Huggingface 保存分词器

Question

我正在尝试将分词器保存在 huggingface 中，以便稍后可以从不需要访问互联网的容器中加载它。

BASE_MODEL = "distilbert-base-multilingual-cased"
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL)
tokenizer.save_vocabulary("./models/tokenizer/")
tokenizer2 = AutoTokenizer.from_pretrained("./models/tokenizer/")

然而，最后一行给出了错误：

OSError: Can't load config for './models/tokenizer3/'. Make sure that:

- './models/tokenizer3/' is a correct model identifier listed on 'https://huggingface.co/models'

- or './models/tokenizer3/' is the correct path to a directory containing a config.json file

变形金刚版本：3.1.0

不幸的是没有帮助。

编辑 1

感谢@ashwin 下面的回答，我尝试了 save_pretrained，但出现以下错误：

OSError: Can't load config for './models/tokenizer/'. Make sure that:

- './models/tokenizer/' is a correct model identifier listed on 'https://huggingface.co/models'

- or './models/tokenizer/' is the correct path to a directory containing a config.json file

分词器文件夹的内容如下：

我尝试将 tokenizer_config.json 重命名为 config.json，然后出现错误：

ValueError: Unrecognized model in ./models/tokenizer/. Should have a `model_type` key in its config.json, or contain one of the following strings in its name: retribert, t5, mobilebert, distilbert, albert, camembert, xlm-roberta, pegasus, marian, mbart, bart, reformer, longformer, roberta, flaubert, bert, openai-gpt, gpt2, transfo-xl, xlnet, xlm, ctrl, electra, encoder-decoder

Answer 1

save_vocabulary()，只保存tokenizer的词汇文件（List of BPE tokens）。

要保存整个分词器，您应该使用save_pretrained()

因此，如下：

BASE_MODEL = "distilbert-base-multilingual-cased"
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL)
tokenizer.save_pretrained("./models/tokenizer/")
tokenizer2 = DistilBertTokenizer.from_pretrained("./models/tokenizer/")

编辑：

出于某种未知原因：而不是

tokenizer2 = AutoTokenizer.from_pretrained("./models/tokenizer/")

使用

tokenizer2 = DistilBertTokenizer.from_pretrained("./models/tokenizer/")

有效。

Answer 2

重命名“tokenizer_config.json”文件——由 save_pretrained() 函数创建的文件——重命名为“config.json”解决了我环境中的相同问题。

Answer 3

您需要将模型和分词器保存在同一目录中。 HuggingFace 实际上是在寻找您模型的 config.json 文件，因此重命名 tokenizer_config.json 不会解决问题

Huggingface 保存分词器

Huggingface saving tokenizer

huggingface-transformers

huggingface-tokenizers

编辑 1