使用编码工具
本文主要介绍了对句子编码的过程，以及如何使用PyTorch中自带的编码工具，包括基本编码encode()、增强编码encode_plus()和批量编码batch_encode_plus()。
一.对一个句子编码例子
假设想在要对句子'the quick brown fox jumps over a lazy dog'进行编码，该如何处理呢？简单理解编码就是用数字表示单词，并且用特殊符号代表一个句子的开头和结束。
vocab表示一个例子字典，在句子的开头和结束添加
def encode_example_test():
# 字典
vocab = {
'<SOS>': 0,
'<EOS>': 1,
'the': 2,
'quick': 3,
'brown': 4,
'fox': 5,
'jumps': 6,
'over': 7,
'a': 8,
'lazy': 9,
'dog': 10,
}
# 简单编码
sent = 'the quick brown fox jumps over a lazy dog'
sent = '<SOS> ' + sent + ' <EOS>'
print(sent)
# 英文分词
words = sent.split()
print(words)
# 编码为数字
encode = [vocab[i] for i in words]
print(encode)
可见编码工作流程包括定义字典、句子预处理、分词和编码4个步骤：
二.使用编码工具
接下来介绍使用HuggingFace提供的编码工具。
1.基本的编码函数encode()
def encode_test():
# 第2章/加载编码工具
from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained(
pretrained_model_name_or_path='bert-base-chinese', # 通常编码工具和模型名字一致
cache_dir=None, # 编码工具的缓存路径
force_download=False, # 是否强制下载，当为True时，无论是否有本地缓存，都会强制下载
)
# 第2章/准备实验数据
sents = [
'你站在桥上看风景',
'看风景的人在楼上看你',
'明月装饰了你的窗子',
'你装饰了别人的梦',
]
# 第2章/基本的编码函数
out = tokenizer.encode(
text=sents[0],
text_pair=sents[1], # 如果只想编码一个句子，可设置text_pair=None
truncation=True, # 当句子长度大于max_length时截断
padding='max_length', # 一律补PAD，直到max_length长度
add_special_tokens=True, # 需要在句子中添加特殊符号
max_length=25, # 最大长度
return_tensors=None, # 返回的数据类型为list格式，也可以赋值为tf、pt、np，分别表示TensorFlow、PyTorch、NumPy数据格式
)
print(out)
print(tokenizer.decode(out))
输出结果如下所示：
[101, 872, 4991, 1762, 3441, 677, 4692, 7599, 3250, 102, 4692, 7599, 3250, 4638, 782, 1762, 3517, 677, 4692, 872, 102, 0, 0, 0, 0]
[CLS] 你 站 在 桥 上 看 风 景 [SEP] 看 风 景 的 人 在 楼 上 看 你 [SEP] [PAD] [PAD] [PAD] [PAD]
可见编码工具把两个句子前后拼接在一起，中间使用[SEP]符号分隔，在整个句子的头部添加符号[CLS]，在整个句子的尾部添加符号[SEP]，因为句子的长度不足max_length，所以又补充了4个[PAD]。
2.进阶的编码函数encode_plus()
def encode_plus_test():
# 第2章/加载编码工具
from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained(
pretrained_model_name_or_path='bert-base-chinese', # 通常编码工具和模型名字一致
cache_dir=None, # 编码工具的缓存路径
force_download=False, # 是否强制下载，当为True时，无论是否有本地缓存，都会强制下载
)
# 第2章/准备实验数据
sents = [
'你站在桥上看风景',
'看风景的人在楼上看你',
'明月装饰了你的窗子',
'你装饰了别人的梦',
]
# 第2章/进阶的编码函数
out = tokenizer.encode_plus(
text=sents[0],
text_pair=sents[1],
truncation=True, # 当句子长度大于max_length时截断
padding='max_length', # 一律补零，直到max_length长度
max_length=25,
add_special_tokens=True,
return_tensors=None, # 可取值tf、pt、np，默认为返回list
return_token_type_ids=True, # 返回token_type_ids
return_attention_mask=True, # 返回attention_mask
return_special_tokens_mask=True, # 返回special_tokens_mask特殊符号标识
return_length=True, # 返回length标识长度
)
