wehub-resource-sync
e06fe8e8c6
Secret Leaks / trufflehog (push) Failing after 1s
Build documentation / build (push) Failing after 1s
Build documentation / build_other_lang (push) Failing after 0s
CodeQL Security Analysis / CodeQL Analysis (push) Failing after 0s
PR CI / pr-ci (push) Failing after 1s
Slow tests on important models (on Push - A10) / Get all modified files (push) Failing after 1s
Slow tests on important models (on Push - A10) / Model CI (push) Has been skipped
Self-hosted runner (benchmark) / Benchmark (aws-g5-4xlarge-cache) (push) Has been cancelled
New model PR merged notification / Notify new model (push) Has been cancelled
Update Transformers metadata / build_and_package (push) Has been cancelled
75 lines
3.1 KiB
Markdown
75 lines
3.1 KiB
Markdown
<!--Copyright 2022 The HuggingFace Team. All rights reserved.
|
|
|
|
Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with
|
|
the License. You may obtain a copy of the License at
|
|
|
|
http://www.apache.org/licenses/LICENSE-2.0
|
|
|
|
Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on
|
|
an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the
|
|
specific language governing permissions and limitations under the License.
|
|
|
|
⚠️ Note that this file is in Markdown but contain specific syntax for our doc-builder (similar to MDX) that may not be
|
|
rendered properly in your Markdown viewer.
|
|
|
|
-->
|
|
|
|
# Usa los tokenizadores de 🤗 Tokenizers
|
|
|
|
[`PreTrainedTokenizerFast`] depende de la biblioteca [🤗 Tokenizers](https://huggingface.co/docs/tokenizers). Los tokenizadores obtenidos desde la biblioteca 🤗 Tokenizers pueden ser
|
|
cargados de forma muy sencilla en los 🤗 Transformers.
|
|
|
|
Antes de entrar en detalles, comencemos creando un tokenizador dummy en unas cuantas líneas:
|
|
|
|
```python
|
|
>>> from tokenizers import Tokenizer
|
|
>>> from tokenizers.models import BPE
|
|
>>> from tokenizers.trainers import BpeTrainer
|
|
>>> from tokenizers.pre_tokenizers import Whitespace
|
|
|
|
>>> tokenizer = Tokenizer(BPE(unk_token="[UNK]"))
|
|
>>> trainer = BpeTrainer(special_tokens=["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"])
|
|
|
|
>>> tokenizer.pre_tokenizer = Whitespace()
|
|
>>> files = [...]
|
|
>>> tokenizer.train(files, trainer)
|
|
```
|
|
|
|
Ahora tenemos un tokenizador entrenado en los archivos que definimos. Lo podemos seguir utilizando en ese entorno de ejecución (runtime en inglés), o puedes guardarlo
|
|
en un archivo JSON para reutilizarlo en un futuro.
|
|
|
|
## Cargando directamente desde el objeto tokenizador
|
|
|
|
Veamos cómo utilizar este objeto tokenizador en la biblioteca 🤗 Transformers. La clase
|
|
[`PreTrainedTokenizerFast`] permite una instanciación fácil, al aceptar el objeto
|
|
*tokenizer* instanciado como argumento:
|
|
|
|
```python
|
|
>>> from transformers import PreTrainedTokenizerFast
|
|
|
|
>>> fast_tokenizer = PreTrainedTokenizerFast(tokenizer_object=tokenizer)
|
|
```
|
|
|
|
Este objeto ya puede ser utilizado con todos los métodos compartidos por los tokenizadores de 🤗 Transformers! Visita la [página sobre tokenizadores
|
|
](main_classes/tokenizer) para más información.
|
|
|
|
## Cargando desde un archivo JSON
|
|
|
|
Para cargar un tokenizador desde un archivo JSON, comencemos por guardar nuestro tokenizador:
|
|
|
|
```python
|
|
>>> tokenizer.save("tokenizer.json")
|
|
```
|
|
|
|
La localización (path en inglés) donde este archivo es guardado puede ser incluida en el método de inicialización de [`PreTrainedTokenizerFast`]
|
|
utilizando el parámetro `tokenizer_file`:
|
|
|
|
```python
|
|
>>> from transformers import PreTrainedTokenizerFast
|
|
|
|
>>> fast_tokenizer = PreTrainedTokenizerFast(tokenizer_file="tokenizer.json")
|
|
```
|
|
|
|
Este objeto ya puede ser utilizado con todos los métodos compartidos por los tokenizadores de 🤗 Transformers! Visita la [página sobre tokenizadores
|
|
](main_classes/tokenizer) para más información.
|