Transformers documentation

BERTweet

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

该模型于 2020-05-20 在 HF papers 上发布,并于 2020-11-16 贡献至 Hugging Face Transformers。

BERTweet

BERTweet

BERTweet 与 BERT-base 采用相同的架构,但它是像 RoBERTa 一样在英文推文上预训练的。它在词性标注、命名实体识别和文本分类等与推文相关的任务上表现非常出色。

您可以在 VinAI Research 组织下找到所有原始的 BERTweet 检查点。

有关如何将 BERTweet 应用于不同语言任务的更多示例,请参阅 BERT 文档。

以下示例演示了如何使用 Pipeline、AutoModel 以及命令行来预测 <mask> 标记。

Pipeline
AutoModel
from transformers import pipeline


pipeline = pipeline(
    task="fill-mask",
    model="vinai/bertweet-base",
    device=0
)
pipeline("Plants create <mask> through a process known as photosynthesis.")

备注

  • 请使用 AutoTokenizer 或 BertweetTokenizer,因为它们预加载了针对推文特有标记(如话题标签(#)、提及(@)、表情符号和常见缩写)进行适配的自定义词汇表。请确保同时安装 emoji 库。
  • 输入应在右侧进行填充(padding="max_length"),因为 BERT 使用绝对位置嵌入。

BertweetTokenizer

class transformers.BertweetTokenizer

< >

( vocab_filemerges_filenormalization = Falsebos_token = '<s>'eos_token = '</s>'sep_token = '</s>'cls_token = '<s>'unk_token = '<unk>'pad_token = '<pad>'mask_token = '<mask>'**kwargs )

参数

  • vocab_file (str) — 词汇表文件的路径。
  • merges_file (str) — 合并文件的路径。
  • normalization (bool,可选,默认为 False) — 是否应用归一化预处理。
  • bos_token (str, 可选, 默认为 "<s>") — 预训练期间使用的序列起始标记。也可用作序列分类标记。

    在构建序列时,如果使用了特殊标记,序列开头使用的并不是这个标记。实际使用的标记是 cls_token。

  • eos_token (str, 可选, 默认为 "</s>") — 序列结束标记。在构建包含特殊标记的序列时,序列结束使用的并非此标记,而是 sep_token。

    在构建包含特殊标记的序列时,序列末尾使用的并不是这个标记。 实际使用的是 sep_token。

  • sep_token (str,可选,默认为 "</s>") — 分隔符 token,用于从多个序列构建序列时,例如用于序列分类的两个序列,或用于问答的文本和问题。它也用作使用特殊 token 构建的序列的最后一个 token。
  • cls_token (str,可选,默认为 "<s>") — 用于序列分类(对整个序列进行分类,而非逐 token 分类)的分类器 token。当使用特殊 token 构建序列时,它是序列的第一个 token。
  • unk_token (str,可选,默认为 "<unk>") — 未知标记。不在词汇表中的标记无法转换为 ID,因此会被设置为该标记。
  • pad_token (str,可选,默认为 "<pad>") — 用于填充的标记,例如在对长度不同的序列进行批处理时。
  • mask_token (str, 可选,默认为 "<mask>") — 用于掩码值的标记。这是在以掩码语言建模方式训练该模型时所使用的标记,也是模型将尝试预测的标记。

使用字节对编码(Byte-Pair-Encoding)构建 BERTweet 分词器。

该分词器继承自 PreTrainedTokenizer,其中包含了大部分主要方法。用户应参考该父类以获取有关这些方法的更多信息。

add_from_file

< >

( f )

从文本文件加载现有的字典,并将其符号添加到当前实例中。

convert_tokens_to_string

< >

( tokens )

将单个字符串中的标记序列(字符串)进行转换。

normalizeToken

< >

( token )

对推文中的标记进行归一化

normalizeTweet

< >

( tweet )

规范化原始推文

save_vocabulary

< >

( save_directory: strfilename_prefix: str | None = None )

将词汇表和合并文件保存到目录中。

Update on GitHub