word-embedding - 如何使用transformers.BertTokenizer对多个句子进行编码？

Question

我想通过使用 transform.BertTokenizer 对多个句子进行编码来创建一个小批量。它似乎适用于一个句子。如何使它适用于几个句子？

from transformers import BertTokenizer

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

# tokenize a single sentence seems working
tokenizer.encode('this is the first sentence')
>>> [2023, 2003, 1996, 2034, 6251]

# tokenize two sentences
tokenizer.encode(['this is the first sentence', 'another sentence'])
>>> [100, 100] # expecting 7 tokens

标签： word-embeddinghuggingface-transformershuggingface-tokenizers

Answer 1

transformers >= 4.0.0：tokenizer
的 使用__call__方法。它将为每个输入句子生成一个包含,和as 列表的字典：input_idstoken_type_idsattention_mask

tokenizer(['this is the first sentence', 'another setence'])

输出：

{'input_ids': [[101, 2023, 2003, 1996, 2034, 6251, 102], [101, 2178, 2275, 10127, 102]], 'token_type_ids': [[0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0]], 'attention_mask': [[1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1]]}

变压器 < 4.0.0：
使用tokenizer.batch_encode_plus（文档）。它将为每个输入句子生成一个包含input_ids,token_type_ids和as 列表的字典：attention_mask

tokenizer.batch_encode_plus(['this is the first sentence', 'another setence'])

输出：

{'input_ids': [[101, 2023, 2003, 1996, 2034, 6251, 102], [101, 2178, 2275, 10127, 102]], 'token_type_ids': [[0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0]], 'attention_mask': [[1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1]]}

适用于call和 batch_encode_plus：
如果您只想生成 input_ids，则必须将return_token_type_idsans设置return_attention_mask为 False：

tokenizer.batch_encode_plus(['this is the first sentence', 'another setence'], return_token_type_ids=False, return_attention_mask=False)

输出：

{'input_ids': [[101, 2023, 2003, 1996, 2034, 6251, 102], [101, 2178, 2275, 10127, 102]]}