分词器解码步骤中的分词到单词的映射 huggingface？

Question

有没有办法知道 tokenizer.decode() 函数中从标记到原始单词的映射？
例如：

from transformers.tokenization_roberta import RobertaTokenizer

tokenizer = RobertaTokenizer.from_pretrained('roberta-large', do_lower_case=True)

str = "This is a tokenization example"
tokenized = tokenizer.tokenize(str) 
## ['this', 'Ġis', 'Ġa', 'Ġtoken', 'ization', 'Ġexample']

encoded = tokenizer.encode_plus(str) 
## encoded['input_ids']=[0, 42, 16, 10, 19233, 1938, 1246, 2]

decoded = tokenizer.decode(encoded['input_ids']) 
## '<s> this is a tokenization example</s>'

而 objective 是要有一个函数，将 decode 过程中的每个标记映射到正确的输入词，因为这里它将是：
desired_output = [[1],[2],[3],[4,5],[6]]
因为 this 对应于 id 42，而 token 和 ization 对应于索引 [19244,1938] =19=] input_ids 数组。

Answer 1

据我所知，他们没有内置方法，但您可以自己创建一个：

from transformers.tokenization_roberta import RobertaTokenizer

tokenizer = RobertaTokenizer.from_pretrained('roberta-large', do_lower_case=True)

example = "This is a tokenization example"

print({x : tokenizer.encode(x, add_special_tokens=False, add_prefix_space=True) for x in example.split()})

输出：

{'This': [42], 'is': [16], 'a': [10], 'tokenization': [19233, 1938], 'example': [1246]}

要准确获得所需的输出，您必须使用列表推导式：

#start index because the number of special tokens is fixed for each model (but be aware of single sentence input and pairwise sentence input)
idx = 1

enc =[tokenizer.encode(x, add_special_tokens=False, add_prefix_space=True) for x in example.split()]

desired_output = []

for token in enc:
    tokenoutput = []
    for ids in token:
      tokenoutput.append(idx)
      idx +=1
    desired_output.append(tokenoutput)

print(desired_output)

输出：

[[1], [2], [3], [4, 5], [6]]

Answer 2

如果您使用快速标记器，即来自 tokenizers 库的 Rust 支持版本，编码包含一个 word_ids 方法，可用于将子词映射回其原始词。 word 与 subword 的构成取决于分词器，词是由预分词阶段生成的东西，即由空格分割，子词由实际模型生成（BPE 或 Unigram 例如）。

下面的代码通常应该可以工作，即使预标记化执行了额外的拆分。例如，我创建了自己的基于 PascalCase 拆分的自定义步骤 - 这里的 words 是 Pascal 和 Case，接受的答案在这种情况下不起作用，因为它假定单词是用空格分隔的。

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained('roberta-large', do_lower_case=True)

example = "This is a tokenization example"

encoded = tokenizer(example)

desired_output = []
for word_id in encoded.word_ids():
    if word_id is not None:
        start, end = encoded.word_to_tokens(word_id)
        if start == end - 1:
            tokens = [start]
        else:
            tokens = [start, end-1]
        if len(desired_output) == 0 or desired_output[-1] != tokens:
            desired_output.append(tokens)
desired_output

分词器解码步骤中的分词到单词的映射 huggingface？

Tokens to Words mapping in the tokenizer decode step huggingface?

tokenize

pytorch

huggingface-transformers