BERT 词嵌入预处理是如何工作的

Question

我想弄清楚 BERT 预处理的作用。我的意思是，它是如何完成的。但我找不到很好的解释。如果有人知道，我将不胜感激 link 以获得更好且深入解释的解决方案。另一方面，如果有人想在这里解决它，我也将万分感谢！

我的问题是，BERT 如何以数学方式将字符串输入转换为固定大小的数字向量？以下是哪些逻辑步骤？

Answer 1

BERT 提供了自己的分词器。由于 BERT 是预训练模型，需要特定格式的输入数据，因此需要满足以下条件：

一个特殊的标记，[SEP]，用来标记一个句子的结尾，或者两个句子之间的分隔
一个特殊的令牌，[CLS]，在我们正文的开头。此令牌用于分类任务，但无论您的应用程序是什么，BERT 都期望它。
符合BERT中使用的固定词汇表的token
令牌的令牌 ID，来自 BERT 的令牌生成器
屏蔽 ID 以指示序列中的哪些元素是标记，哪些是填充元素
用于区分不同句子的句段ID
用于显示序列中标记位置的位置嵌入

.

from transformers import BertTokenizer

# Load pre-trained model tokenizer (vocabulary)
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

# An example sentence 
text = "Sentence to embed"

# Add the special tokens.
marked_text = "[CLS] " + text + " [SEP]"

# Split the sentence into tokens.
tokenized_text = tokenizer.tokenize(marked_text)

# Map the token strings to their vocabulary indices.
indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text)

查看这个优秀的 tutorial 了解更多详情。

BERT 词嵌入预处理是如何工作的

How does BERT word embedding preprocess work

nlp

transformer

bert-language-model

huggingface-transformers