了[lI'，yong'，'#le]，使用子词的拆分技术可以防止NLP任务中，在覆盖大量词汇的同时，词表过大的问题。

1.2.1 子词的拆分原理

在进行NLP时，通过为每个不同词对应一个不同的向量，来完成文字到数值之间的转换，这个映射表被称作词表。

1.2.2 字词拆分优势

对于某些形态学丰富的语言（如德语，或是带有时态动词的英语)，如果将每个变化的词都对应一个数值，则会导致词表过大的问题。而且这种方式使得两个词之间彼此独立，也不能体现出其本身的相近意思（如pad和padding)。

子词就是将一般的词，如padding分解成更小单元pad+ding。而这些小单元也有各自意思，同时这些小单元也能用到其他词中。子词与单词中的词根、词缀非常相似。通过将间分解成子词，可以大大降低模型的词汇量，减少运算量。

1.2.3 于统计方法实现的子词的分词方法

Byte Pair Encoding(BPE)法：统计频次，即先对语料统计出相邻符号对的频次，再根据频词进行融合。

WordPiece法：WordPiece法统计最大似然，是Google公司内部的子词包，其未对外公开。BERT最初用的就是WordPiece法分词。

Unigram Language Model法：先初始化一个大词表，接着通过语言模型评估不断减少词表，一直减少到限定词汇量。

1.2.4 使用模型训练的方法对子词进行拆分

在神经网络模型中，还可以使用模型训练的方法对子词进行拆分。常见的有子词正则和BPEDropout方法。二者相比，BPEDropout方法更为出色。

1.2.5 模型中使用子词

在模型的训练过程中，输入的句子是以子词形式存在的，这种方式得到的预测结果也是子词。

当使用模型进行预测时，模型输出子词之后，再将其合并成整词即可。例如，训练时先把liyongle分成了[lI'，yong'，'##le']，获得结果后，将句子中的“##”去掉即可。

2 PreTrainedTokenizer类

2.1 PreTrainedTokenizer类中的特殊词

在PreTrainedTokenizer类中，将词分成了两部分：普通词与特殊词。其中特殊词是指用于标定句子的特殊标记，主要是在训练模型中使用

2.1.1 使用代码查看系统特殊词

import torch
from transformers import BertTokenizer, BertForMaskedLM
# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
for tokerstr in tokenizer.SPECIAL_TOKENS_ATTRIBUTES:
    strto = "tokenizer." + tokerstr
    print(tokerstr, eval(strto))
# 获得标记词在词表中的索引值
print(“masktken”，tokenizer.mask_token,tokenizer.mask_token_id)
# 输出
输出：
bos_token None 
eos_token None
unk_token [UNK] # 未知标记
Using bos_token, but it is not set yet.
sep_token [SEP] # 句子结束标记
pad_token [PAD] # 填充标记
Using eos_token, but it is not set yet.
cls_token [CLS] # 开始标记
mask_token [MASK] # 遮蔽词标记
additional_special_tokens [] # 用于扩充使用，用户可以把自己的自定义特殊词添加到里面，可以对应多个标记，这些标记都会被放到列表中。获取该词对应的标记并不是一个，在获取对应索引值时，需要使用additional_special_tokens_ids属性。

2.2 PreTrainedTokenizer类中特殊词的使用方法

2.2.1 encode完整定义

def encode(self,
           text, # 第一个句子
           text_pair=None,  #第二个句子
           add_special_tokens=True,#是否添加特殊词，如果为False，则不会增加[CLS],[SEP]等标记词
           max_length=None, # #最大长度
           stride=0, #返回截断词的步长窗口，stride在encode方法中没有任何意义。该参数主要为兼容底层的encode_plus方法。在encode_plus方法中，会根据stride的设置来返回从较长句子中截断的词。
           truncation_strategy="longest_first", # 截断策略
            #截断策略：longest_first（默认值)）当输入是2个句子的时候，从较长的那个句子开始处理对其进行截断，使其长度小于max_length参数。
            #截断策略：only_frst：只截断第一个句子。
            #截断策略：only_second：只截断第二个句子。
            #截断策略：dou not_truncate：不截断（如果输入句子的长度大于max_length参数，则会发生错误)。
           pad_to_max_length=False,#对长度不足的句子是否填充
           return_tensors=None, #是否返回张量类型,可以设置成"tf"或"pt"，主要用于指定是否返回PyTorch或TensorFlow框架下的张量类型。如果不设置，默认为None，即返回Python中的列表类型。
           **kwargs
           )

2.2.2 代码实现：使用encode方法实现语句分词与分句

from transformers import BertTokenizer, BertForMaskedLM
# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
# encode方法对每句话的开头和结尾都分别使用了[CLS]和[SEP]进行标记，并对其进行分词
one_toind = tokenizer.encode("Who is Li BiGor ?")#将第一句转化成向量
two_toind = tokenizer.encode("Li BiGor is a programmer")#将第二句转化成向量
# 在合并时,使用了two_toind[1:]将第二句的开头标记[CLS]去掉,表明两个句子属于一个段落。
all_toind = one_toind+two_toind[1:] #将两句合并
print(tokenizer.convert_ids_to_tokens(one_toind))
print(tokenizer.convert_ids_to_tokens(two_toind))
print(tokenizer.convert_ids_to_tokens(all_toind))
# 输出：
# ['[CLS]', 'who', 'is', 'li', 'big', '##or', '?', '[SEP]']
# ['[CLS]', 'li', 'big', '##or', 'is', 'a', 'programmer', '[SEP]']
# ['[CLS]', 'who', 'is', 'li', 'big', '##or', '?', '[SEP]', 'li', 'big', '##or', 'is', 'a', 'programmer', '[SEP]']

