トークナイザーは、モデルの入力の準備を担当します。ライブラリには、すべてのモデルのトークナイザーが含まれています。ほとんど トークナイザーの一部は、完全な Python 実装と、 Rust ライブラリ 🤗 Tokenizers。 「高速」実装では次のことが可能になります。
- 特にバッチトークン化を行う場合の大幅なスピードアップと
- 元の文字列 (文字と単語) とトークン空間の間でマッピングする追加のメソッド (例: 特定の文字を含むトークンのインデックス、または特定のトークンに対応する文字の範囲）。
基本クラス [PreTrainedTokenizer] および [PreTrainedTokenizerFast]
モデル入力の文字列入力をエンコードし (以下を参照)、Python をインスタンス化/保存するための一般的なメソッドを実装します。
ローカル ファイルまたはディレクトリ、またはライブラリによって提供される事前トレーニング済みトークナイザーからの「高速」トークナイザー
(HuggingFace の AWS S3 リポジトリからダウンロード)。二人とも頼りにしているのは、
共通メソッドを含む [~tokenization_utils_base.PreTrainedTokenizerBase]
[~tokenization_utils_base.SpecialTokensMixin]。
したがって、[PreTrainedTokenizer] と [PreTrainedTokenizerFast] はメインを実装します。
すべてのトークナイザーを使用するためのメソッド:
- トークン化 (文字列をサブワード トークン文字列に分割)、トークン文字列を ID に変換したり、その逆の変換を行ったりします。 エンコード/デコード (つまり、トークン化と整数への変換)。
- 基礎となる構造 (BPE、SentencePiece...) から独立した方法で、語彙に新しいトークンを追加します。
- 特別なトークン (マスク、文の始まりなど) の管理: トークンの追加、属性への割り当て。 トークナイザーにより、簡単にアクセスでき、トークン化中に分割されないようにすることができます。
[BatchEncoding] は、
[~tokenization_utils_base.PreTrainedTokenizerBase] のエンコード メソッド (__call__、
encode_plus および batch_encode_plus) であり、Python 辞書から派生しています。トークナイザーが純粋な Python の場合
tokenizer の場合、このクラスは標準の Python 辞書と同じように動作し、によって計算されたさまざまなモデル入力を保持します。
これらのメソッド (input_ids、attention_mask...)。トークナイザーが「高速」トークナイザーである場合 (つまり、
HuggingFace トークナイザー ライブラリ)、このクラスはさらに提供します
元の文字列 (文字と単語) と
トークンスペース (例: 指定された文字または対応する文字の範囲を構成するトークンのインデックスの取得)
与えられたトークンに）。
[[autodoc]] PreTrainedTokenizer - call - apply_chat_template - batch_decode - decode - encode - push_to_hub - all
[PreTrainedTokenizerFast] は tokenizers ライブラリに依存します。 🤗 トークナイザー ライブラリから取得したトークナイザーは、
🤗 トランスに非常に簡単にロードされます。これがどのように行われるかを理解するには、🤗 tokenizers からの tokenizers を使用する ページを参照してください。
[[autodoc]] PreTrainedTokenizerFast - call - apply_chat_template - batch_decode - decode - encode - push_to_hub - all
[[autodoc]] BatchEncoding