本文主要是介绍【AI大模型】Transformers大模型库(三):特殊标记(special tokens),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
目录
一、引言
二、特殊标记(special tokens)
2.1 概述
2.2 主要功能
2.3 代码示例
三、总结
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 BertTokenizertokenizer = 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。
三、总结
本文对使用transformers的特殊标记(special tokens)进行说明,特殊标记主要用于分割句子,在模型训练中引入“断句”、“开头”、“结尾”相关的信息。
如果您还有时间,可以看看我的其他文章:
《AI—工程篇》
AI智能体研发之路-工程篇(一):Docker助力AI智能体开发提效
AI智能体研发之路-工程篇(二):Dify智能体开发平台一键部署
AI智能体研发之路-工程篇(三):大模型推理服务框架Ollama一键部署
AI智能体研发之路-工程篇(四):大模型推理服务框架Xinference一键部署
AI智能体研发之路-工程篇(五):大模型推理服务框架LocalAI一键部署
《AI-模型篇》
AI智能体研发之路-模型篇(一):大模型训练框架LLaMA-Factory在国内网络环境下的安装、部署及使用
AI智能体研发之路-模型篇(二):DeepSeek-V2-Chat 训练与推理实战
AI智能体研发之路-模型篇(三):中文大模型开、闭源之争
AI智能体研发之路-模型篇(四):一文入门pytorch开发
AI智能体研发之路-模型篇(五):pytorch vs tensorflow框架DNN网络结构源码级对比
AI智能体研发之路-模型篇(六):【机器学习】基于tensorflow实现你的第一个DNN网络
AI智能体研发之路-模型篇(七):【机器学习】基于YOLOv10实现你的第一个视觉AI大模型
AI智能体研发之路-模型篇(八):【机器学习】Qwen1.5-14B-Chat大模型训练与推理实战
这篇关于【AI大模型】Transformers大模型库(三):特殊标记(special tokens)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!