变形金刚 BartTokenizer::add_tokens() 不像我对后缀的预期那样工作

Posted 2023-03-29

【中文标题】变形金刚 BartTokenizer::add_tokens() 不像我对后缀的预期那样工作

【英文标题】：transformers BartTokenizer::add_tokens() Doesn't Work as I'd Expect for Suffixes

【发布时间】：2022-01-06 00:11:13

【问题描述】：

我似乎可以毫无问题地添加标记，但如果我尝试添加后缀（即.. 前面没有初始化字符 'Ġ' 的后缀），标记器不会在其中添加空格正确的位置。这是一些非常简化的测试代码。

from   copy import deepcopy
from   transformers import BartTokenizer
# Get the different tokenizers
tokenizer     = BartTokenizer.from_pretrained('facebook/bart-base')
tokenizer_ext = deepcopy(tokenizer)
# Note that putting Ġ after the token causes the token not to be used
num_added     = tokenizer_ext.add_tokens(['-of', '_01', 'WXYZ'])
# Original sentence
print('Original')
serial  = ':ARG0-of ( sense_01 :ARG1 ( urgencyWXYZ )'
print(serial)
print()
# Baseline tokenizer
print('Bart default tokenizer')
tokens  = tokenizer.tokenize(serial)
out_str = tokenizer.convert_tokens_to_string(tokens)
print(tokens)
print(out_str)
print()
# extended tokenizer
print('Extended tokenizer')
tokens  = tokenizer_ext.tokenize(serial)
out_str = tokenizer_ext.convert_tokens_to_string(tokens)
print(tokens)
print(out_str) 

这给了...

Original
:ARG0-of ( sense_01 :ARG1 ( urgencyWXYZ )

Bart default tokenizer
[':', 'AR', 'G', '0', '-', 'of', 'Ġ(', 'Ġsense', '_', '01', 'Ġ:', 'AR', 'G', '1', 'Ġ(', 'Ġurgency', 'W', 'XY', 'Z', 'Ġ)']
:ARG0-of ( sense_01 :ARG1 ( urgencyWXYZ )

Extended tokenizer
[':', 'AR', 'G', '0', '-of', '(', 'Ġsense', '_01', ':', 'AR', 'G', '1', 'Ġ(', 'Ġurgency', 'WXYZ', ')']
:ARG0-of( sense_01:ARG1 ( urgencyWXYZ)

请注意，默认的 bart 分词器会产生与原始句子相同的输出，但扩展的分词器不会在新的后缀分词之后放置空格。即.. 它选择'(' 而不是'Ġ('。知道为什么会这样以及添加后缀标记的正确方法是什么？

【参考方案1】：

简短的回答是，在为 Bart（以及 RoBerta、GPT2 等）添加的标记的处理中存在“行为”（错误？），它明确地从相邻（左右）标记中去除空格到添加令牌的位置。我没有看到一个简单的解决方法。

添加的标记在转换器的标记器代码中以不同方式处理。首先拆分文本，使用Trie 来识别添加的标记列表中的任何标记（请参阅tokenization_utils.py::tokenize()）。在文本中找到任何添加的标记后，然后使用现有的 vocab/bpe 编码方案对其余部分进行标记（参见tokenization_gpt2.py::_tokenize()）

添加的标记被添加到self.unique_no_split_tokens 列表中，以防止它们被进一步分解成更小的块。处理此问题的代码（请参阅tokenization_utils.py::tokenize() 显式去除左右标记的空格。

您可以手动将它们从“不拆分”列表中删除，但随后它们可能会被分解为更小的子组件。

请注意，对于“特殊标记”，如果您在 AddedToken 类中添加标记，则可以设置 lstrip 和 rstrip 行为，但这不适用于非特殊标记。

请参阅 https://github.com/huggingface/transformers/blob/v4.12.5-release/src/transformers/tokenization_utils.py#L517 以了解删除空格的 else 语句。