2.2.3 代码实现：使用encode方法实现语句的索引值填充

from transformers import BertTokenizer, BertForMaskedLM
# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
# encode方法的参数max_length代表转换后的总长度.如果超过该长度,则会被截断。
# 如果小于该长度，并且参数pad_to_max_length为True时，则会对其进行填充。
padd_sequence_word = tokenizer.encode("Li BiGor is a man",max_length=10,pad_to_max_length=True)
print("padd_sequence_word:",padd_sequence_word)
# 输出：padd_sequence_word: [101, 5622, 2502, 2953, 2003, 1037, 2158, 102, 0, 0]

2.2.4 代码实现：使用encode方法实现语句的截断

from transformers import BertTokenizer, BertForMaskedLM
# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
return_num = tokenizer.encode("Li BiGor is a man",max_length=5)
return_word = tokenizer.decode(return_num) # 使用decode将索引值转化为汉子
print("return_word：",return_word)
# 输出：return_word： [CLS] li bigor [SEP]

2.2.5 代码实现：使用encode_plus方法完成非填充部分的掩码标志，被截短词的附加信息

# encode_plus方法是PreTrainedTokenzer类中更为底层的方法。在调用encode方法时，最终也是通过encode_plus方法来实现的。
from transformers import BertTokenizer, BertForMaskedLM
# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
# encode_plus方法输出了一个字典，字典中含有3个元素：
# input_jds：对句子处理后的词素引值，与encode方法输出的结果一致。
# token_type_ids：对两个句子中的词进行标识，属于第一个句子中的词用0表示，属于第二个句子中的词用1表示。
# attention_mask：表示非填充部分的掩码，非填充部分的词用1表示，填充部分的词用0表示。
padded_plus_toind = tokenizer.encode_plus("Li BiGor is a man",maxlength = 10,pad_to_max_length=True)
print("padded_plus_toind：",padded_plus_toind)
# 输出：padded_plus_toind： {'input_ids': [101, 5622, 2502, 2953, 2003, 1037, 2158, 102],
#                        'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0],
#                        'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1]
#                        }

2.2.5 代码实现：使用batch_encode_pus方法批处理语句

# batch_encode_pus方法同时处理两个句子，并输出了一个字典对象两个句子对应的处理结果被放在字典对象value的列表中。
from transformers import BertTokenizer, BertForMaskedLM
# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
tokens = tokenizer.batch_encode_plus(["This is a sample","This is another longer sample text"],pad_to_max_length=True )
print(tokens)
# 输出：{'input_ids': [[101, 2023, 2003, 1037, 7099, 102, 0, 0], [101, 2023, 2003, 2178, 2936, 7099, 3793, 102]],
#     'token_type_ids': [[0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0]],
#     'attention_mask': [[1, 1, 1, 1, 1, 1, 0, 0], [1, 1, 1, 1, 1, 1, 1, 1]]}

3 向PreTrainedTokenizer类中添加词（普通词和特殊词）

3.1 方法定义

1.添加普通词:调用add_tokens方法,填入新词的字符串.

2.添加特殊词:调用add_Special_tokens方法,填入特殊词字典.

3.2 代码实现：向PreTrainedTokenizer类中添加词（普通词和特殊词）

from transformers import BertTokenizer, BertForMaskedLM
# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
print("-------------------------添加特殊词前-------------------------")
print("特殊词列表",tokenizer.additional_special_tokens) # 特殊词列表 ['<#>']
print("特殊词索引值列表:",tokenizer.additional_special_tokens_ids) # 特殊词索引值列表: [30522]
toind = tokenizer.encode("<#> yes <#>")
print(tokenizer.convert_ids_to_tokens(toind))
 # 将索引词转化成字符串并输出 ：['[CLS]', '<', '#', '>', 'yes', '<', '#', '>', '[SEP]']
print(len(tokenizer))# 输出词表总长度:30522
print("-------------------------添加特殊词后-------------------------")
special_tokens_dict = {'additional_special_tokens':["<#>"]}
tokenizer.add_special_tokens(special_tokens_dict)  # 添加特殊词
print("特殊词列表",tokenizer.additional_special_tokens) # 特殊词列表 []
print("特殊词索引值列表:",tokenizer.additional_special_tokens_ids) # 特殊词索引值列表: []
toind = tokenizer.encode("<#> yes <#>")
print(tokenizer.convert_ids_to_tokens(toind))  # tokenzer在分词时，没有将“<#>”字符拆开。
# 将索引词转化成字符串并输出 ：['[CLS]', '<#>', 'yes', '<#>', '[SEP]']
print(len(tokenizer))   # 输出词表总长度:30523

【Pytorch神经网络理论篇】 40 Transformers中的词表工具Tokenizer