# input_ids：编码后的词
# token_type_ids：第1个句子和特殊符号的位置是0，第2个句子的位置是1
# special_tokens_mask：特殊符号的位置是1，其他位置是0
# attention_mask：PAD的位置是0，其他位置是1
# length：返回句子长度
for k, v in out.items():
print(k, ':', v)
print(tokenizer.decode(out['input_ids']))
参数return_token_type_ids、return_attention_mask、return_special_tokens_mask、return_length表明需要返回相应的编码结果，如果指定为False，则不会返回对应的内容。
3.批量的编码函数batch_encode_plus()
顾名思义就是一次可以编码多个句子。
def batch_encode_plus_test():
# 第2章/加载编码工具
from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained(
pretrained_model_name_or_path='bert-base-chinese', # 通常编码工具和模型名字一致
cache_dir=None, # 编码工具的缓存路径
force_download=False, # 是否强制下载，当为True时，无论是否有本地缓存，都会强制下载
)
# 第2章/准备实验数据
sents = [
'你站在桥上看风景',
'看风景的人在楼上看你',
'明月装饰了你的窗子',
'你装饰了别人的梦',
]
# 第2章/批量编码成对的句子
out = tokenizer.batch_encode_plus(
batch_text_or_text_pairs=[(sents[0], sents[1]), (sents[2], sents[3])], # 编码成对的句子，如果只想编码一个句子，那么batch_text_or_text_pairs=[sents[0], sents[1]]
add_special_tokens=True, # 需要在句子中添加特殊符号
truncation=True, # 当句子长度大于max_length时截断
padding='max_length', # 一律补零，直到max_length长度
max_length=25,
return_tensors=None, # 可取值tf、pt、np，默认为返回list
return_token_type_ids=True, # 返回token_type_ids：第1个句子和特殊符号的位置是0，第2个句子的位置是1
return_attention_mask=True, # 返回attention_mask：PAD的位置是0，其他位置是1
return_special_tokens_mask=True, # 返回special_tokens_mask特殊符号标识：特殊符号的位置是1，其他位置是0
# return_offsets_mapping=True, # 返回offsets_mapping标识每个词的起止位置，这个参数只能BertTokenizerFast使用
return_length=True, # 返回编码后句子的长度
)
# input_ids：编码后的词
# token_type_ids：第1个句子和特殊符号的位置是0，第2个句子的位置是1
# special_tokens_mask：特殊符号的位置是1，其他位置是0
# attention_mask：PAD的位置是0，其他位置是1
# length：返回句子长度
for k, v in out.items():
print(k, ':', v)
tokenizer.decode(out['input_ids'][0])
4.对字典的操作
def dict_test():
# 第2章/加载编码工具
from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained(
pretrained_model_name_or_path='bert-base-chinese', # 通常编码工具和模型名字一致
cache_dir=None, # 编码工具的缓存路径
force_download=False, # 是否强制下载，当为True时，无论是否有本地缓存，都会强制下载
)
# 第2章/获取字典
vocab = tokenizer.get_vocab()
print(type(vocab), len(vocab), '明月' in vocab) # <class 'dict'> 21128 False
# 第2章/添加新词
tokenizer.add_tokens(new_tokens=['明月', '装饰', '窗子'])
# 第2章/添加新符号
tokenizer.add_special_tokens({'eos_token': '[EOS]'})
# 第2章/编码新添加的词
out = tokenizer.encode(
text='明月装饰了你的窗子[EOS]',
text_pair=None,
truncation=True, # 当句子长度大于max_length时截断
padding='max_length', # 一律补PAD，直到max_length长度
add_special_tokens=True, # 需要在句子中添加特殊符号
max_length=10,
return_tensors=None, # 可取值tf、pt、np，默认为返回list
)
print(out)
print(tokenizer.decode(out)) # [CLS] 明月 装饰 了 你 的 窗子 [EOS] [SEP] [PAD]
可以"明月"、"装饰"、"窗子"已经被识别为一个词，而不是两个词，新的特殊符号[EOS]也被正确识别。
参考文献：
[1]《HuggingFace自然语言处理详解：基于BERT中文模型的任务实战》
