将拥抱脸标记映射到原始输入文本

Posted 2023-03-29

【中文标题】将拥抱脸标记映射到原始输入文本

【英文标题】：Mapping huggingface tokens to original input text

【发布时间】：2022-01-03 13:06:33

【问题描述】：

如何将我从 huggingface DistilBertTokenizer 获得的标记映射到输入文本的位置？

例如I have a new GPU -> ["i", "have", "a", "new", "gp", "##u"] -> [(0, 1), (2, 6), ...]

我对此感兴趣，因为假设我为每个标记分配了一些注意力值，我想显示它实际对应的原始文本的哪一部分，因为标记化版本对非 ML 人不友好。

我还没有找到任何解决方案，尤其是当有[UNK] 令牌时。任何见解将不胜感激。谢谢！

【问题讨论】：

你说的是字符映射吗？您是否必须显示每个单独的（子词）标记，或者它是否可以替代平均子词并将它们合并在一起（例如，平均 gp 和 ##u）？

【参考方案1】：

在较新版本的 Transformers 中（似乎从 2.8 开始），当使用方法 __call__、encode_plus 和 batch_encode_plus 时，调用标记器会返回类 BatchEncoding 的对象。您可以使用方法token_to_chars 获取批处理中的索引并返回原始字符串中的字符范围。

【讨论】：

请注意，应该使用encode_plus is now deprecated 和__call__ 代替（也就是说，不要使用tokenizer.encode_plus("My input string")，而是使用tokenizer("My input string")；它返回一个具有@987654333 方法的BatchEncoding 对象@)。